当前位置：首页 > news >正文

vLLM 性能优化实战：批处理、量化与缓存配置方案

news 2025/10/25 7:45:16

很多团队把它vLLM 当 demo 跑，但是其实这没把它系统能力发挥出来。这篇文章将介绍怎么让 vLLM 真正干活——持续输出高令牌/秒，哪些参数真正有用，以及怎么在延迟和成本之间做取舍。

先说 vLLM 到底好在哪

vLLM 提供 OpenAI 兼容的 API，核心是 continuous batching 加上 PagedAttention。PagedAttention 用分页管理 KV 缓存，内存复用做得很高效，能同时跑多个序列，GPU 占用率拉满，还能流式输出令牌。

并且工作流程不复杂。请求进来带着 prompt ，调度器把它们切成微批次喂给 GPU，KV 缓存存着注意力的键值对，PagedAttention 按页分配避免碎片。相似的 prompt 可以跨请求复用 KV 页，这就是前缀缓存。并行度和内存怎么分配由你定，这是性能调优的核心。

批处理大小

批处理越大吞吐量越高，但尾部延迟也跟着涨。得先想清楚场景：聊天类交互要的是低 TTFT（首令牌延迟），批次小点；批量任务或者 RAG 管道追求高吞吐，TTFT 长点能接受。

网关层得限制单请求的最大令牌数，不然一个大请求能把队列堵死。多个中等大小的 prompt 比少数巨型 prompt 效果好，continuous batching 在形状规整时效率最高。如果能按输出长度分类（短/中/长），就给每类跑独立的 vLLM worker，延迟会稳定很多。

前缀缓存算是白捡的性能

两个请求共享相同前缀时——系统提示词、few-shot 示例、检索的引导文本——vLLM 直接复用 KV 缓存。这是零成本加速。

怎么设计才能吃到这个红利？可以及逆行系统提示词跨租户标准化，few-shot 示例保持完全一致，变量放用户输入里别放示例里。RAG 场景就把模板和指令缓存起来，每个请求只追加检索到的事实。

量化可以性能倍增器

AWQ 或 RTN 做 4-bit 权重量化，内存省了不少，perplexity也几乎不掉，这是服务端点的默认选择。KV 缓存也能量化，缓存占用减少意味着能跑更多并发序列，但代价是超长生成时质量可能轻微下降。

经验如下：GPU 内存紧张、调度器塞不下足够多序列时就量化。更多并行序列带来的收益通常远超全精度权重那点质量提升。

并发参数这几个很重要

--max-num-seqs

限制并发序列数，A100 级别的卡从 64-128 起步，往上调到 TTFT 开始变差为止。

--max-model-len

别设成模型理论最大值，除非真需要那么长，限制小点意味着 KV 页小，并行度高。

--tensor-parallel-size

是把大模型切到多卡，NVLink 这种快速互连是必须的，批次得够大才能掩盖通信开销。

--gpu-memory-utilization

留 10-15% 余量，应对流量尖峰时的 OOM。

千万别把所有参数都拉满然后指望调度器自己搞定，这个一定要实测。

容量规划看令牌率而不是 QPS

两个请求 QPS 一样，令牌的预算可能天差地别。规划容量要用输入加输出的令牌/秒。设 C 是选定批处理形状下单 GPU 的持续令牌/秒，容量约等于 GPU 数量x C x 利用率。利用率保持在 70-85% 能吸收峰值，再高就该横向扩了。

有时候 90% 的利用率会莫名其妙的慢，所以尽量不要到达这个临界值。

生产配置

 # pull a vLLM image with your preferred model
docker run --gpus all --rm -p 8000:8000 \-v /models:/models \vllm/server:latest \--model /models/Qwen2.5-7B-Instruct-AWQ \--dtype auto \--tensor-parallel-size 1 \--max-num-seqs 128 \--max-model-len 4096 \--gpu-memory-utilization 0.9 \--enforce-eager \--trust-remote-code false

AWQ 模型做了权重 4-bit 量化，部署密度高。

--enforce-eager

避免混合流量下漫长的 CUDA graph 预热，流量模式统一且要 CUDA graph 优化时再关掉。

--trust-remote-code=false

在多租户环境保持安全。

OpenAI 兼容的请求写法如下：

 curl http://localhost:8000/v1/chat/completions \-H"Content-Type: application/json" \-d'{"model":"Qwen2.5-7B-Instruct-AWQ","messages":[{"role":"user","content":"Write a haiku about GPUs"}],"stream":true,"max_tokens":128,"temperature":0.3}'