Dans l'actualité
PD Serving of Qwen3.8-2.4T
vLLM · vLLM Team · Publié le · 3 min de lecture
En 30 secondes
- Ce qui s'est passé
- vLLM atteint 5000 tokens par GPU et 180 tokens générés par utilisateur en servant Qwen3.8-2.4T sur clusters GB300.
- Pourquoi ça compte
- Quand les ingénieurs optimisent la performance du serving de modèles de langage et cherchent des méthodologies de tuning reproductibles.
- Vigilance
- Les résultats sont spécifiques à Qwen3.8-2.4T sur GB300; l'estimation mémoire CUDA graph suralloue souvent, réduisant la disponibilité du cache KV.
- llm
- serving
- throughput
- vllm
- qwen
Les patterns derrière cette actualité
Chacun explique le fonctionnement de la technique, quand elle vaut son coût et où elle casse.
The Agent Architect
Un pattern, un compromis, une panne de production racontée. Un brief hebdomadaire court pour ceux qui construisent des systèmes agentiques.
Un email par semaine, désinscription en un clic. Votre adresse ne sert qu'à envoyer le brief.