Dans l'actualité
When One GPU Isn’t Enough: Serving GLM-5.3 Across Two NVIDIA DGX Stations with vLLM
NVIDIA Developer · Publié le · 3 min de lecture
En 30 secondes
- Ce qui s'est passé
- NVIDIA a démontré le déploiement de GLM-5.3, un modèle de 753 milliards de paramètres, sur deux DGX Stations via vLLM avec tensor parallelism et connectivité RDMA.
- Pourquoi ça compte
- Quand les ingénieurs doivent distribuer des modèles de langage frontier-scale dépassant la mémoire d'un seul GPU sur plusieurs machines tout en maintenant un endpoint d'inférence unifié.
- Vigilance
- Le débit se dégrade fortement en haute concurrence: 607,8 tokens par seconde à 16 requêtes concurrentes chute à 385,0 à 32 requêtes avec une latence de 453 secondes.
- llm
- quantiz
- 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.