长上下文解码每请求只留 4KB KV，SGLang 高吞吐推理服务在优化哪几件事

长上下文解码每请求只留 4KB KVSGLang 高吞吐推理服务在优化哪几件事【免费下载链接】sglangSGLang is a high-performance serving framework for large language models and multimodal models.项目地址: https://gitcode.com/GitHub_Trending/sg/sglang把并发从 10 拉到 100最先崩的是 KV Cache 的显存。SGLang 是一个面向 LLM 和视觉语言模型的高吞吐推理框架它的解法是解码时 GPU 上只留一块固定大小的热 KV完整缓存放到主机内存。它到底解决了什么SGLang 定位很单一把模型喂饱并发把显存省到能塞下更多请求。它不训练模型只做推理服务。真正吃显存的是两处一是长上下文里每个请求的完整 KV 都要躺在 GPU 上二是 MoE 模型在张量并行下 KV 会被重复存一份到每张卡。对 MoESGLang 用数据并行注意力DPA加专家并行EP。每个 DP 副本接一个独立的 batch各存各的 KV不再全卡重复。专家子组之间的 token 走 All2All 分发算完再 All2All 收回来落到原来的 token 位置。这样单 KV 头的模型比如 DeepSeek 系列就不再为每张卡多存一份 KVbatch 上限直接放开。这张图就是 DPAEP 的调度形态。上面一排 DP MLA rank 各领一个 batch中间两层黄色是 All2All 的 dispatch 和 combine下面四个专家子组并行算算完把结果送回原 batch。左边蓝色是 prefill 阶段绿色是 decode 阶段。核心机制拆解一条请求怎么流过去请求进来怎么走。输入是 HTTP 请求。Tokenizer 把文本切成 token封装成请求对象扔进等待队列。输出是排队等待调度的请求。多 tokenizer 实例可以分摊切词避免单核瓶颈。调度怎么选下一个 batch。输入是等待队列加已用的 KV 前缀。调度器按策略挑下一批带缓存复用就按最长前缀匹配LPM排序没复用就按到达顺序或 DFS 权重排。输出是一个能塞进显存、不会超并发上限的 batch。策略定义在 schedule_policy.py。注意力怎么算。输入是 batch 里的 query 和各层的 KV 布局。模型按选定的 attention backend 前向算 attentionMoE 层走上面的 All2All 分发。输出是每个位置的 logits。长上下文解码时如果开了 HiSparse这里只读 GPU 上那 top-k 个热位置不全量读。KV 怎么分层。这是 SGLang 省显存的主战场。输入是 token 前缀输出是可复用的 KV 槽位。设备上是 L1主机内存是 L2文件/NIXL/HF3FS/Mooncake 是 L3radix cache 决定留哪些、逐哪些。层级关系和每层的输入输出在 mem_cache/README.md 里写得很清楚。HiSparse 的做法是GPU 上只挂一块 4KB 左右 token 的设备缓冲完整 KV 放 CPU 固定内存每步解码按注意力分数选 top-k从主机换进设备算完再把上一个 token 的 KV 异步备份回去。它只对 DSA 类模型DeepSeek-V3.2、GLM-5.1、DeepSeek V4生效且必须配 PD 解耦只在 decode 实例上开。输出怎么吐出来。输入是 logits 采出来的 token id。Detokenizer 增量解码成文本流式推回客户端。输出是用户看到的逐字结果。几个真正影响性能的参数参数作用典型值调优方向mem_fraction_static留给权重和 KV 的显存比例0.8长上下文 OOM 就调低短请求可调高max_running_requests单实例并发请求上限256显存富余就往上抬chunked_prefill_size每次 prefill 切多大4096prefill 卡 decode 就调小page_sizeKV 分页单位64与 attention backend 对齐即可enable_dp_attention开 DPA 避免 MoE KV 重复TrueMoE 高并发必开dense 小模型无感这些项的完整定义在 server_arguments.mdx。DPA 与 SMG 的开关和 JSON 配置见 dp_dpa_smg_guide.mdxEP 部分见 expert_parallelism.mdx。HiSparse 的设备缓冲大小和 PD 解耦要求看 hisparse_guide.mdx。一个最小启动组合python -m sglang.launch_server \ --model-path deepseek-ai/DeepSeek-V3.2 \ --tp-size 8 --enable-dp-attention \ --dp-size 8 --mem-fraction-static 0.85什么情况下不建议用它dense 中小模型。HiSparse 只对 DSA 类稀疏注意力模型生效。你跑一个 Qwen 7B 或 Llama 8B稀疏解码那条路根本进不去拿到的就是普通 radix cache别为它多配。低并发单卡。DPAEP 的收益在并发上去之后才体现All2All 本身有固定开销。一张卡、每秒几个请求的场景这套并行反而拖慢延迟不如直接单实例。非 CUDA 平台的极致调优。核心调优 kernel 主要贴着 NVIDIA 走。ROCm、Ascend、XPU 都支持但优化路径覆盖不全追极限吞吐还是优先 NVIDIA。5 分钟跑通最小配置一条 docker run 起服务端口 30000docker run -p 30000:30000 \ -v ~/.cache/huggingface:/root/.cache/huggingface \ lmsysorg/sglang:latest \ python -m sglang.launch_server \ --model-path Qwen/Qwen3-8B --tp-size 1起来后发一条请求curl http://127.0.0.1:30000/v1/chat/completions \ -H Content-Type: application/json \ -d {model:default,messages:[{role:user,content:用一句话介绍 SGLang}]}预期是流式吐回一段介绍首 token 出来即开始打印。想试多模态quick_start里这类 VLM 请求的输出长这样想压吞吐直接跑 benchmarkbenchmark/mmlu/和benchmark/gsm8k/下有现成脚本改个模型路径就能对着你的部署跑准确性python/sglang/bench_serving.py压吞吐。【免费下载链接】sglangSGLang is a high-performance serving framework for large language models and multimodal models.项目地址: https://gitcode.com/GitHub_Trending/sg/sglang创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考