SGLang#

SGLang – компонент DropApp для сервисного развертывания крупных языковых (LLM) и мультимодальных моделей. Он предназначен для обеспечения низкой задержки и высокой пропускной способности вывода (инференс) в различных конфигурациях, от одного GPU до крупных распределенных кластеров.

Основные функции:

• Быстрый фоновой режим выполнения:

  • Обеспечивает эффективное обслуживание с RadixAttention для оптимизации кеша префиксов.

  • Минимальная нагрузка на CPU благодаря собственному планировщику, что позволяет эффективно использовать ресурсы.

  • Разделение процессов заполнения и декодирования для повышения производительности.

  • Спекулятивное декодирование и непрерывная пакетная обработка для оптимизации обработки данных в реальном времени.

  • Использование механизма paged attention и возможность параллельной обработки тензоров, конвейеров, экспертов и данных для повышения скорости обработки.

  • Структурированные выходные данные и пакетное предварительное заполнение для более удобного управления потоками данных.

  • Квантование (FP4/FP8/INT4/AWQ/GPTQ) и многопакетная обработка с использованием нескольких LoRA для оптимизации моделей и уменьшения объема памяти.

• Широкая поддержка моделей:

  • Поддержка различных генеративных моделей (Llama, Qwen, DeepSeek, Kimi, GLM, GPT, Gemma, Mistral и др.), эмбеддинговых моделей (e5-mistral, gte, mcdse) и моделей вознаграждения (Skywork);

  • Легкая расширяемость для интеграции новых моделей;

  • Совместимость с большинством моделей Hugging Face и API OpenAI.

• Широкая поддержка аппаратного обеспечения, работает на:

  • GPU NVIDIA (GB200/B300/H100/A100/Spark);

  • GPU AMD (MI355/MI300);

  • CPU Intel Xeon;

  • TPU Google;

  • NPU Ascend;

  • и других.

• Интуитивно понятный интерфейс для разработки приложений LLM;

• Поддержка цепочечных вызовов генерации, продвинутых подсказок, управления потоками и внешних взаимодействий.