Nas的天空
点亮思维火花,畅享数字世界
用户数
1
文章数
551
评论数
21
阅读量
200392
One Word
-「」
Latest articles
FastAPI 构建生产级 LLM 流式代理:解决连接泄漏、假死与断连背压
在用 FastAPI 搭建 LLM 聚合网关或转发流式响应(SSE)时,常会遭遇连接池耗尽、客户端提前断开导致后台空转、Nginx 缓冲吃掉首字延迟等暗坑。本文记录从事故排查到架构重构的完整过程,提供带断连检测与连接复用的工业级代码方案。
告别 Ollama 并发瓶颈:单卡 4090 基于 SGLang 极致榨干 DeepSeek-R1 吞吐踩坑实录
很多同学在私有化部署开源大模型时第一反应是 Ollama,但在并发多轮长文本或多 Agent 协作场景下,Ollama 的吞吐和排队延迟极易雪崩。本文记录我将单卡 4090 机器上的模型推理后端从 Ollama 迁移到 SGLang 的全过程,详解 RadixAttention 缓存复用、Docker 部署配置、Nginx SSE 流式防缓冲,以及真实高并发压测指标。
单卡榨干并发极限:vLLM与SGLang本地推理实战与流式网关压测避坑指南
拒绝理论空谈,记录在单张RTX 4090/A10D显卡上部署Qwen2.5与DeepSeek蒸馏模型的工程实操。深度对比vLLM与SGLang在高并发流式推理下的吞吐与TTFT表现,提供完整的Nginx SSE流式反向代理配置、显存碎片排障及并发压测脚本。
Mac 压榨 Apple Silicon 统一内存:从 Ollama 迁移到 llama-server 构建高并发本地 LLM 网关
本文记录了一台 64G 内存的 M3 Max Mac 从 Ollama 迁移到原生 llama-server 的调优历程。深入剖析 Apple Silicon 统一内存的显存分配机制,通过破解 wired_mem_limit 突破显存阈值,结合 KV Cache 量化、连续批处理(Continuous Batching)与多 Slot 并发配置,实现长上下文与多 Agent 并发场景下的推理吞吐翻倍。
告别Ollama单卡瓶颈:基于vLLM+Ray的本地双卡大模型推理集群低成本搭建与调优实战
单张消费级显卡跑大模型经常爆显存?本文记录在Ubuntu自建算力节点上,使用vLLM配合Ray实现多卡张量并行(TP)与PagedAttention优化的高并发部署方案。涵盖显存碎片优化、流式SSE代理中转、生产级Docker Compose配置与真实压测排坑指南,助你打造极低延迟的自建LLM服务。
Latest Comments
热评文章
单卡4090跑满满血DeepSeek/Llama3:vLLM加Speculative Decoding与动态批处理实战调优
单张RTX 4090部署大模型如何兼顾吞吐量与极低首字延迟(TTFT)?本文基于真实生产与私有化环境,拆解vLLM高阶调度策略:结合投机采样(Speculative Decoding)实现2.8倍解码加速,手把手解析PagedAttention显存碎片优化与长上下文Chunked Prefill调参,附完整Docker配置与压测数据。
单卡搞定多模型混部:vLLM + LiteLLM 构建高并发企业级本地 LLM 网关实战
单张消费级显卡(如 RTX 4090)如何同时高效服务多个本地大模型?本文带你避开 Ollama 的并发锁与内存浪费陷阱,利用 vLLM 的 PagedAttention 与显存切分机制,结合轻量网关 LiteLLM,手把手搭建支持自动负载均衡、OpenAI 协议兼容、高并发流式代理的高可用 LLM 本地服务架构。
告别OOM与假死:vLLM + LiteLLM 搭建生产级大模型流式代理实战
针对自建大模型API服务时频发的并发爆显存、长文本假死及缺乏统一网关鉴权问题,本文深度拆解基于vLLM与LiteLLM的高并发流式网关落地架构。包含显存精确计算、PagedAttention参数调优、SSE断流排障、Docker Compose一键拉起及真实压测数据对比。