- 综合排序
- 最热优先
- 最新优先
- 来自专栏AIGC大模型应用
让 LLM 既能“看”又能“推理”！
DeepSeek-R1 会推理，GPT-4o 会看。能否让1 LLM既能看又能推理？DeepSeek-R1取得很大成功，但它有个问题——无法处理图像输入。 1.1 DeepSeek模型发展自2024.12，DeepSeek已发布：DeepSeek-V3（2024.12）：视觉语言模型（VLM），支持图像和文本输入，类似 GPT-4oDeepSeek-R1（ 若想要一个既能看懂图像，又能深度推理的模型？物理问题示例我是一个学生，向 LLM 提问物理问题，并附带一张图像。 3 VLM架构如LLaVA，Large Language and Vision Assistant（大规模语言与视觉助手），2023年底发布的知名 VLM。 RL在 LLM 领域表现出色，提升了推理能力（如 RLHF 训练的 GPT-4）。若用 RL 训练 VLM，是否能打造更强的视觉推理模型？以图像分类任务为例。
42821编辑于 2025-03-27 LLM 系列（六）：模型推理篇
本文将深入剖析 LLM 推理的全貌，从其根本的自回归生成机制出发，逐层揭示其 核心挑战、关键性能指标、优化技术、分布式策略以及当前主流的推理框架 。 本文旨在为读者构建一个关于 LLM 推理的完整知识图谱，理解其“表”之性能与“里”之原理。 推理的本质：一个两阶段的自回归过程 要理解推理优化，首先必须掌握 LLM 生成文本的底层机制。 在推理阶段，模型需要处理的主要计算包括： • 1、嵌入层计算：将输入 token 转换为向量表示 • 2、多头自注意力：计算 Query、Key、Value 矩阵 • 3、前馈网络：进行非线性变换 • 这是 vLLM、TensorRT-LLM 等现代推理服务器的标配功能。 3. 动态与自适应推理：未来的推理系统将更加智能。
3.4K24编辑于 2025-08-04- 来自专栏架构驿站
LLM 推理引擎之争：Ollama or vLLM ?
随着自然语言处理（NLP）和大规模语言模型（LLM）技术的迅猛发展，众多创新模型不断涌现，为开发者提供了多样化的选择。 性能提升：传统推理框架中，KV Cache 占用大量显存，尤其在长序列推理时问题更为严重。 3、资源利用率优化： FP16 推理：vLLM 默认使用半精度浮点（FP16）格式推理，结合 GPU 的 Tensor Core 加速计算，推理速度比 FP32 格式快 2 倍以上。 3、综合考量因素与逐步采纳策略： 用户在选择框架时，应综合评估自身的技术能力、具体的应用需求、可用的硬件资源以及对性能和易用性的优先级排序。 例如，对于初学者或希望快速上手的用户，可以优先选择 Ollama 作为入门，待熟悉 LLM 推理流程和原理后，再根据更复杂应用的需求，逐步转向 vLLM 以获得更高的性能和更强的扩展性。
1.8K11编辑于 2025-04-24 - 来自专栏JavaEdge
让 LLM 既能“看”又能“推理”！
怎么想、怎么做，全在乎自己「不断实践中寻找适合自己的大道」 DeepSeek-R1 会推理，GPT-4o 会看。能否让 1 LLM既能看又能推理？ 1.1 DeepSeek模型发展 自2024.12，DeepSeek已发布： DeepSeek-V3（2024.12）：视觉语言模型（VLM），支持图像和文本输入，类似 GPT-4o DeepSeek-R1 若想要一个既能看懂图像，又能深度推理的模型？ 物理问题示例 我是一个学生，向 LLM 提问物理问题，并附带一张图像。 3 VLM架构 如LLaVA，Large Language and Vision Assistant（大规模语言与视觉助手），2023年底发布的知名 VLM。 RL在 LLM 领域表现出色，提升了推理能力（如 RLHF 训练的 GPT-4）。若用 RL 训练 VLM，是否能打造更强的视觉推理模型？ 以图像分类任务为例。
31010编辑于 2025-06-01 LLM推理中 KVCache 提示推理效率的几点应用
LLM推理中KVCache提示推理效率的几点应用这是基于2025AICon大会的马腾的演讲整理而成通过kvCache的优化提升效率，如模型算法优化减少KVCache产生量，KVCache压缩，KVCache 复用，KVCache共享，前言在大模型应用的浪潮中，有一个问题始终困扰着从业者：如何在保证服务质量的同时，降低推理成本、提高吞吐效率？ 在分布式推理场景下，KVCache需要在不同的GPU甚至不同的服务器之间传输，带宽成为重要的瓶颈。管理复杂性也不可小觑。 分离指的是将KVCache从模型推理过程中分离出来，形成独立的服务。模型推理节点不再负责KVCache的存储和管理，而是专注于计算任务。 这种分离带来了几个好处：推理节点可以更专注于计算，提高资源利用率；KVCache服务可以独立扩展，适应不同的负载特征；不同推理节点之间可以共享KVCache，减少重复计算。
34710编辑于 2026-01-14- 来自专栏DeepHub IMBA
解决推理能力瓶颈，用因果推理提升LLM智能决策
因果AI能够影响智能体AI生命周期的多个环节，特别是推理、可观察性和可解释性这几个方面。 LLM推理能力的现实困境 苹果最近的研究（论文1）深入分析了LLM的推理局限性。 这些发现暴露了依赖LLM解决问题的风险。LLM看起来无法进行真正的逻辑推理，只是在模仿训练数据中观察到的推理步骤。 要让AI真正具备推理和问题解决能力，它必须在算法层面理解因果关系。 LLM推理——在LLM/LRM训练中提供WHAT、HOW和WHY成分 因果AI能够提供几个关键的推理组件：根本原因分析（检测和排序导致结果的因果驱动因素），假设场景和反事实分析（确定替代行动相对于当前状态的后果 内省机制增强推理过程 从LLM训练转到推理阶段，我们来看看如何通过添加"内省"步骤来进一步改善智能体推理。 智能体AI的核心架构 一个完整的智能体AI平台包含几个关键模块。 总结 当前LLM的推理局限性已成为制约智能体AI企业级应用的核心瓶颈。由于智能体系统在任务规划阶段高度依赖LLM能力，这种局限性直接影响了AI智能体的自主决策水平。
43010编辑于 2025-11-15 - 来自专栏自然语言处理(NLP)论文速递
LLM推理速度飙升23倍！Continuous Batching：解锁LLM潜力！
| paperweekly 本文介绍一篇 LLM 推理加速技术相关的文章，值得读一读。 LLMs 在现实应用中的计算成本主要由服务成本所主导，但是传统的批处理策略存在低效性。 Q3. 作者提到了这是一个迭代的过程，可以举一个例子来说明吗？如果我们以句子“加利福尼亚的首府是什么:”作为提示，需要多少次前向传递才能得到完整的响应？ Section3 - LLM batching explained Q1. 文章提到 LLMs 尽管具有大量的计算能力，但由于内存带宽主要用于加载模型参数，LLMs 很难实现计算饱和度。 由于 LLMs 通常拥有大量的参数（特别是像 GPT-3 这样的大型模型拥有数十亿甚至数百亿的参数），加载模型参数可能会占用大量的内存带宽。 Q3. 传统的批处理方法被称为静态批处理，为什么它被称为静态批处理？它与 LLM 推断中的迭代性质有什么关系？
3.2K31编辑于 2023-10-24 - 来自专栏JadePeng的技术博客
LLM 推理和应用 开源框架梳理
之前对LLM 推理和应用了解不多，因此抽时间梳理了一下，我们从模型量化，模型推理，以及开发平台等三个层面来梳理分析。 GGML是一个C写的库，可以将LLM转为为GGML格式，通过量化等技术让LLM方便进行加载和推理 采用量化技术，将原有大模型预训练结果量化（即将原有大模型FP16精度压缩成INT8、INT6精度 二进制文件编码 如果CPU推理，llama.cpp 结合模型int4量化，最佳的选择 GPU推理，微软的 DeepSpeed-FastGen 是一个好的选择 手机终端推理，MLC LLM可以作为候选 大模型应用开发平台 可用于大语言模型（LLM），语音识别模型，多模态模型等各种模型的推理。通过 Xorbits Inference，你可以轻松地一键部署你自己的模型或内置的前沿开源模型。 3. RAG引擎：包括各种基于全文索引或向量数据库嵌入的 RAG 能力，允许直接上传 PDF、TXT 等各种文本格式。 4.
2.9K10编辑于 2024-03-13 - 来自专栏计算机工具
LLM前言：推理加速、模型微调对齐、开源LLM、Agent、多模态
LLM前言：推理加速、模型微调/对齐、开源LLM、Agent、多模态 推理加速 推理加速是AI技术中的关键环节，能让AI模型在实际应用中更智能、更高效。推理加速技术主要通过算法优化和硬件加速来实现。 算法优化：通过剪枝、量化、压缩等技术减小模型的大小和计算复杂度，从而提高推理速度和效率。 硬件加速：利用GPU、FPGA、ASIC等专门的硬件加速器来加速AI推理的过程。这些硬件加速器针对AI推理的特点进行设计和优化，从而提高推理速度和效率。 推理加速技术在智能语音、图像识别、自然语言处理等领域有广泛应用，能提升这些技术的识别速度和精度，从而提升用户体验。 开源LLM 开源LLM（大型语言模型）是指公开源代码的大型语言模型，允许开发者自由使用、修改和分发。开源LLM的出现降低了AI技术的门槛，促进了AI技术的创新和发展。
40210编辑于 2024-12-14 - 来自专栏存储公众号：王知鱼
LLM推理提速：写在UCM将开源之际
然而，在这条高效的智能生产线上，一个看似不起眼的“内存墙”问题——KV Cache的急剧膨胀，正成为制约LLM推理效率、吞吐量和长上下文应用，成为核心瓶颈。 本文将深入剖析这些架构的设计哲学与实践价值，助您洞悉LLM推理优化的前沿趋势。 阅读收获 掌握LLM推理中KV Cache内存瓶颈的本质与经济驱动力。 这些挑战背后，揭示了LLM推理领域一个根本性范式转变。早期，LLM优化主要集中在提升原始计算能力（FLOPs）。 参考阅读 《月之暗面：存储换算，倍增LLM推理效率》 主要内容：该文章深入探讨了KVCache（Key-Value Cache）技术在大型语言模型（LLM）推理中的应用与优化。 文章首先介绍了Mooncake系统，该系统通过增加存储资源来减少计算开销，提高LLM推理效率。
1.7K10编辑于 2025-10-09 基于MindSpore NLP的LLM推理 - - 实操
一、LLM泛化能力model Decoding核心：Tranformer模型示意图greedy decodingMindNLP/LLaMa3/run_llama3.py选择线性同余生成器（LCG）解码策略法 mindspore.communication import initfrom mindnlp.transformers import AutoTokenizer, AutoModelForCausalLMmodel_id = "LLM-Research /Meta-Llama-3-8B-Instruct"init()tokenizer = AutoTokenizer.from_pretrained(model_id, mirror='modelscope run_llama3_LCG.py以下是在原有代码基础上，引入线性同余生成器（LCG）解码策略的示例代码，由于MindSpore框架本身并没有直接支持LCG解码策略，因此需要手动实现相关逻辑：Python seed = (a * seed + c) % m yield seed# 创建LCG生成器lcg_gen = lcg_generator(a, c, m, seed)model_id = "LLM-Research
32710编辑于 2025-01-18- 来自专栏DeepHub IMBA
使用TensorRT-LLM进行高性能推理
LLM的火爆之后，英伟达(NVIDIA)也发布了其相关的推理加速引擎TensorRT-LLM。TensorRT是nvidia家的一款高性能深度学习推理SDK。 而TensorRT-LLM是在TensorRT基础上针对大模型进一步优化的加速推理库，它号称可以增加4倍的推理速度。 所以本文将对其做一个简单的使用介绍。 加速推理 在当今的数字时代，速度是至关重要的。TensorRT-LLM可与传统方法相比，提供高达8倍的吞吐量。 这种性能上的飞跃在很大程度上归功于in_flight_batching。 广泛的模型支持 丰富多样的大型语言模型(llm)，每个模型都是为特定任务量身定制的。推理工具的效用因其与各种模型无缝集成的能力而大大增强。 通过其直观的Python API, TensorRT-LLM使LLM优化和推理平民化，使这些先进技术能够为更广泛的受众所使用。
2.5K20编辑于 2023-10-23 - 来自专栏AI SPPECH
LLM推理优化技术：从理论到实践
然而，LLM的推理过程面临着巨大的挑战： 推理延迟高：LLM的推理过程需要大量的计算，特别是自回归生成过程，每生成一个token都需要进行一次前向传播，导致推理延迟很高。 推理优化技术旨在提高LLM的推理速度、降低显存占用、提高吞吐量和降低能源消耗，使LLM能够更广泛地应用于各种场景。 核心发现/更新点 通过对GitHub上最新LLM推理优化技术项目的深入分析，我们发现了以下几个关键趋势和更新点： 推理优化成为LLM应用的关键：推理优化已经成为LLM从实验室走向实际应用的关键环节，直接影响 开源推理引擎百花齐放：GitHub上涌现出了许多优秀的开源推理引擎，如vLLM、text-generation-inference、llama.cpp等，提供了高效的推理解决方案。 3. 2-3x 50% 中 高 flash-attention 连续批处理 10-20x 0% 高 低 vLLM 模型并行 线性提升 线性降低 中 高 DeepSpeed 量化感知训练 3-5x 75% 高
76110编辑于 2026-01-01 - 来自专栏深度学习与python
使用 BigDL-LLM 加速 Intel ® 数据中心 GPU 上的 LLM 推理
这篇文章将为对大型语言模型推理性能感兴趣的读者提供有益的参考和启示。 在生成式人工智能领域，针对大型语言模型（LLM）的推理加速，已经开发出多种性能改进技术。 我们已经在 BigDL-LLM 中实现了低比特和 Self-Speculative Decoding 优化，以提高 Intel®数据中心 GPU 上的 LLM 推理速度。 下面的图表比较了在 Intel 数据中心 GPU Max 1100C 上，使用 BigDL-LLM 进行 FP16 推理时的推理延迟。 图 3. Intel® 数据中心 GPU Max 1100C 上的 FP16 推理性能 请参考配置和免责声明以获取配置信息。 建议查看我们为 Self-Speculative Decoding 开发的 LLM 推理示例，这些示例适用于 Llama2、Mistral、ChatGLM3、Baichuan2、Qwen 等模型。
68310编辑于 2024-03-26 - 来自专栏量子位
用BigDL-LLM 即刻加速百亿级参数LLM推理 | 最“in”大模型
为此，BigDL-LLM 也提供便于使用的 LangChain 的集成[3]，从而让开发者能够轻松使用 BigDL-LLM 来开发新应用或迁移现有的、基于 Transformers API 或 LangChain BigDL-LLM 会在加载模型的过程中对模型进行 4-bit 低精度量化，并在后续推理过程中利用各种软硬件加速技术优化其执行。 只需使用 BigDL-LLM 中的 AutoModelForSpeechSeq2Seq 并设置参数 load_in_4bit=True，就能够以 INT4 精度加载并加速这一模型，从而显著缩短模型推理用时 「模型减重」神器让大模型狂掉3/4 2 保护大模型应用安全，现在不需要拿性能做代价了 3 如何优化ChatGLM-6B？ 一行代码就行 4 一个简单模型就让ChatGLM性能大幅提升 5 推理1760亿参数的BLOOMZ，性能时延仅3.7秒
75020编辑于 2023-09-08 - 来自专栏NLP/KG
LLM推理：如何通过PRMs和MCTS提升大型语言模型的推理能力
MCTS 在 LLM 场景中是如何实现的？ PRMs 和 MCTS 是完全独立的技术，还是相辅相成的？ PRMs：更加灵活，可以是 选项 1：在 llm 生成每一步解题步骤 step 后进行评估，发现错误时 llm 重新生成。 （论文把这个 llm 成为 generator ）的生成的 output 打分，那这个 llm 怎么来呢？ 这里用一个简明的例子，理解透 MCTS 在 llm 场景下的核心原理和工作流程。 3.
87210编辑于 2025-04-26 - 来自专栏自然语言处理
推理大模型的后训练增强技术--LLM 推理模型的现状
3. 强化学习和监督微调 这种混合方法将强化学习 (RL) 与监督微调 (SFT) 相结合，以实现比纯强化学习更稳定和更通用的改进。 他们的结果表明，通过正确的推理时扩展方法，10 亿参数的模型可以胜过缺乏推理时扩展的 4050 亿参数的 Llama 3 模型。 更好的反馈和编辑模型 (Better Feedback and Edit Models) 3 月 6 日，专用反馈和编辑模型支持开放域通用任务的推理时扩展 (Dedicated Feedback and 比如，Claude 3.7 Sonnet 和 Grok 3 都为用户提供了显式的“思考”开关，而 OpenAI 则采用了模型切换的方式，要求用户在使用推理能力更强的模型时，手动切换到 GPT-4o/4.5 或 o1/o3-mini。
1.1K10编辑于 2025-03-13 论文解读-你的LLM能够稳定推理吗？
论文认为这一差距主要源于当前的评估协议和指标未能全面反映LLM的能力，特别是在复杂推理任务中，准确性和一致性至关重要。 二、研究背景自大型语言模型（LLMs）问世以来，复杂的推理能力，尤其是数学问题解决方面的能力，被视为LLM能力的巅峰。 三、相关研究数学推理基准测试针对大型语言模型（LLMs）。为了评估大型语言模型在A数学推理方面的能力，已经开发了专门的基准测试，这些测试关注LLM在数学能力的不同方面。 Omni-Math专注于奥林匹克级别的数学推理，包含4428道竞赛级别的题目，分为超过33个子领域和10个难度级别，从入门级到专业国际竞赛。LLM推理的稳定性。 3) 增加模型规模可能不会显著提升模型的鲁棒性。
25310编辑于 2026-01-16MindIE-LLM ATB模型推理全流程解析
为了实现这个目标，首先需要了解MindIE-LLM模型在推理过程中的代码调用流程，然后根据新模型的算法进行适配。背景知识MindIE-LLM组件采用ATB算子构建模型。 代码入口本文以llama模型为例，从入口脚本run_pa.py开始，分析模型路由、模型实例化（权重导入）和图构建推理的过程。 MindIE-LLM ATB模型的推理入口文件在官网MindIE镜像的这个位置：/usr/local/Ascend/atb-models/examples/run_pa.py 。 {model_type}.router_{model_type}"if model_type == "qwen2_moe" or model_type == "qwen3_moe": model_type 总结这篇文章主要分析了ATB模型推理的代码调用栈，同时给出了新模型适配涉及的代码目录。
38910编辑于 2025-06-26- 来自专栏自然语言处理
图解KV Cache：解锁LLM推理效率的关键
KV Cache 原理 信息 LLM 的推理过程很好理解，但是这个简单的实现存在一个问题——存在不少的重复计算导致计算效率不是很高 只需要看 LLM 的连续两次前向传播推理计算就很容易理解为什么说存在重复计算了 例如： Llama3-70B 参数下： 总层数 = 80 隐藏大小 = 8k 最大输出大小 = 4k 每个Token在 KV 缓存中占用约 2.5 MB。 这种机制使得模型在自回归生成过程中能够实现2-3倍的速度提升，显著降低了计算资源的浪费，为大规模应用部署提供了可能。 参考资料 LLM 推理加速 - KV Cache LLM 推理优化探微 (2) ：Transformer 模型 KV 缓存技术详解 【大模型LLM基础】自回归推理生成的原理以及什么是KV Cache？ 量化技术详解：深入理解LLM推理性能优化
3.5K12编辑于 2025-03-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号