002f9879b2
Replaces cherry-picked upstream_ref with complete source trees. xllm/ — Iluvatar official C++ inference engine (15MB, 1470 files) Complete: kernels → layers → models → runtime → scheduler → api Excluded: .git, binary images, third_party submodule checkouts ds_vllm/ — Iluvatar official vllm fork (8MB, 703 files) Included: csrc/ (ALL CUDA kernels), fused_moe/, qwen3_5 model, _custom_ops Excluded: tests, benchmarks, docs, examples (not needed for reference) Critical call chains now fully traceable: MoE: moe_topk_softmax_kernels.cuh → ixformer.h → fused_moe.cpp → layer GDN: qwen3_gated_delta_net_base.cpp → qwen3_5_gated_delta_net.cpp Attention: ixformer.h → xllm_paged_attention → attention.cpp
67 lines
2.6 KiB
Markdown
67 lines
2.6 KiB
Markdown
---
|
||
hide:
|
||
- navigation
|
||
---
|
||
<style>
|
||
.md-content h1:first-of-type {
|
||
display: none;
|
||
}
|
||
</style>
|
||
|
||
<div style="text-align:center">
|
||
<img src="../assets/logo_with_llm.png" alt="xLLM" style="width:50%; height:auto;">
|
||
</div>
|
||
|
||
## 简介
|
||
|
||
**xLLM** 是一个高效且易用的开源智能推理框架，为模型在国产芯片上的推理提供企业级服务保障与高性能引擎计算能力。
|
||
|
||
#### 背景
|
||
当前，百亿至万亿参数规模的大语言模型正快速部署于智能客服、实时推荐、内容生成等核心业务场景，对国产计算硬件的高效支持已成为低成本推理部署的核心需求。现有推理引擎难以有效适配国产芯片等专用加速器的架构特性，硬件计算单元利用率低、MoE 架构下的负载不均衡与通信开销瓶颈、kv 缓存管理困难等问题，制约了请求的高效推理与系统的可扩展性。xLLM 推理引擎提升了 “通信 - 计算 - 存储” 全链路的资源利用效率，为大语言模型在实际业务中的规模化落地提供了关键技术支撑。
|
||
|
||
---
|
||
|
||
## 核心特性
|
||
xLLM 提供了强大的智能计算能力，通过硬件系统的算力优化与算法驱动的决策控制，联合加速推理过程，实现高吞吐、低延迟的分布式推理服务。
|
||
|
||
### 全图化/多层流水线执行编排
|
||
|
||
- 框架调度层的异步解耦调度，减少计算空泡；
|
||
- 模型图层的计算和通信异步并行，重叠计算与通信；
|
||
- 算子内核层的异构计算单元深度流水，重叠计算与访存。
|
||
|
||
### 动态shape的图执行优化
|
||
|
||
- 基于参数化与多图缓存方法的动态尺寸适配，提升静态图灵活性；
|
||
- 受管控的显存池，保证地址安全可复用；
|
||
- 集成适配性能关键的自定义算子（如 *PageAttention*, *AllReduce*）。
|
||
|
||
### MoE算子优化
|
||
|
||
- *GroupMatmul* 优化，提升计算效率；
|
||
- *Chunked Prefill* 优化，支撑长序列输入。
|
||
|
||
### 高效显存优化
|
||
|
||
- 离散物理内存与连续虚拟内存的映射管理；
|
||
- 按需分配内存空间，减少内存碎片与浪费；
|
||
- 智能调度内存空间，增加内存页复用，减小分配延迟；
|
||
- 国产芯片相应算子适配。
|
||
|
||
### 全局多级KV Cache管理
|
||
|
||
- 多级缓存的kv智能卸载与预取；
|
||
- 以kv cache为中心的分布式存储架构；
|
||
- 多节点间kv的智能传输路由。
|
||
|
||
### 算法优化
|
||
|
||
- 投机推理优化，多核并行提升效率；
|
||
- MoE专家的动态负载均衡，实现专家分布的高效调整。
|
||
|
||
## 设计文档
|
||
|
||
- [Graph Mode 设计文档](design/graph_mode_design.md)
|
||
- [生成式推荐设计文档](design/generative_recommendation_design.md)
|
||
|