在单个 GeForce RTX 3060 上对 vLLM 进行基准测试,结果显示基于配置设置的性能变化显著。一个参数 max-num-seqs,在压力条件下从 32 增加到 128 时,首次标记时间 (TTFT) 增加了 19 倍。研究还发现,llm-jp-1.8B 模型比 Swallow-8B AWQ 的请求服务速度快 3.6 倍,部分原因归功于 vLLM 的优化内核。此外,使用 Swallow-8B AWQ 的推理模型即使在温度为 0 时也表现出非确定性输出,在 50 次运行中有 10 次输出不同。 AI
影响 强调了压力测试配置和验证模型确定性对于可靠的 LLM 部署至关重要。
排序理由 基准测试结果和 LLM 服务性能分析。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →