VLLM历次会议(2024.4)

Prefix Caching。预先算好KV cache，遇见公共前缀，复用之，避免再计算一遍。

场景：1. 多轮对话。2.公共的system prompt。

Guided Decoding(格式化输出)

通过Outlines工具实现。

支持正则表达式、JSON格式等。

输入：

输出：

MoE优化：

● Triton grouped GEMM kernel with tuned tile sizes

Marlin

增加Marlin Kernel，INT4 quantization时可加速。

Speculative Decoding

chunked-prefill的好处：

latency可以显著减少。VLLM continous batching是prefill优先。Sarathi-Serve用了chunked-prefill。VLLM后续会做这个。