Skip to main content

欢迎来到 vLLM!

vLLM 是一个快速且易于使用的库，专为大型语言模型 (LLM) 的推理和部署而设计。

vLLM 的核心特性包括：

  • 最先进的服务吞吐量

  • 使用 PagedAttention 高效管理注意力键和值的内存

  • 连续批处理传入请求

  • 使用 CUDA/HIP 图实现快速执行模型

  • 量化： GPTQ, AWQ, INT4, INT8, 和 FP8

  • 优化的 CUDA 内核，包括与 FlashAttention 和 FlashInfer 的集成

  • 推测性解码

  • 分块预填充

vLLM 的灵活性和易用性体现在以下方面：

  • 无缝集成流行的 HuggingFace 模型

  • 具有高吞吐量服务以及各种解码算法，包括并行采样、束搜索等

  • 支持张量并行和流水线并行的分布式推理

  • 流式输出

  • 提供与 OpenAI 兼容的 API 服务器

  • 支持 NVIDIA GPU、AMD CPU 和 GPU、Intel CPU 和 GPU、PowerPC CPU、TPU 以及 AWS Neuron

  • 前缀缓存支持

  • 支持多 LoRA

欲了解更多信息，请参阅以下内容：

文档​

入门​

安装

使用 ROCm 进行安装

使用 OpenVINO 进行安装

使用 CPU 进行安装

使用 Neuron 进行安装

使用 TPU 进行安装

使用 XPU 进行安装

快速入门

调试提示

示例

部署​

OpenAI 兼容服务器

使用 Docker 部署

分布式推理和服务

生产指标

环境变量

使用统计数据收集

整合

使用 CoreWeave 的 Tensorizer 加载模型

兼容性矩阵

常见问题解答

模型​

支持的模型

添加新模型

启用多模态输入

引擎参数

使用 LoRA 适配器

使用 VLMs

在 vLLM 中使用推测性解码

性能和调优

量化​

量化内核支持的硬件

AutoAWQ

BitsAndBytes

GGUF

INT8 W8A8

FP8 W8A8

FP8 E5M2 KV 缓存

FP8 E4M3 KV 缓存

自动前缀缓存​

简介

实现

广义缓存策略

性能基准测试​

vLLM 的基准套件

开发者文档​

采样参数

离线推理

vLLM 引擎

LLM 引擎

vLLM 分页注意力

输入处理

多模态

Docker 文件

vLLM 性能分析

社区​

vLLM 聚会

赞助商

索引和表格