[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-LLMServe--DistServe":3,"tool-LLMServe--DistServe":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",144730,2,"2026-04-07T23:26:32",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":74,"owner_location":74,"owner_email":74,"owner_twitter":74,"owner_website":74,"owner_url":75,"languages":76,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":104,"github_topics":74,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":137},5474,"LLMServe\u002FDistServe","DistServe","Disaggregated serving system for Large Language Models (LLMs).","DistServe 是一款专为大语言模型（LLM）设计的高性能分布式推理系统。它创新性地采用了“解耦”架构，将模型推理过程中的“预填充（Prefill）”和“解码（Decoding）”两个阶段分离开来独立运行。传统系统通常将这两个阶段混合处理，容易导致资源争抢和相互干扰，从而降低整体效率；而 DistServe 通过物理隔离这两个阶段，允许用户分别为其设置最优的并行策略和调度方案，显著提升了系统的吞吐量和响应速度。\n\n在技术实现上，DistServe 基于高性能 C++ 后端 SwiftTransformer，原生支持 FlashAttention、PagedAttention 及连续批处理等前沿加速技术，并能自动管理复杂的 KV 缓存通信与内存分配，让多卡或多节点部署像单机一样简便。目前它已支持 GPT-2、OPT 及 LLaMA2 等主流开源模型。\n\n这款工具非常适合需要构建高并发 LLM 服务的后端开发者、追求极致推理性能的研究人员，以及希望优化现有服务架构的系统工程师。如果你正面临大模型部署中的延迟瓶颈或资源利用率难题，DistServe 提供了一个优雅且高效的解决方案。","# DistServe\n\nDistServe improves the performance of large language models (LLMs) serving by disaggregating the prefill and decoding\ncomputation. Existing LLM serving systems colocate the two\nphases and batch the computation of prefill and decoding\nacross all users and requests. We find that this strategy not\nonly leads to strong prefill-decoding interferences but also\ncouples the resource allocation and parallelism plans for both\nphases. In DistServe, you can simply set the parallelism configs and scheduling strategies for the two phases and it will work just like a single instance which handles the KV-Cache communication and memory management automatically. \n\nIt utilizes a high-performance C++ Transformer inference library [SwiftTransformer](https:\u002F\u002Fgithub.com\u002FLLMServe\u002FSwiftTransformer) as the execution backend, which supports many features like model\u002Fpipeline parallelism, FlashAttention, Continuous Batching, and PagedAttention.\n\nIt supports:\n- GPT-2 (gpt2, gpt2-xl, ...)\n- OPT (facebook\u002Fopt-1.3b, facebook\u002Fopt-6.7b, ...)\n- LLaMA2 (meta-llama\u002FLlama-2-7b, meta-llama\u002FLlama-2-13b, ...)\n\n## Build && Install\n```shell\n# clone the project\ngit clone https:\u002F\u002Fgithub.com\u002FLLMServe\u002FDistServe.git && cd DistServe\n\n# setup the distserve conda environment\nconda env create -f environment.yml && conda activate distserve\n\n# clone and build the SwiftTransformer library  \ngit clone https:\u002F\u002Fgithub.com\u002FLLMServe\u002FSwiftTransformer.git && cd SwiftTransformer && git submodule update --init --recursive\ncmake -B build && cmake --build build -j$(nproc)\ncd ..\n\n# install distserve\npip install -e .\n```\n\n## Launching\n\n### Launch Ray Cluster\n\nDistServe relies on [Ray](https:\u002F\u002Fray.io) to implement distributed workers. If you do not launch a Ray runtime in advance, it will automatically initiate a cluster consisting of all the gpus on the current node. You may need to start the Ray runtime manually in advance if you want to use multiple nodes for inference.\n\n### Run offline example\n\nDistServe requires at least two GPUs to play with. We provide an offline inference example in `examples\u002Foffline.py`.\n\n### Run online example\n\nTo run online inference, you need to launch the DistServe API server, see the comments in `distserve\u002Fapi_server\u002Fdistserve_api_server.py`.\n\nThen launch the client example in `examples\u002Fonline.py`.\n\n### Evaluation\n\nTo reproduce all the experiments in our paper, please follow the [guidance](.\u002Fevaluation\u002FREADME.md).\n\n## Citation\nIf you use DistServe for your research, please cite our [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2401.09670):\n```\n@misc{zhong2024distserve,\n      title={DistServe: Disaggregating Prefill and Decoding for Goodput-optimized Large Language Model Serving}, \n      author={Yinmin Zhong and Shengyu Liu and Junda Chen and Jianbo Hu and Yibo Zhu and Xuanzhe Liu and Xin Jin and Hao Zhang},\n      year={2024},\n      eprint={2401.09670},\n      archivePrefix={arXiv},\n      primaryClass={cs.DC}\n}\n```\n","# DistServe\n\nDistServe 通过将预填充和解码计算分离，从而提升大型语言模型（LLMs）推理服务的性能。现有的 LLM 推理系统通常将这两个阶段部署在一起，并对所有用户和请求的预填充与解码计算进行批处理。我们发现，这种策略不仅会导致预填充和解码之间产生严重的干扰，还会将两个阶段的资源分配和并行化方案紧密耦合起来。而在 DistServe 中，用户只需为这两个阶段分别设置并行度配置和调度策略，它就能像单个实例一样自动处理 KV 缓存通信和内存管理。\n\nDistServe 使用高性能的 C++ Transformer 推理库 [SwiftTransformer](https:\u002F\u002Fgithub.com\u002FLLMServe\u002FSwiftTransformer) 作为执行后端，该库支持多种特性，如模型并行、流水线并行、FlashAttention、连续批处理以及分页注意力机制。\n\n支持的模型包括：\n- GPT-2 (gpt2, gpt2-xl, ...)\n- OPT (facebook\u002Fopt-1.3b, facebook\u002Fopt-6.7b, ...)\n- LLaMA2 (meta-llama\u002FLlama-2-7b, meta-llama\u002FLlama-2-13b, ...)\n\n## 构建与安装\n```shell\n# 克隆项目\ngit clone https:\u002F\u002Fgithub.com\u002FLLMServe\u002FDistServe.git && cd DistServe\n\n# 设置 DistServe 的 Conda 环境\nconda env create -f environment.yml && conda activate distserve\n\n# 克隆并构建 SwiftTransformer 库\ngit clone https:\u002F\u002Fgithub.com\u002FLLMServe\u002FSwiftTransformer.git && cd SwiftTransformer && git submodule update --init --recursive\ncmake -B build && cmake --build build -j$(nproc)\ncd ..\n\n# 安装 DistServe\npip install -e .\n```\n\n## 启动\n\n### 启动 Ray 集群\n\nDistServe 依赖 [Ray](https:\u002F\u002Fray.io) 来实现分布式工作节点。如果您未提前启动 Ray 运行时，它会自动在当前节点上初始化一个包含所有 GPU 的集群。若需使用多节点进行推理，则可能需要手动提前启动 Ray 运行时。\n\n### 运行离线示例\n\nDistServe 至少需要两块 GPU 才能运行。我们提供了一个离线推理示例，位于 `examples\u002Foffline.py`。\n\n### 运行在线示例\n\n要运行在线推理，您需要启动 DistServe API 服务器，请参阅 `distserve\u002Fapi_server\u002Fdistserve_api_server.py` 中的注释。\n\n随后，运行 `examples\u002Fonline.py` 中的客户端示例。\n\n### 评估\n\n要复现我们论文中的所有实验，请按照 [指南](.\u002Fevaluation\u002FREADME.md) 操作。\n\n## 引用\n\n如果您在研究中使用了 DistServe，请引用我们的论文：\n```\n@misc{zhong2024distserve,\n      title={DistServe: Disaggregating Prefill and Decoding for Goodput-optimized Large Language Model Serving}, \n      author={Yinmin Zhong and Shengyu Liu and Junda Chen and Jianbo Hu and Yibo Zhu and Xuanzhe Liu and Xin Jin and Hao Zhang},\n      year={2024},\n      eprint={2401.09670},\n      archivePrefix={arXiv},\n      primaryClass={cs.DC}\n}\n```","# DistServe 快速上手指南\n\nDistServe 通过解耦大语言模型（LLM）服务中的 **Prefill（预填充）** 和 **Decoding（解码）** 计算阶段，显著提升了服务性能。它允许用户独立配置两个阶段的并行策略与调度方案，并自动处理 KV-Cache 通信与内存管理。底层基于高性能 C++ 推理引擎 [SwiftTransformer](https:\u002F\u002Fgithub.com\u002FLLMServe\u002FSwiftTransformer)，支持 FlashAttention、PagedAttention 等特性。\n\n## 环境准备\n\n*   **操作系统**：Linux (推荐 Ubuntu)\n*   **硬件要求**：至少 **2 块 GPU**（用于演示解耦效果）\n*   **软件依赖**：\n    *   Git\n    *   Conda (推荐 Miniconda 或 Anaconda)\n    *   CMake\n    *   CUDA Toolkit (需与显卡驱动及 PyTorch 版本兼容)\n    *   Ray (分布式框架，安装脚本中会自动处理部分依赖)\n\n> **提示**：国内开发者建议在创建 Conda 环境和 pip 安装时使用清华源或阿里源以加速下载。\n\n## 安装步骤\n\n请依次执行以下命令完成项目克隆、环境构建及编译安装：\n\n```shell\n# 1. 克隆项目代码\ngit clone https:\u002F\u002Fgithub.com\u002FLLMServe\u002FDistServe.git && cd DistServe\n\n# 2. 创建并激活 Conda 环境\n# 国内加速建议：在 environment.yml 中修改渠道源，或手动创建环境后安装依赖\nconda env create -f environment.yml && conda activate distserve\n\n# 3. 克隆并编译后端推理库 SwiftTransformer\ngit clone https:\u002F\u002Fgithub.com\u002FLLMServe\u002FSwiftTransformer.git && cd SwiftTransformer\ngit submodule update --init --recursive\n\n# 编译构建 (使用所有可用核心加速编译)\ncmake -B build && cmake --build build -j$(nproc)\ncd ..\n\n# 4. 安装 DistServe 包\n# 国内加速建议：pip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\npip install -e .\n```\n\n## 基本使用\n\nDistServe 依赖 **Ray** 进行分布式任务调度。\n\n### 1. 启动说明\n*   **单机多卡**：若未预先启动 Ray 集群，DistServe 会自动检测当前节点的所有 GPU 并初始化集群。\n*   **多机部署**：若需跨节点推理，请先手动启动 Ray 集群 (`ray start --head` 等)。\n\n### 2. 离线推理示例 (Offline Inference)\n这是最简单的测试方式，用于验证安装及基本功能。确保机器至少有 2 块可用 GPU。\n\n```shell\n# 运行离线示例脚本\npython examples\u002Foffline.py\n```\n\n### 3. 在线服务示例 (Online Serving)\n如需部署为 API 服务：\n\n1.  **启动 API 服务器**：\n    查看并配置 `distserve\u002Fapi_server\u002Fdistserve_api_server.py` 中的参数，然后运行该脚本启动服务。\n2.  **启动客户端测试**：\n    ```shell\n    python examples\u002Fonline.py\n    ```\n\n### 支持模型\n目前原生支持以下模型系列（可通过 HuggingFace ID 加载）：\n*   **GPT-2**: `gpt2`, `gpt2-xl` 等\n*   **OPT**: `facebook\u002Fopt-1.3b`, `facebook\u002Fopt-6.7b` 等\n*   **LLaMA2**: `meta-llama\u002FLlama-2-7b`, `meta-llama\u002FLlama-2-13b` 等","某大型电商客服平台需在晚高峰期间，利用 LLaMA2-13B 模型实时处理成千上万个用户的复杂咨询请求。\n\n### 没有 DistServe 时\n- **资源相互干扰严重**：长文本的“预填充”（Prefill）计算与短回复的“解码”（Decoding）阶段混在同一 GPU 上运行，导致高负载时解码延迟飙升，用户感到明显的卡顿。\n- **调度策略僵化**：系统无法针对不同阶段独立调整并行度，为了照顾耗时的预填充，不得不牺牲解码阶段的吞吐量，整体响应速度受限。\n- **显存管理低效**：由于两阶段耦合，KV Cache 内存分配难以优化，频繁出现显存碎片或溢出，迫使系统拒绝部分并发请求。\n- **扩容成本高昂**：为维持高峰期服务质量，被迫过度配置 GPU 数量，造成非高峰时段算力大量闲置浪费。\n\n### 使用 DistServe 后\n- **计算阶段彻底解耦**：DistServe 将预填充和解码任务拆分到不同的专用实例运行，消除了阶段间干扰，确保了解码阶段的低延迟和流畅性。\n- **独立优化并行策略**：团队可为预填充阶段设置高吞吐并行配置，同时为解码阶段定制低延迟策略，两者互不影响，最大化硬件利用率。\n- **自动化显存调度**：系统自动高效管理跨实例的 KV Cache 通信与内存，显著减少碎片，支持更高的并发连接数而不崩溃。\n- **性价比显著提升**：在同等硬件规模下，系统的好放率（Goodput）大幅提升，无需额外增加显卡即可平稳度过流量洪峰。\n\nDistServe 通过架构级的解耦设计，让大模型服务在应对高并发混合负载时，同时实现了极致的低延迟与高吞吐。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLLMServe_DistServe_546df5e7.png","LLMServe","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FLLMServe_a7528cf6.png",null,"https:\u002F\u002Fgithub.com\u002FLLMServe",[77,81,85],{"name":78,"color":79,"percentage":80},"Jupyter Notebook","#DA5B0B",63.6,{"name":82,"color":83,"percentage":84},"Python","#3572A5",35.6,{"name":86,"color":87,"percentage":88},"Shell","#89e051",0.8,798,91,"2026-04-06T07:51:42","Apache-2.0",4,"Linux","必需，至少需要 2 块 NVIDIA GPU（支持模型\u002F流水线并行），具体显存大小和 CUDA 版本未说明（依赖后端 SwiftTransformer 及所选模型大小）","未说明",{"notes":98,"python":99,"dependencies":100},"1. 必须使用 conda 创建环境（基于 environment.yml）。2. 需要手动克隆并编译 C++ 后端库 SwiftTransformer。3. 运行离线示例至少需要 2 块 GPU。4. 若需多节点推理，需手动启动 Ray 集群，否则默认使用当前节点所有 GPU。5. 支持 GPT-2、OPT 和 LLaMA2 系列模型。","未说明（通过 environment.yml 配置）",[101,102,103],"Ray","SwiftTransformer (C++ backend)","conda",[35,14],"2026-03-27T02:49:30.150509","2026-04-08T18:15:07.819927",[108,113,118,123,128,133],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},24862,"DistServe 底层跨 Group 的 KV Cache 传输使用的是什么库？是否支持跨节点传输？","目前 DistServe 使用 CUDA IPC 内存处理器配合 cudaMemcpy 进行传输。这种方式仅适用于单机内（Intra-node）通过 NVLink 通信，无法直接实现跨节点（Inter-node）的 KV Cache 传输。如果需要将 KV Cache 发送到另一个节点，需要使用如 nvshmem 等其他技术。","https:\u002F\u002Fgithub.com\u002FLLMServe\u002FDistServe\u002Fissues\u002F22",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},24863,"在 Prefill 和 Decode 配置相同的情况下，为什么 DistServe 的论文结果显示 TTFT（首字延迟）有提升？","论文中比较的核心指标是 Goodput（有效吞吐量），即同时满足 TTFT 和 TPOT（令牌生成时间）服务等级目标（SLO）的请求量，而不仅仅是单纯的 TTFT 延迟。DistServe 通过预填充与解码分离的架构优化了整体调度效率，从而在满足 SLO 的前提下提升了有效吞吐量。此外，论文实验中的具体配置（如 DistServe 采用 4-1-2-2 策略 vs vLLM 的 tp4）也会影响最终的性能表现对比。","https:\u002F\u002Fgithub.com\u002FLLMServe\u002FDistServe\u002Fissues\u002F18",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},24864,"是否可以通过将 KV Cache 流水线化存储到 Prefill 机器上来提升显存利用率？","虽然这是一个很好的想法，但目前不可行。主要原因是 NVLink 带宽相对于 GPU 显存带宽（VRAM BW）不足。数据显示，A100\u002FH100 等显卡的显存带宽是 NVLink 带宽的 2.6 到 4.4 倍。如果在层计算后立即将 KV Cache 换出到 Prefill 机器，NVLink 的传输速度将成为瓶颈，导致性能下降而非提升。","https:\u002F\u002Fgithub.com\u002FLLMServe\u002FDistServe\u002Fissues\u002F3",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},24865,"DistServe 是否支持异构推理（例如混合使用 A40 和 A30 显卡）？","目前不支持非 NVLink 连接的异构环境。DistServe 的底层实现依赖 `cudaIpcOpenMemHandle` 和 `cudaMemcpy2DAsync` 接口，这要求 GPU 之间必须通过 NVLink 直接互联。如果显卡之间没有 NVLink 连接（例如仅通过 PCIe 连接的不同型号显卡），程序会报错。若要通过 PCIe 通信，数据需经过 CPU 中转，但这不在当前原生支持范围内。","https:\u002F\u002Fgithub.com\u002FLLMServe\u002FDistServe\u002Fissues\u002F34",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},24866,"运行 offline.py 时遇到 \"CUDA error: no kernel image is available for execution on the device\" 错误如何解决？","该错误通常是因为构建 Docker 镜像或编译内核时，nvcc 编译器未能识别到当前的 GPU 架构。解决方法是在构建 Docker 镜像的过程中，确保 GPU 对构建环境可见。建议在 Dockerfile 中插入 `RUN nvidia-smi` 命令来验证构建时 GPU 是否被正确识别。如果构建时看不到 GPU，nvcc 将无法生成对应架构的二进制代码，从而导致运行时错误。","https:\u002F\u002Fgithub.com\u002FLLMServe\u002FDistServe\u002Fissues\u002F52",{"id":134,"question_zh":135,"answer_zh":136,"source_url":112},24867,"随着请求率提高，系统进入瓶颈阶段且 Swap 操作频繁，这是由什么引起的？","当请求率提高导致吞吐量进入瓶颈时，通常是因为解码阶段触发了频繁的 Swap 操作（将 KV Cache 卸载到 CPU）。虽然 CPU Swap 空间提供了更大的容量，但有限的 GPU 算力和频繁的 PCIe 数据交换开销成为了新的瓶颈因素。在不增加 GPU 数量的情况下，这需要权衡显存容量与数据传输开销，目前的优化方向主要集中在减少不必要的 Swap 触发或利用更高效的互联带宽。",[]]