vLLM 发布了 0.33 版本,引入了重大的架构变更,以解决大型语言模型的延迟问题。此次更新将 LLM 处理的“预填充”和“解码”阶段分开,并将它们分配到不同的 GPU 池。这种分离可以防止计算密集型的预填充阶段(处理用户提示)冻结内存带宽受限的解码阶段(负责生成 token)。 AI
影响 此次更新旨在通过减少延迟和消除提示处理期间的冻结,显著改善 LLM 应用程序的用户体验。
排序理由 这是 LLM 服务框架的软件更新,并非新的模型发布或核心研究。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →