两篇新的研究论文介绍了用于大型语言模型 (LLM) 推理的新型调度技术,以提高延迟和吞吐量。其中一篇论文详细介绍的 VelServe 使用尾部校准调度来管理解码抖动并满足延迟服务级别目标,在 Qwen3-8B 和 DeepSeek-V4-Flash 等模型上实现了比现有基线高得多的有效吞吐量。第二篇论文介绍了 Superfluid,这是一个开源的本地 AI 服务器,专为跨多个设备的分布式 LLM 推理而设计。Superfluid 可以将本地机器聚合到一个 API 端点,动态适应硬件变化和负载,并在 Qwen3.8-27B 等模型上展示出令人印象深刻的性能提升,尤其是在具有多个代理或用户的场景中。 AI
影响 LLM 推理调度的这些进步可能带来更具响应性和成本效益的 AI 应用,从而实现更流畅的用户体验和更广泛的本地 LLM 部署。
排序理由 在 arXiv 上发表的两篇研究论文,详细介绍了 LLM 推理调度的两种新方法。
- Apple M5 Pro
- arXiv
- DeepSeek-V2-Lite
- DeepSeek-V4 Flash
- llama-server
- Mac Studio M3 Ultras
- Ollama
- Qwen3.8-27B
- Qwen3-8B
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →