上一篇 12：PagedAttention 与 Continuous Batching 从机制层讲清了现代推理引擎的两块基石。本篇把视角拉回产品层：当一家公司要把一个 70B 级别的模型真正推到线上，到底该选哪个引擎？本文覆盖 vLLM、SGLang、TensorRT-LLM、TGI、LMDeploy、MindIE、llama.cpp / Ollama、DeepSpeed-MII 八大家族，从架构、性能、生态、部署模式、量化、结构化输出、多模态、社区活跃度等维度做横向拆解，最后给出一套”按硬件 × 场景”的选型决策树。

下图用 SVG 概括四大主流引擎 + 国产 + 端侧在”硬件层 / 核心优化 / 服务层”的分布。

一、引擎全景

1.1 八大家族速览

此外还有： - MLX-LM：Apple Silicon 原生； - ExLlamaV2：社区量化推理引擎，面向单卡大模型； - Aphrodite-engine：vLLM 分支，加了更多 sampler； - Nim（Nvidia）：在 TensorRT-LLM 之上的容器化产品封装； - RTP-LLM、rtp-llm（阿里）、FasterTransformer（Nvidia 已归档）； - TGI 的接替品 text-generation-launcher，HF 内部仍维护。

1.2 为什么这么多引擎

推理栈本质是 “模型前向 + KV cache + 调度 + 通信 + 服务化” 的组合。每个环节都可能被不同团队优化到极致：

• Nvidia 垄断 GPU → TensorRT-LLM 深度绑定 CUDA / cuBLAS / cuDNN / NCCL，允许使用闭源 kernel；
• 学术界 / 社区要跨硬件、要 hackable → vLLM、SGLang 走纯 PyTorch + Triton 路线；
• 云厂 / 大模型厂要定制调度、要做 PD 分离 → 基于 vLLM / SGLang fork；
• 端侧场景内存 / 指令集完全不同 → llama.cpp 走 CPU + Metal + GGUF；
• 国产 NPU 没有 CUDA → MindIE、MindFormers 单独一套。

2.1 架构要点

vLLM 的核心是 PagedAttention + Continuous Batching（上一篇详述）。v0 版本是经典 block-level KV 管理；2024 下半年开始的 v1 架构（2025 正式成为默认）做了几项关键重构：

• Scheduler 与 Worker 解耦：engine core 进程专管调度与 block 分配，worker 进程只做前向；
• Chunked prefill 默认打开：把长 prompt 切块与 decode 混跑，消除首 token 长尾；
• Prefix caching 默认打开：系统 prompt、RAG context 自动复用；
• OpenAI 兼容 server 完整化：/v1/chat/completions、/v1/embeddings、/v1/rerank、tool-call、reasoning content（DeepSeek-R1、QwQ）；
• 多模态统一 IO：Qwen-VL、LLaVA、Phi-Vision、Pixtral、InternVL 均走同一 multi_modal_data 接口；
• Speculative decoding 重构：支持 draft model、Medusa、MLP / Eagle、n-gram；
• Spec+PD 分离：基于 NIXL / MoonCake-style transfer 的 P-D 解耦实验特性。

2.2 生态位

vLLM 已成为绝大多数开源项目默认后端：

• Ray Serve、KServe、BentoML、Triton (vLLM backend) 都有官方集成；
• SkyPilot 一行 sky serve up vllm.yaml 即可上云；
• Hugging Face 文本模型发布页多数都附一段 vllm serve 命令；
• 国内 阿里 PAI-EAS、火山方舟、百度千帆 在自托管模式下大量基于 vLLM fork；
• xAI Grok 早期、DeepSeek API、Qwen API、Moonshot Kimi 都公开或半公开承认生产环境使用 vLLM 或其 fork。

2.3 启动示例

# 单机 4 卡 TP，Qwen2.5-7B-Instruct
pip install vllm==0.8.0

vllm serve Qwen/Qwen2.5-7B-Instruct \
  --tensor-parallel-size 4 \
  --gpu-memory-utilization 0.92 \
  --max-model-len 32768 \
  --enable-prefix-caching \
  --enable-chunked-prefill \
  --served-model-name qwen2.5-7b \
  --port 8000

调用：

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen2.5-7b",
    "messages": [{"role":"user","content":"用一句话解释 PagedAttention"}],
    "max_tokens": 128
  }'

三、SGLang：后起之秀

3.1 核心创新

SGLang（Structured Generation Language）最初是 LMSYS 团队为复杂 prompt 结构（多轮、多分支、工具调用）设计的 DSL，后来逐渐把底层 runtime 单独抽出成一个高性能推理引擎。关键点：

• RadixAttention：用 radix tree 组织所有历史请求的 KV cache，前缀自动共享。对 system prompt、few-shot、RAG context、多轮对话的命中率远超 vLLM 经典 prefix caching；
• Token Attention + FlashInfer：与 FlashInfer 深度绑定，attention kernel 常年领先；
• Zero-overhead batch scheduler：Python 调度器 + CUDA graph + overlap scheduling，把 scheduling overhead 压到接近 0；
• 结构化输出：集成 xgrammar（LMSYS 自研的 GBNF 解析 + token mask 生成器），JSON / 正则 / EBNF 约束生成的吞吐损失 <5%，远好于 outlines 动态 FSM；
• DeepSeek-V3 / R1 官方推荐：DeepSeek 团队 repo 里直接给 SGLang 启动脚本，MLA、DP attention、EP（Expert Parallelism）在 SGLang 上最先落地；
• PD 分离原生：从 2025 年开始支持 prefill / decode 分离，内置 Mooncake transfer engine。

3.2 启动示例

pip install "sglang[all]"

python -m sglang.launch_server \
  --model-path Qwen/Qwen2.5-7B-Instruct \
  --tp 4 \
  --mem-fraction-static 0.9 \
  --context-length 32768 \
  --enable-torch-compile \
  --port 30000

OpenAI 兼容调用：

curl http://localhost:30000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "default",
    "messages": [{"role":"user","content":"输出 JSON: {\"city\":\"Beijing\"}"}],
    "response_format": {
      "type": "json_schema",
      "json_schema": {
        "name": "city_info",
        "schema": {"type":"object","properties":{"city":{"type":"string"}},"required":["city"]}
      }
    }
  }'

3.3 SGLang vs vLLM 设计哲学差异

四、TensorRT-LLM：Nvidia 极致性能

4.1 架构与定位

TensorRT-LLM 建在 TensorRT 之上，本质是一个”为 LLM 特化的编译栈”：

• Builder → Engine：把模型编译成 .engine plan file，针对 SM 架构（SM80/SM89/SM90/SM100）生成对应 kernel；
• Custom plugins：MHA / Paged KV / MoE / quantization 均有手写 CUDA plugin；
• In-flight batching（IFB）：等价于 vLLM 的 continuous batching；
• Paged KV cache：TRT-LLM 自己的 paged 实现，block size 可配；
• FP8 first-class：Hopper 上的 FP8 通路最完整，E4M3 权重 + FP8 GEMM + FP8 KV cache；
• Triton Inference Server backend：tensorrtllm_backend 提供 gRPC / HTTP 服务化；
• Nvidia Nim：在 TRT-LLM 之上的商业化容器镜像。

4.2 优势与代价

优势：

• Nvidia 硬件上的 延迟与吞吐天花板，Hopper / Blackwell 上尤其明显；
• 官方支持 FP8、NVFP4、SmoothQuant、AWQ、GPTQ 多种量化；
• Speculative decoding、Medusa、Eagle、ReDrafter 官方实现；
• 与 Triton 无缝对接，企业部署栈完善。

代价：

• 需要”编译”步骤，模型改动、精度切换、TP 大小变更都要重编译；
• 对新模型结构支持滞后于 vLLM / SGLang 约 1–4 周；
• 部分 kernel 闭源（NGC 二进制），调试困难；
• 仅支持 Nvidia，没有跨硬件可能性。

4.3 启动示例

# 1. 转换权重
python convert_checkpoint.py \
  --model_dir Qwen2.5-7B-Instruct \
  --output_dir ./ckpt \
  --dtype bfloat16 \
  --tp_size 4

# 2. 编译引擎
trtllm-build \
  --checkpoint_dir ./ckpt \
  --output_dir ./engines/qwen2.5-7b-tp4 \
  --gemm_plugin bfloat16 \
  --max_batch_size 256 \
  --max_input_len 30000 \
  --max_seq_len 32768 \
  --use_paged_context_fmha enable

# 3. 通过 Triton 启动
tritonserver --model-repository=./triton_model_repo

五、TGI：先驱者的退场

5.1 简史

TGI 是 HuggingFace 2022 年底推出的推理服务，在 vLLM 出现之前是开源界唯一能把 LLaMA、BLOOM 这类模型高效服务化的选择。功能上：

• Continuous batching（叫 “rolling batch”）；
• Flash Attention、Paged Attention（晚于 vLLM 接入）；
• 量化：bitsandbytes、GPT-Q、EETQ、AWQ、Marlin；
• Rust HTTP server + Python worker，性能稳定。

5.2 为什么式微

• 2023 年底一度改 license 为 HFOIL（禁止商业竞品使用），生态受伤严重；
• 随后虽改回 Apache-2.0，但主力用户已迁至 vLLM；
• 功能迭代节奏慢于 vLLM（尤其在 MoE、多模态、speculative decoding、结构化输出上）；
• HF 内部产品线 text-generation-inference 与 text-embeddings-inference、text-generation-router 依然活跃，但更多是 HF Inference Endpoints 服务内部使用，不再是社区默认。

结论：2025 年的新项目，除非已经在 HF Endpoints 上，否则无强理由选 TGI。

六、LMDeploy / MindIE / 端侧引擎

6.1 LMDeploy（上海 AI Lab）

LMDeploy 是国产开源引擎中最完整的一个：

• TurboMind 后端：手写 C++/CUDA kernel，对 InternLM、Qwen、Llama 支持良好，小并发延迟极好；
• PyTorch 后端：面向新模型快速适配；
• W4A16 / W8A8 / AWQ / SmoothQuant / FP8 量化齐全；
• 工具链：lmdeploy chat、lmdeploy serve、lmdeploy lite（量化校准）。

使用体验上，TurboMind 在 A100 / H800 单机 7B 模型小并发场景延迟优于 vLLM 默认配置；但大并发、新模型支持速度不如 vLLM。

6.2 MindIE（华为昇腾）

MindIE 是 昇腾 910B / 910C / 310P 上的唯一商业推理引擎，闭源：

• 对标 vLLM，提供 OpenAI 兼容 API；
• 依赖 CANN / ATB（Ascend Transformer Boost）底层；
• 支持 Qwen、Llama、DeepSeek 系列；
• 在华为 Atlas 推理服务器、银行 / 运营商私有云中是事实标准；
• 新模型适配需华为团队配合，社区贡献通道有限。

对一般开发者：没有昇腾卡不用关心；有昇腾卡则基本只能用 MindIE（或 MindFormers）。

6.3 llama.cpp / Ollama / MLX

• llama.cpp：纯 C/C++，CPU + CUDA + Metal + Vulkan + SYCL + HIP 全后端；GGUF 格式是端侧量化事实标准；
• Ollama：llama.cpp 之上的包管理 + daemon + OpenAI API，面向开发者笔电；
• MLX-LM：Apple Silicon 原生（统一内存 + Metal），在 M 系列芯片上比 llama.cpp Metal 后端快 1.5–2×；
• LM Studio / Jan：GUI 包装。

端侧场景下选型基本就是：Mac 用 Ollama 或 MLX，Windows / Linux 桌面用 Ollama，嵌入式用 llama.cpp 直接编译。

6.4 DeepSpeed-MII

微软出品，与 DeepSpeed-Inference 一脉相承，支持 ZeRO-Inference、张量并行、混合精度。优势在于能直接吃 DeepSpeed 训练产物，但社区活跃度早已落后 vLLM，生产部署不推荐作为首选。

七、核心技术对照

7.1 KV cache 管理

RadixAttention 的直观优势：同一系统 prompt 下 1000 个用户的上下文，SGLang 仅需保留一份前缀 KV；vLLM 如果 prompt hash 不同（例如 few-shot 略有差异），则可能退化为各自独立存储。

7.2 Scheduling

• vLLM：continuous batching，v1 默认 chunked prefill；调度在 engine core 进程；
• SGLang：radix-aware scheduling + overlap（把 CPU 调度与 GPU 前向 overlap）+ CUDA graph；长输入会自动拆块；
• TensorRT-LLM：in-flight batching，C++ runtime 实现，调度极低开销但灵活性差；
• TGI：rolling batch，功能比较基础。

7.3 Attention kernel

FlashInfer 已成为开源引擎的共同依赖，其 page attention、append attention、MLA、cascade inference 都是业界最快实现之一。

7.4 量化支持

注：量化方案细节与校准方法将在 14 量化工程 中展开。

7.5 推测解码（Speculative Decoding）

SGLang 与 DeepSeek 紧密合作，DeepSeek-V3 / R1 的 MTP 层最早在 SGLang 落地；vLLM 紧随其后。推测解码细节留给 15 Speculative & MTP。

八、部署模式

8.1 单机单卡 / 多卡（TP）

• 7B 级别：单张 A10 / L20 / RTX 4090（24GB）足够，INT4 甚至能塞到 12GB；
• 32B 级别：2–4 卡 TP，bfloat16 需 ~64GB；
• 70B 级别：4–8 卡 TP，FP8 能压到 4 卡 H100；
• 200B+ MoE（DeepSeek-V3 671B、Qwen2-MoE）：必须多机 + EP（Expert Parallelism）+ DP + TP 组合。

8.2 多机（TP × PP × EP）

• TP（Tensor Parallel）：每层算子拆到多卡，对 NVLink / NVSwitch 带宽敏感；
• PP（Pipeline Parallel）：按层拆到多机，推理场景收益小（bubble + 延迟），通常只用于超大模型；
• EP（Expert Parallel）：MoE 专家拆到多卡多机，SGLang 与 vLLM 近期都已支持；
• DP attention：DeepSeek-V3 风格，attention 层走数据并行以避开 TP 的 KV 重复。

8.3 PD 分离（Prefill / Decode Disaggregation）

PD 分离是 2024–2025 年最大的一项架构演进，核心观察：prefill 是 compute-bound，decode 是 memory-bound，放一起互相踩踏。代表实现：

• DistServe（北大）：论文最早提出 PD 分离；
• Mooncake（月之暗面）：生产级 KV cache 池 + P/D 解耦 + 分布式调度，开源 mooncake-transfer-engine；
• vLLM v1 的 disagg 支持：通过 KVConnector 抽象接入 Mooncake / NIXL；
• SGLang PD：原生内置，启动时通过 --disaggregation-mode prefill|decode；
• TRT-LLM：Nvidia 在 2024Q4 后也放出 PD 分离 reference。

架构图（Mermaid）：

flowchart LR
  Client --> Router
  Router -->|prefill| Pworker1
  Router -->|prefill| Pworker2
  Pworker1 -- KV transfer --> Dworker1
  Pworker2 -- KV transfer --> Dworker2
  Dworker1 --> Client
  Dworker2 --> Client
  subgraph Prefill Pool
    Pworker1
    Pworker2
  end
  subgraph Decode Pool
    Dworker1
    Dworker2
  end

8.4 请求在各引擎的流转

sequenceDiagram
  participant U as User
  participant API as OpenAI-compat API
  participant Sch as Scheduler
  participant KV as KV Cache Manager
  participant W as Worker (GPU)

  U->>API: POST /v1/chat/completions
  API->>Sch: enqueue request
  Sch->>KV: lookup prefix (RadixTree / hash)
  KV-->>Sch: hit / miss + block ids
  Sch->>W: build batch (prefill+decode mix)
  W->>W: FlashAttention / FlashInfer
  W-->>Sch: logits
  Sch->>Sch: sample + constrained decode mask
  Sch-->>API: streaming tokens
  API-->>U: SSE chunks

九、生态 / 服务器

9.1 OpenAI 兼容 API

四大引擎都实现 OpenAI 兼容端点，但细节差异不可忽视：

9.2 服务化框架

• Nvidia Triton Inference Server：支持 TRT-LLM backend、vLLM backend、Python backend；企业 ops 栈成熟；
• KServe（Kubernetes）：通过 InferenceService CRD 托管 vLLM / TGI / TRT-LLM；
• Ray Serve：vLLM 官方集成，支持多副本调度 + 自动扩缩容；
• BentoML：简化 Python-first 打包；
• SkyPilot：跨云拉 spot 实例；
• 国产：阿里 PAI-EAS、火山方舟、百度千帆、腾讯 TI-ONE 都内置 vLLM / SGLang / TRT-LLM 镜像。

十、性能对比

10.1 公开 benchmark 数据（综合）

以下是综合 Anyscale、HF、LMSYS、Nvidia 2024Q4–2025Q1 公开数据在 Llama-3 8B / 70B、H100 SXM 下的相对结论（数字仅用于定量级比较，实际以业务负载为准）：

定性结论：

• 极致延迟 / 极致吞吐：TRT-LLM（尤其 FP8、Hopper / Blackwell）；
• 长前缀 / RAG / 多轮：SGLang（RadixAttention）；
• 通用 / 生态 / 适配新模型：vLLM；
• 企业 HF 深度用户：TGI 仍可用，新项目不推荐。

10.2 真实负载下的陷阱

公开 benchmark 常在”定长输入 + 定长输出”下测，而生产负载是重尾分布：

• 少量 long context（代码 / 文档问答）会拖垮 batch，需要 chunked prefill + PD 分离；
• tool-call 多轮会放大每轮调度开销，SGLang 与 vLLM v1 的 overlap scheduler 在这种场景优势明显；
• 多模态请求（图像 token 很多）会打爆 KV 预算，需要单独限流。

十一、选型决策

11.1 决策树

硬件？
 ├─ Nvidia GPU
 │    ├─ 追求极致延迟 / 已用 Triton / 商业闭源可接受 → TensorRT-LLM
 │    ├─ 追求开源可 hack / 新模型最快适配 → vLLM
 │    ├─ 结构化输出密集 / 长前缀 / DeepSeek 生态 → SGLang
 │    └─ 已在 HF Endpoints → TGI
 ├─ 华为昇腾 → MindIE（必选）
 ├─ AMD ROCm → vLLM（官方支持最好）/ SGLang（逐步跟进）
 ├─ Intel Gaudi / Habana → vLLM-fork-gaudi / Optimum
 ├─ Apple Silicon → MLX-LM / Ollama
 └─ CPU / 嵌入式 / 端侧 → llama.cpp / Ollama

模型规模？
 ├─ ≤13B，单机单卡 → 以上任一
 ├─ 30–70B，单机多卡 TP → vLLM / SGLang / TRT-LLM 均可
 ├─ 100B+ MoE → SGLang（EP + DP attention 最完善）/ vLLM v1
 └─ 超长上下文（128k+）→ SGLang / vLLM + PD 分离

约束？
 ├─ 强合规 / 信创 / 国产化 → LMDeploy / MindIE
 ├─ 低代码 / 快速 PoC → Ollama + OpenAI 兼容 API
 └─ 需要自定义调度 / 研究 → vLLM / SGLang（Python 层可改）

11.2 常见组合拳

• vLLM + Ray Serve + KServe：云原生最主流；
• TRT-LLM + Triton + Nim：Nvidia 全家桶，企业包；
• SGLang + Mooncake：Kimi / DeepSeek 风格 PD 分离大规模部署；
• LMDeploy TurboMind + Nginx：私有化小并发；
• Ollama：个人 / 小团队内部工具。

十二、工程经验与陷阱

12.1 关键参数调优

vLLM：

--gpu-memory-utilization 0.90   # 留 ~10% 给 CUDA workspace；太高易 OOM
--max-model-len 32768           # 超过训练长度会数值不稳
--max-num-seqs 256              # 并发上限
--max-num-batched-tokens 8192   # 单 step token 预算；决定 TTFT vs 吞吐
--enable-chunked-prefill        # v1 默认开
--enable-prefix-caching         # v1 默认开
--kv-cache-dtype fp8            # Hopper 上 2× KV 容量
--swap-space 16                 # CPU swap（v0 遗留，v1 建议 0）
--quantization awq              # or fp8 / gptq / bitsandbytes

SGLang：

--mem-fraction-static 0.88
--context-length 32768
--max-running-requests 256
--schedule-policy lpm           # longest-prefix-match，RadixAttention 配套
--enable-torch-compile          # 首次启动慢，稳态吞吐 +10%
--attention-backend flashinfer
--enable-dp-attention           # DeepSeek-V3 类场景
--disaggregation-mode null|prefill|decode

TensorRT-LLM：

# build 时
--max_batch_size 256
--max_input_len 30000
--max_seq_len 32768
--max_num_tokens 16384          # paged ctx fmha 关键参数
--use_paged_context_fmha enable
--use_fp8_context_fmha enable   # Hopper
--gemm_plugin fp8 / bfloat16
--gather_generation_logits      # speculative / logprobs 需要

12.2 多模态 / 工具调用常见坑

• 多模态：图像 token 数随分辨率指数增长（Qwen-VL min_pixels / max_pixels、InternVL dynamic patch），需在 gateway 层限流；
• Tool calling：不同模型 tool schema 不同（hermes、qwen、mistral、llama3、deepseek），vLLM --tool-call-parser / SGLang --tool-call-parser 需对应选择；
• Reasoning content：DeepSeek-R1、QwQ 的 <think> 段需要用 --reasoning-parser deepseek_r1 拆出，否则前端会把思考链当成回答显示；
• Prefix caching 与采样：temperature=0 + 长 system prompt 时 prefix 命中最高；但 seed 变化会让结果散开，影响调试；
• Chunked prefill 的尾延迟：开启后平均 TTFT 降低但 p99 可能升高，需业务观测。

12.3 观测指标

• 系统侧：GPU 利用率、SM 活跃度、HBM 带宽、NVLink 流量；
• 引擎侧：num_running、num_waiting、gpu_cache_usage_perc、prefix_cache_hit_rate、time_to_first_token、time_per_output_token、prompt_throughput、generation_throughput；
• 业务侧：按 route / 模型 / 租户拆分的 QPS、p50/p95/p99 延迟、token 成本。

vLLM 与 SGLang 均暴露 Prometheus /metrics，直接接 Grafana 即可，具体 dashboard 与 SLO 设计在 23 可观测性 展开。

十三、代码：同一 Qwen-7B 同时用 vLLM 与 SGLang 服务

目标：在同一台 4×H100 机器上，用 vLLM 起 :8000，SGLang 起 :30000，用同一脚本压测比较。

13.1 启动

# 终端 1：vLLM
CUDA_VISIBLE_DEVICES=0,1,2,3 \
vllm serve Qwen/Qwen2.5-7B-Instruct \
  --tensor-parallel-size 4 \
  --gpu-memory-utilization 0.90 \
  --max-model-len 32768 \
  --enable-prefix-caching \
  --enable-chunked-prefill \
  --served-model-name qwen \
  --port 8000

# 终端 2：SGLang（另一台机器或另一组 4 卡）
CUDA_VISIBLE_DEVICES=4,5,6,7 \
python -m sglang.launch_server \
  --model-path Qwen/Qwen2.5-7B-Instruct \
  --tp 4 \
  --mem-fraction-static 0.88 \
  --context-length 32768 \
  --enable-torch-compile \
  --schedule-policy lpm \
  --port 30000

13.2 统一压测脚本

import asyncio, time, httpx, statistics, random

PROMPTS = [
    "用一句话解释 PagedAttention。",
    "写一个 Python 函数反转字符串。",
    "解释 RadixAttention 与 PagedAttention 的关键差异。",
    "写一首五言绝句描写推理引擎。",
]

async def one(client, url, model):
    p = random.choice(PROMPTS)
    t0 = time.time()
    r = await client.post(url, json={
        "model": model,
        "messages": [{"role":"user","content": p}],
        "max_tokens": 256,
        "temperature": 0.0,
    }, timeout=120)
    dt = time.time() - t0
    n = r.json()["usage"]["completion_tokens"]
    return dt, n

async def bench(url, model, concurrency=64, total=512):
    async with httpx.AsyncClient() as client:
        sem = asyncio.Semaphore(concurrency)
        async def wrap():
            async with sem:
                return await one(client, url, model)
        results = await asyncio.gather(*[wrap() for _ in range(total)])
    latencies = [x[0] for x in results]
    tokens = sum(x[1] for x in results)
    elapsed = max(latencies)
    print(f"{url}: p50={statistics.median(latencies):.2f}s "
          f"p95={sorted(latencies)[int(len(latencies)*0.95)]:.2f}s "
          f"throughput={tokens/elapsed:.1f} tok/s")

if __name__ == "__main__":
    asyncio.run(bench("http://localhost:8000/v1/chat/completions", "qwen"))
    asyncio.run(bench("http://localhost:30000/v1/chat/completions", "default"))

在笔者测试的典型场景（4×H100、concurrency=64、短 prompt 长回答）下，两者吞吐差距在 ±10% 以内；一旦加大 system prompt 到 2k token 并保持 64 并发，SGLang 吞吐领先 30–50%，这正是 RadixAttention 的主战场。

十四、社区现状与趋势

14.1 贡献者与 governance

• vLLM：2024 年 11 月正式加入 PyTorch Foundation 管理，贡献者超过 900 人，主要 maintainer 来自 UC Berkeley、Anyscale、Roblox、NeuralMagic / Red Hat、Nvidia、Meta、Google 等；
• SGLang：LMSYS 发起，xAI、DeepSeek、NovaSky、Berkeley Sky 深度参与，贡献者约 400+；
• TRT-LLM：Nvidia 自研，外部贡献主要集中在模型适配与 bug 修复；
• TGI：HF 内部维护，外部 PR 接受度有所下降。

14.2 趋势判断

1. vLLM 仍将是开源事实标准：生态最广、文档最全、云厂默认；
2. SGLang 会在”大规模生产部署”方向继续领先：PD 分离、MTP、结构化输出；
3. 两者正在相互抄作业：chunked prefill、prefix caching、radix 化 block table、xgrammar 集成都在双向流动；
4. TRT-LLM 会保持”Nvidia 旗舰硬件天花板”，但在非 Nvidia 场景不存在；
5. 国产引擎（LMDeploy、MindIE、RTP-LLM） 会在信创与自有模型生态里守住阵地，但不会成为国际主流；
6. 端侧 llama.cpp / MLX / Ollama 会随着小模型（3B / 1B）能力上升变得越来越重要，催生”端云协同”架构。

十五、深入：两个引擎 Python 代码路径对照

为了把”架构差异”落到”代码差异”，下面用高度简化的伪代码对比 vLLM v1 与 SGLang 在一次请求生命周期内的关键路径。

15.1 vLLM v1：请求落入 EngineCore

# 简化版 vllm/v1/engine/core.py
class EngineCore:
    def __init__(self, ...):
        self.scheduler = Scheduler(...)       # continuous batching
        self.kv_cache_manager = KVCacheManager(block_size=16)
        self.model_executor = ModelExecutor(...)

    def add_request(self, req):
        # 1. prefix hash 查找 block 复用
        hits, new_blocks = self.kv_cache_manager.allocate(req)
        req.block_table = hits + new_blocks
        self.scheduler.waiting.append(req)

    def step(self):
        # 2. 组 batch：waiting -> running，chunked prefill 混合 decode
        running, scheduled_tokens = self.scheduler.schedule()
        # 3. 前向
        logits = self.model_executor.execute(running, scheduled_tokens)
        # 4. 采样 + guided decode mask
        tokens = sample_with_guidance(logits, running)
        # 5. 回写 KV，step 计数
        for r, t in zip(running, tokens):
            r.append_token(t)
            if r.is_finished():
                self.kv_cache_manager.free(r)

核心抽象：Request → BlockTable → 固定 block_size 的 KV 页。prefix caching 做 block 级哈希（16 或 32 token 对齐）。

15.2 SGLang：请求落入 TokenizerManager → Scheduler

# 简化版 sglang/srt/managers/scheduler.py
class Scheduler:
    def __init__(self, ...):
        self.tree_cache = RadixCache(...)     # radix tree，任意前缀粒度
        self.token_to_kv_pool = TokenToKVPool(...)
        self.runner = ModelRunner(...)        # FlashInfer + CUDAGraph

    def handle_request(self, req):
        # 1. radix 匹配：最长公共前缀
        prefix_nodes, prefix_len = self.tree_cache.match_prefix(req.input_ids)
        req.prefix_indices = prefix_nodes
        req.extend_input_len = len(req.input_ids) - prefix_len
        self.waiting_queue.append(req)

    def run_step(self):
        # 2. batch 构造（overlap：在 GPU 跑 batch N 时 CPU 准备 batch N+1）
        batch = self.get_new_batch_prefill() or self.get_new_batch_decode()
        # 3. 前向：CUDAGraph 回放（decode）或 eager（prefill）
        logits = self.runner.forward(batch)
        # 4. 采样 + xgrammar mask（无额外 GPU-CPU 同步）
        tokens = self.sampler.sample(logits, batch)
        # 5. KV 回写 radix tree（延迟回写，请求完成时插入共享节点）
        for r, t in zip(batch.reqs, tokens):
            r.append_token(t)
            if r.is_finished():
                self.tree_cache.insert(r.input_ids + r.output_ids, r.kv_indices)

核心抽象：Request → RadixNode 指针 + token-level KV 池。每个 token 在 KV 池里有一条索引，radix 树节点直接引用这些索引，前缀共享粒度 = 单 token。

15.3 关键差异落点

这两种抽象各有优劣：SGLang 在多租户共享长前缀时省内存、省算力；vLLM block 级抽象实现简单、对多模态 / MoE 改造更友好。两者近年都在吸取对方优点。

十六、常见问题 FAQ

Q1：vLLM 和 SGLang 能共用同一份权重吗？ A：几乎可以。两者都读 HuggingFace 标准权重（safetensors），量化格式（AWQ / GPTQ / FP8）也互通。少数模型（DeepSeek-V3 MLA、部分 MoE）在特定版本上支持先后不一，以 issue tracker 为准。

Q2：OpenAI 兼容 API 的细节差异？ A：最大差异在 stream_options.include_usage、logprobs、tool_choice=required、reasoning_content 这几个字段。vLLM 覆盖最全；SGLang 在 2025 年逐步补齐；TRT-LLM + Triton 常需额外写一个适配层（nim 里封装好了）。

Q3：能否在 Kubernetes 里把 vLLM 和 SGLang 作为同一 Service 的两个 backend 灰度？ A：可以，通过网关（LiteLLM、One-API、HiggsField 等）做路由即可。关键是对齐 model 名、tool-call parser 与 token 计费口径。

Q4：为什么我本地 llama.cpp 速度比 vLLM 还快？ A：大概率是你在对比”单并发 + 短输出 + 量化 GGUF”，此时 llama.cpp 没有调度开销、GGUF 量化访存极省；一旦并发 > 4 或上下文 > 4k，vLLM 会反超几倍到几十倍。

Q5：在一张 RTX 4090（24GB）上跑 Qwen2.5-32B，选哪个？ A：只能靠量化。选项：① vLLM + AWQ（W4A16）；② LMDeploy TurboMind + W4A16；③ llama.cpp + Q4_K_M。吞吐要求高选 vLLM/LMDeploy，便捷选 Ollama。

Q6：Mooncake 与 vLLM / SGLang 什么关系？ A：Mooncake 本身不是推理引擎，而是一个以 KV cache 为中心的分布式存储 + 传输层。vLLM 与 SGLang 都可以把 Mooncake 作为 KV transfer backend，从而实现跨机 PD 分离或 KV 复用。

Q7：如果我只想支持 OpenAI 兼容 API，不关心底层引擎，用什么？ A：看规模。小规模：Ollama；中等：vLLM serve 足够；大规模多模型路由：加一层 LiteLLM / One-API，后端挂 vLLM/SGLang 多副本。

Q8：TGI 真的完全不推荐吗？ A：如果你是 HuggingFace Inference Endpoints 付费用户、或者已经深度集成了 text-embeddings-inference，TGI 依然是稳定选择。新自建项目建议优先 vLLM。

十七、一个更完整的部署样例：Ray Serve + vLLM 多副本

# serve_vllm.py
from ray import serve
from vllm.engine.arg_utils import AsyncEngineArgs
from vllm.engine.async_llm_engine import AsyncLLMEngine
from fastapi import FastAPI, Request
import json

app = FastAPI()

@serve.deployment(
    num_replicas=2,
    ray_actor_options={"num_gpus": 4},
    max_ongoing_requests=128,
)
@serve.ingress(app)
class VLLMDeployment:
    def __init__(self, model: str):
        engine_args = AsyncEngineArgs(
            model=model,
            tensor_parallel_size=4,
            gpu_memory_utilization=0.90,
            max_model_len=32768,
            enable_prefix_caching=True,
            enable_chunked_prefill=True,
        )
        self.engine = AsyncLLMEngine.from_engine_args(engine_args)

    @app.post("/v1/chat/completions")
    async def chat(self, req: Request):
        body = await req.json()
        # 省略：转 prompt、sampling params、SSE 流式输出
        ...

if __name__ == "__main__":
    serve.run(VLLMDeployment.bind("Qwen/Qwen2.5-7B-Instruct"))

部署拓扑：

flowchart TB
  LB[LoadBalancer<br/>Envoy/Nginx] --> R1[Ray Serve Replica 1<br/>vLLM 4xH100]
  LB --> R2[Ray Serve Replica 2<br/>vLLM 4xH100]
  LB --> R3[Ray Serve Replica 3<br/>vLLM 4xH100]
  R1 -.metrics.-> P[Prometheus]
  R2 -.metrics.-> P
  R3 -.metrics.-> P
  P --> G[Grafana]
  LB -.logs.-> L[Loki]

把这套模板换成 SGLang 只需替换副本内部的启动命令；而换成 TensorRT-LLM 则需要切到 Triton Inference Server 作为副本内部 runtime（Ray Serve 仅做路由与扩缩容）。

十八、落地 checklist

上线一个 LLM 推理服务前可用这张 checklist 自检：

• 硬件选型与显存预算（模型 weight + KV + activation + overhead）
• 引擎选型（本篇决策树）与版本锁定（pin 到 patch 版）
• 量化方案（Q14 单独一篇）
• max_model_len、max_num_seqs、max_num_batched_tokens 三元组
• 是否开启 chunked prefill / prefix caching / CUDA graph
• 是否使用 PD 分离（长上下文 + 高 QPS 才收益明显）
• tool-call parser、reasoning parser、结构化输出方案
• Prometheus metrics + Grafana dashboard + p99 告警
• 压测脚本与 SLO（TTFT、TPOT、吞吐、成功率）
• 灰度方案（双副本双引擎并行观察一周）
• 回滚方案（镜像 tag + 权重 hash 全部可追溯）

十九、小结

• 本篇把 vLLM、SGLang、TensorRT-LLM、TGI 四大推理引擎做了从架构、KV cache、调度、kernel、量化、结构化输出、部署模式、生态、性能到社区现状的全面对比；
• 顺带盘点了 LMDeploy、MindIE、llama.cpp / Ollama / MLX、DeepSpeed-MII 等补位玩家；
• 给出了一棵可操作的”按硬件 × 场景”选型决策树，以及各引擎的关键参数调优建议；
• 性能对比引用了 2024Q4–2025Q1 的公开 benchmark 趋势，同时强调真实负载重尾分布会改变结论，需要以业务数据为准。

下一篇 14 量化工程 会把本篇略过的量化细节（INT8 / FP8 / AWQ / GPTQ / NVFP4 / MXFP4 / GGUF）展开到机制与工程落地层面。

参考资料

• vLLM：https://github.com/vllm-project/vllm · 《Efficient Memory Management for Large Language Model Serving with PagedAttention》(SOSP’23)
• vLLM v1 blog：https://blog.vllm.ai/2025/01/27/v1-alpha-release.html
• SGLang：https://github.com/sgl-project/sglang · 《SGLang: Efficient Execution of Structured Language Model Programs》(NeurIPS’24)
• RadixAttention 原论文同上
• FlashInfer：https://github.com/flashinfer-ai/flashinfer
• xgrammar：https://github.com/mlc-ai/xgrammar
• TensorRT-LLM：https://github.com/NVIDIA/TensorRT-LLM
• Triton Inference Server：https://github.com/triton-inference-server/server
• TGI：https://github.com/huggingface/text-generation-inference
• LMDeploy：https://github.com/InternLM/lmdeploy
• llama.cpp：https://github.com/ggerganov/llama.cpp
• Ollama：https://github.com/ollama/ollama
• MLX-LM：https://github.com/ml-explore/mlx-examples
• DeepSpeed-MII：https://github.com/microsoft/DeepSpeed-MII
• Mooncake：https://github.com/kvcache-ai/Mooncake · 《Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving》
• DistServe：《DistServe: Disaggregating Prefill and Decoding for Goodput-optimized Large Language Model Serving》(OSDI’24)
• Anyscale LLM inference benchmark：https://www.anyscale.com/blog/benchmarking-llm-inference
• LMSYS SGLang vs vLLM benchmark：https://lmsys.org/blog/2024-07-25-sglang-llama3/
• HF TGI benchmarks：https://huggingface.co/docs/text-generation-inference
• Nvidia TRT-LLM performance：https://nvidia.github.io/TensorRT-LLM/performance/perf-overview.html

上一篇：12 PagedAttention 与 Continuous Batching 下一篇：14 量化工程：INT8 / FP8 / AWQ / GPTQ