Nas的天空
点亮思维火花,畅享数字世界
用户数
1
文章数
491
评论数
21
阅读量
182476
One Word
-「」
Latest articles
单卡RTX 4090跑满满血Agent:vLLM + DeepSeek多并发流式网关工程化实战
单张RTX 4090部署大模型做Agent后端常遇显存挤爆和流式延迟飙升。本文详解基于vLLM的PagedAttention显存优化、Prefix Caching配置、FastAPI异步流式代理网关构建,以及Docker生产级部署方案。实测并发提升3倍,首字延迟降低65%。
实战踩坑:用 Python + vLLM 搭建生产级大模型流式网关(高并发+SSE+背压控制)
当大模型推理服务面对突发流量时,单纯依靠 FastAPI 原生流式响应很容易导致下游客户端断联或显存堆积崩溃。本文基于真实压测场景,深入拆解基于 Python 与 vLLM 的高并发流式代理架构,涵盖 SSE 协议优化、TCP 背压控制与连接泄漏防护实操方案。
告别OOM与长首字延迟:vLLM与FastAPI构建企业级高并发流式LLM网关实战
单台双卡A6000服务器如何在并发暴增时扛住流式LLM请求?本文从第一人称生产踩坑视角出发,详解基于vLLM推理引擎与FastAPI异步架构的高性能流式网关构建。涵盖PagedAttention内存优化、SSE断连优雅终止、KV Cache调优以及实测抗并发压测数据,提供直接可用的工程化配置方案。
MacBook 本地大模型开发终极指南:MLX 架构、量化压测与后台常驻 Agent 实战
针对 Apple Silicon 统一内存架构,本文深入剖析基于苹果官方 MLX 框架的大模型本地推理与微调工程实践。涵盖 Ollama/llama.cpp 与 MLX 的吞吐实测对比、macOS 统一内存超额分配机制调优、4-bit 量化实战,以及用 launchd 将本地大模型封装为开机自启 OpenAI 兼容 API 服务的完整极客方案。
单卡 4090 实战:vLLM 部署 Qwen2.5-14B-AWQ 并发压测与避坑
给团队搭内部 AI 问答时用 Ollama 撞上并发瓶颈,切到 vLLM 后单张 4090 输出吞吐从 70 tokens/s 抬到 500+。本文记录了 Qwen2.5-14B-Instruct-AWQ 的完整部署命令、KV Cache 显存算账、启动报错排查、aiohttp 压测脚本与 Nginx 流式代理配置,附并发 1/4/8/16/32 的实测 TTFT 与 TPOT 数据。
Latest Comments
热评文章
自建生产级高并发 LLM 推理网关:vLLM + LiteLLM 架构调优与实战避坑
抛弃玩具级的本地推理方案,基于消费级与企业级 GPU 搭建高并发大模型流式代理网关。深度解析 vLLM 关键显存分配、Prefix Caching 提速、LiteLLM 统一鉴权路由与 Nginx 反向代理 SSE 长连接踩坑经验,附真实压测对比数据。
实测LiteLLM高并发流式网关落地:负载均衡、语义缓存与降级容灾全攻略
面对多模型API成本飙升、厂商网络偶发抖动以及流式传输(SSE)连接泄露痛点,本文详解如何基于LiteLLM构建高可用统一LLM API网关。涵盖Docker生产级部署、Redis语义缓存降本、自适应重试与降级路由配置,附真实压测数据与排障避坑记录。
NAS玩转本地私有大模型与RAG知识库:Ollama+AnythingLLM+Docker硬核部署与GPU直通踩坑
手把手教你利用家用或小型工作室NAS打造专属私有化AI知识库。详解Docker环境下Ollama与AnythingLLM的部署链路,实战解析Intel核显QAT/N卡GPU驱动直通、向量数据库本地嵌入选型优化,以及遭遇显存溢出与高延迟响应时的系统级调优技巧。