Azure官宣支持VLLM

VLLM支持AMD芯片

支持Mixtral MoE，支持DeepSeek MoE

性能优化 （以下4招，总共将吞吐量提升50%，延迟降低40%）

1. PageAttention V2  （同一个Q，和不同的KV的计算，分散在多个SM上；计算得到了并行）

2. CUDA Graph

CPU侧，python/pytorch，改为CUDA Graphs后，可使总延迟减少40%。

3. 这是TP还是每个model独立？

4. 小数据上，使用One-shot AllReduce，比NCCL的Ring-AllReduce，更快：

技术报告：https://github.com/vllm-project/vllm/files/13574639/Latency-optimal.allreduce.and.cuda.graph.optimization.pdf

PR: Custom all reduce kernels by hanzhi713 · Pull Request #2192 · vllm-project/vllm · GitHub

传输数据量小时，latency-bound，因此NCCL的double-tree和ring-allreduce的延迟较大。

one-shot的实现，是all-to-all，每个node一把读取所有node上的整个数组。因此延迟为1。但带宽浪费较大。

two-shot的实现，是先reduce-scatter，每个node读取所有node上的一部分数组，加和之后，再all-gather广播到所有node使得每个node上有完整的加和后数组。因此延迟为2，省带宽。

文中还提到了bufferfly allredue:

以上图中是完整bufferfly allreduce。他文中用的是half版，也就是一上来每个stage都是加和完整的数组。这样，就不需要最后的broadcast那一半stages了，减少了一半的延迟（但带宽消耗增大了）。

新功能

1. 支持AMG GPU

2. 支持多个LoRA同时加载。

3. 支持量化：GPTQ，AWQ，SqueezeLM，FP8-E5M2 KV cache

4. Prefix caching。新请求复用老请求的公共前缀的KV-Cache，避免重新计算的开销。