Nas的天空
点亮思维火花,畅享数字世界
用户数
1
文章数
531
评论数
21
阅读量
194466
One Word
-「」
Latest articles
实战避坑:双卡RTX 4090基于vLLM部署DeepSeek-R1蒸馏版与流式网关优化
针对DeepSeek-R1长思考链导致的显存爆炸与高并发超时痛点,本文详解如何在双卡RTX 4090物理机上利用vLLM完成DeepSeek-R1-Distill-Qwen-32B生产级部署。涵盖无NVLink下的NCCL通信调优、前缀缓存(APC)加速、以及用FastAPI编写具备断连熔断机制的流式代理,实测吞吐提升3倍。
打通本地LLM落地最后一公里:FastAPI + vLLM 流式网关生产级踩坑与调优实录
本地部署大模型时,很多团队都卡在流式输出(SSE)接入业务系统的阶段。本文记录作者在双卡 RTX 4090 节点上用 FastAPI + vLLM 搭建生产级代理网关时踩过的三个深坑:Nginx 缓冲导致打字机卡死、前端断连引发 GPU“幽灵推理”,以及高并发下的显存爆仓。附带完整网关源码与性能调优参数。
NAS打造私有化代码检索与知识库:vLLM + Qdrant + Embedding轻量落地指南
很多极客都在NAS上折腾本地大模型,但直接上70B甚至大参数MoE不仅把显存撑爆,实际开发中响应还巨慢。本文分享如何利用闲置NAS的算力与存储,通过Docker组合部署vLLM推理引擎、BGE向量嵌入模型以及Qdrant向量数据库,搭建一套高吞吐、极低延迟的本地私有化代码检索与知识库系统,解决高并发调用时的显存溢出与排队延迟痛点。
单卡4090跑满吞吐:vLLM与SGLang部署DeepSeek蒸馏模型调优与避坑实战
针对单卡RTX 4090/A10部署DeepSeek-R1蒸馏模型时常见的并发显存暴死、TTFT延迟过高问题,本文基于第一手压测数据,深度拆解vLLM与SGLang在KV Cache管理、量化与RadixAttention上的实操差异,提供可直接落地的配置方案与避坑指南。
用 FastAPI 搭建生产级大模型流式网关:连接池、背压与防泄漏实战
在自建 AI 应用或聚合外部 LLM API 时,很多开发者用几行 FastAPI 代码转发 SSE 流,上线即遭遇连接池耗尽、显存空转与内存泄漏。本文深入拆解 Python 异步流式代理的核心坑点,分享连接池调优、客户端断开的主动背压中断机制,以及抗住高并发长连接的生产级配置。
Latest Comments
热评文章
实战踩坑:基于 FastAPI 与 Asyncio 搭建高并发 LLM SSE 流式代理服务
本文记录使用 Python FastAPI 与 Asyncio 重构 LLM 流式代理网关的实操经验。针对高并发场景下大模型 SSE(Server-Sent Events)长连接导致的内存泄漏、协程雪崩、连接池耗尽以及客户端断开后的显存空转问题,提供完整的背压控制、连接生命周期管理与带压测对比的生产级工程化代码。
单机双卡打造高可用AI网关:vLLM与LiteLLM流式代理、Prefix Caching与动态降级实战
记录在自建双卡工作站上基于 vLLM 与 LiteLLM 构建私有化 OpenAI 兼容网关的实操全流程。深度解析 AWQ 量化吞吐调优、Prefix Caching 提速 300% 实测、Nginx 流式 SSE 缓冲截断排查,以及 GPU 满载或异常时秒级熔断降级至公网模型的工程化落地指南。
实战踩坑:基于 vLLM + One-API 搭建自建与聚合的大模型高并发生产级网关
本文分享如何使用 vLLM 部署本地开源大模型(以 Qwen2.5 为例),结合 One-API 搭建兼具高吞吐并发、动态负载均衡与 Fallback 降级能力的统一 API 网关。包含显存显卡分配陷阱(CUDA OOM)、流式 SSE 代理超时调优、多卡并行配置以及真实压测数据。