Dans l'actualité
Taking vLLM Apart: A Practical Guide to Disaggregated Serving
vLLM · Martin Hickey (IBM Research) · Publié le · 3 min de lecture
En 30 secondes
- Ce qui s'est passé
- vLLM v0.30.0 ajoute le serving désagrégé, séparant l'inférence LLM en étapes distinctes de prefill, decode et tokenization CPU pour réduire la latence.
- Pourquoi ça compte
- Utilisez ceci quand la latence inter-token p99 rate votre SLO sous charge, ou quand les longs prompts à haute concurrence bloquent une seule instance.
- Vigilance
- La vitesse de transfert du KV cache entre prefill et decode est critique; les transferts lents peuvent dégrader le time-to-first-token par rapport au serving colocalisé.
- llm
- serving
- vllm
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.