《日剧《疯狂上司》完整版 》DeepSeek研究员1200行代码复刻vLLM，H800硬件实测性能反超原版

他2021年获得南京大学计算机科学与技术系学士学位，同年又被南京大学免试录取为硕士研究生，在校他同时也是由周志华教授领导的LAMDA团队的成员。 vLLM是一款专为LLM推理与部署优化的高性能框架，最初由加州大学伯克利分校的Sky Computing Lab开发，现已发展成为一个汇聚学界与业界贡献的社区驱动项目。 其核心技术灵感源自操作系统虚拟内存分页机制。此前LLM服务系统因采用连续内存存储KV缓存，导致内部/外部碎片化严重，且无法有效共享内存，极大限制了批处理规模。 针对这一问题，团队提出PagedAttention算法，允许将连续的键（key）值（value）对存储在非连续内存空间中，通过将KV缓存划分为固定大小的块（Block），利用块表动态映射逻辑块与物理块地址。 借助PagedAttention，KV缓存管理器以分页方式有效管理KV缓存。具体而言，KV缓存管理器通过集中式调度器发送的指令来管理GPU工作节点上的物理KV缓存内存。 评估显示，与FasterTransformer和Orca等此前最先进系统相比，vLLM在相同延迟水平下将流行LLM的吞吐量提升2-4倍，且在更长序列、更大模型和更复杂解码算法场景中改进更为显著。 与流行的Hugging Face模型无缝集成，包括类Transformer模型、混合专家模型、嵌入模型、多模态模型；支持通过各种解码算法实现高吞吐量服务，包括并行采样、波束搜索等；支持张量并行和pipeline并行，以实现分布式推理；支持流式输出；兼容OpenAI的API服务器；支持NVIDIA GPU、AMD CPU和GPU、Intel CPU和GPU、PowerPC CPU、TPU以及AWS Neuron；支持前缀缓存；支持多LoRA。