推理框架

aisimulate分析(一)——算子workload建模AISimulate predicts LLM serving behavior and searches for strong deployment configurations offline, without bringing up a GPU serving cluster. AISimulate is the successor to the AIConfigurator (AIC) repository.

天涯明月1993

SGLang 设计与实现——RadixAttention 与前后端协同，让 KV 缓存不再用完即弃工程视角拆 SGLang：动机、前后端协同、RadixAttention、约束解码、零开销调度、投机解码、分布式与实测。版本基线：SGLang v0.5.x（2026 年中），论文 NeurIPS 2024。

AI技术新视界

哪些推理框架支持 N‑Gram Engram 表offload(卸载)到SSD截至 2026年9月，随着 DeepSeek 密集发布包含 Engram 架构的新模型（如最新推出的 DeepSeek-V4.1-Flash，其中包含高达 197B 的 N-Gram 记忆表），开源推理框架生态对 Engram 的支持正在迎来爆发期。 [1] 将 Engram 表 offload（卸载）到 SSD 硬盘或 CPU RAM（主机内存），是这一代架构的核心技术红利。因为 Engram 的查表索引仅由输入 Token 决定（与模型中间层的激活值无关），这意味着推理引擎可以在 Attention

vllm分析(八)——deepseek v4 Attention (SWA + CSA + HCA)DeepseekV4Attention DeepseekV4MultiHeadLatentAttentionWrapper

vllm分析(七)——模型结构分析(llama, qwen3moe)模型权重 DeepSeek-R1-Distill-Llama-70B 模型参数 DeepSeek-R1-Distill-Llama-70B/config.json

FlexKV 分析(三)——缓存的异步读写操作KVTaskEngine 继承自 KVTaskManager，负责管理 KV 缓存的异步读写操作。 KVTaskEngine 中实现的缓存操作相关接口：

vllm分析(六)——KV cache offloadKV cache offload到外部存储（比如本机cpu内存），依然使用connector接口。不管是pd分离场景的KV cache 传输]还是KV cache offload， KV cache需要有两个过程：store(存储到外部) 和 load（从外部加载）。为了处理load和store，vllm的scheduler和worker之间传递信息。pd分离场景的kv cache的处理，参考上一篇博客。

vllm分析(二)——http request的入口处理创建流程代码调用output_handler代码： https://github.com/vllm-project/vllm/blob/v0.20.1/vllm/v1/engine/async_llm.py#L656 OutputProcessor.process_outputs代码： https://github.com/vllm-project/vllm/blob/v0.20.1/vllm/v1/engine/output_processor.py#L572

KV Cache与vLLM、SGLang推理框架全文链接 KV Cache与vLLM、SGLang推理框架本文介绍 KV Cache 在大模型推理中的地位与资源估算、vLLM 与 SGLang 的异同、二者对 KV Cache 的利用方式、使用策略与首字延迟的关系，以及基于两者部署小模型并进行对话验证的步骤。

flashinfer attention kernel分析[1] 万字长文详解FlashAttention v1/v2 [2] From Online Softmax to FlashAttention [3] flash attention1和2 [4] Flash Decoding 原理与实现 [5] FA2中Flash-decoding 第二阶段reduce sum计算公式推导 [6] VLLM 学习- Paged Attention Kernel 解析

xllm源码分析(四)——pd分离处理流程[1] pd分离在vllm中用法 [2]vLLM PD分离方案入门：核心概念、优势与适应场景梳理xllm在pd分离场景中，主要逻辑集中在DisaggPDScheduler。

xllm源码分析(一)——服务启动xllm是使用c++语言构建的大模型推理服务器。代码地址：https://gitee.com/mirrors/xllm 技术报告：https://arxiv.org/html/2510.14686v1

Xorbits Inference（Xinference）：一款性能强大且功能全面的大模型部署与分布式推理框架Xorbits Inference（Xinference）是一个性能强大且功能全面的分布式推理框架。可用于大语言模型（LLM），语音识别模型，多模态模型等各种模型的推理。通过Xorbits Inference，你可以轻松地一键部署你自己的模型或内置的前沿开源模型。

程序猿小三

基础篇| 全网最全详解12个大模型推理框架01 什么是框架?开始介绍之前, 我们先了解一下什么是框架?xx框架-IT人经常听到的名词。但是又有多少人知道框架的意思?

爱听歌的周童鞋

八. 实战：CUDA-BEVFusion部署分析-学习CUDA-BEVFusion推理框架设计模式自动驾驶之心推出的《CUDA与TensorRT部署实战课程》，链接。记录下个人学习笔记，仅供自己参考

【Kuiperinfer】笔记03 张量（Tensor）类设计与实现，单元测试解析张量的数据按照channels，rows，cols的顺序排放，主要包含以下部分：Tensor类需要提供高效的矩阵计算算法，同时也应该在软件工程的层面上优化接口。

我是有底线的