什么是 vLlm ?

vLlm（Virtual Large Language Model）是一个开源的高吞吐、低延迟的 LLM 推理与服务框架，由伯克利大学 Sky Computing Lab 首创，后逐步发展为社区驱动的项目
。它旨在简化大规模语言模型（如 LLaMA、Mistral 等）在生产环境中的部署与调用，使开发者能够以更低成本、更高效率地提供实时 AI 服务.

核心特性

PagedAttention 内存管理

借鉴操作系统的虚拟内存分页思想，PagedAttention 可将注意力键值对（KV cache）存储在非连续内存页中，大幅减少碎片和冗余复制，实现几乎零浪费的内存利用率.

连续批处理（Continuous Batching）

对用户请求进行动态聚合，持续填充 GPU 计算资源，显著提升吞吐量，相比传统推理引擎可多倍提高令牌生成速度.

CUDA/HIP 图加速与优化内核

内置对 FlashAttention、FlashInfer 等高性能 CUDA 内核的集成，并通过图执行（CUDA/HIP Graph）机制减少调度开销，实现更快的推理速度.

多种量化支持

支持 GPTQ、AWQ、INT4、INT8 乃至最新的 FP8 量化格式，在保证精度的同时进一步降低显存占用与算力需求.

投机解码（Speculative Decoding）与 Chunked Prefill

通过在高置信度路径上预先生成若干候选令牌，加速解码过程；同时对预填充阶段进行分块优化，缩短启动延迟.

架构与工作流程

多进程 GPU 调度

每个 GPU 对应一个独立 Worker 进程，主进程（driver worker）负责调度、负载均衡与缓存管理，其它 Worker 专注于模型执行，确保多卡并行时的高效通信与协作.

动态 KV Cache 共享

在同一会话内或跨会话请求之间灵活共享 KV cache，减少重复计算与内存占用，实现更大的批量服务能力.

OpenAI API 兼容接口

提供与 OpenAI 完全兼容的 HTTP 接口，支持直接替换现有调用 OpenAI 的应用，无需修改客户端代码即可切换到 vLlm 服务

vLlm 安装

参考 vLlm 官网文档 https://docs.vllm.ai 或 GitHub https://github.com/vLlm-project/vLlm

docker安装示例：
docker run --runtime nvidia --gpus all \ -v ~/.cache/huggingface:/root/.cache/huggingface \ --env "HUGGING_FACE_HUB_TOKEN=<secret>" \ -p 8000:8000 \ --ipc=host \ vLlm/vLlm-openai:latest \ --model mistralai/Mistral-7B-v0.1

vLlm 默认从 Hugging Face 下载模型