GPU优化 - Nas 的天空

Ai-Studio 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。

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

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。

Ai-Studio 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

FastAPI 构建生产级 LLM 流式代理：解决连接泄漏、假死与断连背压

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

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

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

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

Python 高效爬虫实战：requests+BeautifulSoup 避坑与优化全攻略

用 Python 驾驭 JSON/XML 数据：高效解析与灵活转换的实践指南

Python基础入门 Day141 异步系统中的优先级调度与资源分配：让重要任务先完成

Python基础入门 Day136 高并发系统核心：消息队列思想与异步解耦

Python 正则表达式完全指南：掌握复杂匹配，解锁高级数据处理能力 | 实战案例解析