vLLM v0.20 显存优化与推理加速实战指南

引子

部署大模型时，工程师面对的核心矛盾始终是：显存不够用和推理速度不够快。vLLM v0.20 在这两个维度上提供了系统性的工具箱——从 KV Cache 量化、PagedAttention、前缀缓存，到 CUDA Graph、torch.compile 融合、投机解码，每一层都有可调旋钮。

本文基于 vLLM v0.20 源码，系统梳理各项优化手段、原理与 CLI 用法，帮助工程师快速找到适合自己场景的调优路径。

---

一、KV Cache 优化

1.1 PagedAttention（分页注意力）

vLLM 的核心显存机制。KV Cache 被切分为固定大小的物理块（类比 OS 虚拟内存分页），按需分配，无需预留完整 max_model_len 的连续显存。

参数	默认值	位置	说明
block_size	16	config/cache.py:45	每块含 token 数；越大内部碎片越多，越小管理开销越高
num_gpu_blocks	自动计算	config/cache.py:143	GPU 物理块数量，profiling 后自动设定

内部实现（v1/core/block_pool.py）：

• 所有块预分配为 KVCacheBlock，用 FreeKVCacheBlockQueue（双向链表）管理
• LRU 淘汰：释放的块加入队尾（最近使用），分配时从队首取（最久未用）
• Block 0 保留为 null_block 占位符

1.2 Prefix Caching（前缀缓存）

相同 prompt 前缀的 KV Cache 可被多请求复用，跳过重复计算。v0.20 默认开启。

参数	默认值	说明
enable_prefix_caching	True	默认开启
prefix_caching_hash_algo	"sha256"	哈希算法：sha256 / xxhash / *_cbor

命中机制（block_pool.py:184-320）：

• 每个物理块按 (parent_hash, token_ids, extra_keys) 链式哈希
• BlockHashToBlockMap 维护 hash → block 映射
• 全部 KV group 命中 → 跳过计算直接复用；否则从头计算
• 淘汰时自动从哈希表移除

最适合的场景：长 System Prompt 多请求共享、RAG 同文档上下文、多轮对话共享历史。

1.3 KV Cache 量化

降低 KV Cache 精度，理论节省 50%–81% 显存。

cache_dtype	精度	显存节省	说明
"auto"	跟随模型 dtype	0%	默认
"fp8" / "fp8_e4m3"	8-bit	~50%	最成熟，推荐首选
"fp8_e5m2"	8-bit	~50%	更大动态范围，精度略低
"turboquant_k8v4"	K:8-bit V:4-bit	~62%	TurboQuant 混合精度
"turboquant_4bit_nc"	4-bit	~75%	4-bit 非连续布局
"turboquant_3bit_nc"	3-bit	~81%	极致压缩，精度损失较大
"nvfp4"	4-bit FP	~75%	NVIDIA FP4（需 FlashInfer）
"fp8_ds_mla"	8-bit	~50%	DeepSeek MLA 专用

kv_cache_dtype_skip_layers 可跳过特定层的量化（如滑动窗口层）以减少精度损失。

# FP8 KV Cache（推荐起点）
vllm serve <model> --kv-cache-dtype fp8

# 跳过第 0、1 层的量化
vllm serve <model> --kv-cache-dtype fp8 --kv-cache-dtype-skip-layers 0 1

1.4 KV Cache 卸载到 CPU

将部分 KV Cache 从 GPU 卸载到 CPU 内存，扩展有效上下文容量。

两种后端对比：

graph LR
    KVO["KV Cache 卸载<br/>kv_offload/"]
    KVO --> NAT["native（简单版）<br/>eager: 按请求卸载<br/>lazy: 按水位线卸载"]
    KVO --> LMC["lmcache（高级版）<br/>LMCache 连接器<br/>ARC 自适应替换缓存"]
    NAT --> POL["淘汰策略<br/>LRU（默认）"]
    LMC --> POL2["淘汰策略<br/>ARC（T1/T2/B1/B2）"]

# 启用 8 GiB CPU KV Cache 卸载
vllm serve <model> --kv-offloading-size 8

---

二、量化方案

2.1 支持的量化方法（28+ 种）

方法	精度	推荐场景	说明
fp8	W8A8	推荐首选	FP8 E4M3，Hopper+ 原生支持
awq_marlin	W4A16	Ampere/Ada AWQ	AWQ + Marlin 加速内核
gptq_marlin	W4A16	Ampere/Ada GPTQ	最快的 GPTQ 推理内核
modelopt_fp4	W4 FP4	Blackwell GPU	NVIDIA NV-FP4
bitsandbytes	W4/W8	便捷量化	HF BitsAndBytes 兼容
gguf	多种	llama.cpp 生态	直接加载 GGUF 格式
fp8_per_tensor	W8A8	无预量化模型	运行时动态 FP8 在线量化
experts_int8 / moe_wna16	混合	MoE 专用	专家层独立量化

2.2 量化方案选择树

graph LR
    Q["需要量化？"] --> H["GPU: Hopper H100/H200+"]
    Q --> A["GPU: Ampere/Ada A100/L40S/4090"]
    Q --> W["仅权重压缩"]
    H --> H1["有预量化模型<br/>--quantization fp8"]
    H --> H2["无预量化模型<br/>--quantization fp8_per_tensor<br/>（在线量化）"]
    A --> A1["有 AWQ 模型<br/>--quantization awq_marlin"]
    A --> A2["有 GPTQ 模型<br/>--quantization gptq_marlin"]
    A --> A3["无预量化<br/>--quantization bitsandbytes"]
    W --> W1["--quantization<br/>int8_per_channel_weight_only"]

# FP8 权重 + FP8 KV Cache（显存节省最大化）
vllm serve <model> --quantization fp8 --kv-cache-dtype fp8

# AWQ 4-bit + Marlin 加速
vllm serve <model> --quantization awq_marlin

---

三、推理加速

3.1 CUDA Graph

预录制 GPU kernel 调用图，消除 CPU launch overhead。decode 阶段加速 10–30%。

模式	值	说明	适用场景
NONE	0	不使用	调试、LoRA 频繁切换
PIECEWISE	1	分段录制（注意力除外）	通用
FULL	2	完整录制	最大加速
FULL_AND_PIECEWISE	(2,1)	decode 用 FULL，prefill 用 PIECEWISE	V1 默认，推荐
FULL_DECODE_ONLY	(2,0)	仅 decode 用 FULL	保守选择

# 禁用（调试用）
vllm serve <model> --enforce-eager

# 显式指定模式
vllm serve <model> --compilation-config '{"cudagraph_mode": 2}'

3.2 torch.compile 融合 Pass

V1 引擎默认启用 vLLM 自定义编译后端，通过算子融合减少 kernel launch 次数：

Pass	融合操作	效果
fuse_norm_quant	RMSNorm + FP8 量化	减少 kernel
fuse_act_quant	SiluMul + FP8 量化	减少中间张量
fuse_attn_quant	Attention/MLA + FP8	减少显存带宽
fuse_gemm_comms	GEMM + TP AllReduce	隐藏通信延迟
fuse_allreduce_rms	AllReduce + RMSNorm	FlashInfer 加速
enable_sp	序列并行	减少通信量

3.3 Chunked Prefill（分块预填充）

将长 prompt 的 prefill 拆分为多个小块，与 decode 请求混合执行。v0.20 默认开启，降低 TTFT，提升 GPU 利用率。

参数	默认值	说明
enable_chunked_prefill	True	默认开启
max_num_batched_tokens	2048	每步 token 预算（= chunk 上限）
max_num_partial_prefills	1	最大并行 partial prefill 数

sequenceDiagram
    participant LP as 长 Prompt（32K token）
    participant SCH as Scheduler
    participant GPU as GPU Batch

    Note over LP,SCH: max_num_batched_tokens = 2048
    LP->>SCH: 请求入队
    SCH->>GPU: Chunk 1（2048 tokens）+ decode 请求 A/B/C
    GPU-->>SCH: 输出
    SCH->>GPU: Chunk 2（2048 tokens）+ decode 请求 A/B/C
    GPU-->>SCH: 输出
    Note over SCH,GPU: 重复直到 prefill 完成
    SCH->>GPU: 全量 decode batch（A/B/C + 新请求）
    Note over GPU: 不再有单个长 prompt 独占 GPU<br/>decode 请求不饥饿

3.4 投机解码（Speculative Decoding）

用小模型快速生成候选 token，大模型一次性验证多个 token。吞吐提升 1.5–3×。

方法	配置	说明
EAGLE/EAGLE-3	--speculative-method eagle	最高接受率，需训练 draft head
MTP	--speculative-method deepseek_mtp	DeepSeek/Qwen3.5 内置 MTP head
N-gram	--speculative-method ngram	无需额外模型，基于 prompt 统计
Medusa	--speculative-method medusa	Medusa 多头
通用 Draft	--speculative-model <small_model>	任意小模型作为 draft

# EAGLE 投机解码
vllm serve <model> \
  --speculative-model <eagle_head_path> \
  --speculative-method eagle \
  --num-speculative-tokens 5

# 零成本 N-gram 投机（无需额外模型）
vllm serve <model> \
  --speculative-method ngram \
  --num-speculative-tokens 5

3.5 FlashAttention 版本

版本	GPU 架构	推荐
FA2	所有 CUDA GPU	通用回退
FA3	Hopper SM90（H100）	推荐在 H100 使用
FA4	Blackwell SM100（B200）	最新

自动选择，也可手动指定：

vllm serve <model> --attention-config '{"flash_attn_version": 3}'

---

四、显存管理

4.1 核心显存参数

参数	默认值	CLI	说明
gpu_memory_utilization	0.92	--gpu-memory-utilization	GPU 显存使用比例
max_model_len	模型配置	--max-model-len	最大序列长度，直接影响 KV Cache 大小
max_num_seqs	128	--max-num-seqs	最大并发序列数
max_num_batched_tokens	2048	--max-num-batched-tokens	每步最大 token 数

4.2 显存计算公式

v1/worker/gpu_worker.py:414-418：

total_memory × gpu_memory_utilization
          ↓
  ┌───────┴────────────────────────────┐
  模型权重 + 激活峰值              KV Cache 可用空间
  + 非 torch 分配                  + CUDA Graph 开销
          ↓
available_kv_cache = requested_memory - non_kv_cache_memory - cudagraph_estimate
num_gpu_blocks = available_kv_cache ÷ kv_cache_block_size_bytes

4.3 显存调优策略

OOM（显存不足）场景：

--gpu-memory-utilization 0.85    # 留更多给 CUDA runtime
--max-model-len 4096             # 减小序列长度（KV Cache 线性缩减）
--max-num-seqs 32                # 减少并发
--kv-cache-dtype fp8             # KV Cache 节省 50%
--kv-offloading-size 4           # 4 GiB KV 卸载到 CPU

吞吐不足场景：

--gpu-memory-utilization 0.95    # 更多给 KV Cache
--max-num-seqs 256               # 增大并发
--max-num-batched-tokens 8192    # 增大 token 预算
--quantization fp8               # 压缩权重，腾出 KV Cache 空间

4.4 权重卸载

后端	配置	说明
UVA	cpu_offload_gb=<N>	部分权重放 CPU，GPU 通过 UVA 访问
Prefetch	offload_group_size=<N>	分层预取：提前加载下一层权重到 GPU

---

五、分布式推理优化

5.1 并行策略选择树

graph LR
    S["模型 vs GPU 数量？"]
    S --> A["单卡放得下<br/>考虑 DP 提升吞吐"]
    S --> B["单节点多卡<br/>TP=N（N=GPU数）"]
    S --> C["跨节点"]
    S --> D["MoE 模型"]
    C --> C1["节点间带宽高<br/>NVLink/IB → TP 跨节点"]
    C --> C2["节点间带宽低<br/>节点内 TP + 节点间 PP<br/>例：4节点×4GPU = TP4·PP4"]
    D --> D1["--enable-expert-parallel<br/>EP 度 = TP × DP"]
    D --> D2["负载不均<br/>--enable-eplb 动态重平衡"]
    D --> D3["弹性伸缩<br/>--enable-elastic-ep"]

策略	参数	通信开销
Tensor Parallel (TP)	--tensor-parallel-size N	每层 AllReduce
Pipeline Parallel (PP)	--pipeline-parallel-size N	仅层间传递
Data Parallel (DP)	--data-parallel-size N	每步 DP 同步
Expert Parallel (EP)	--enable-expert-parallel	All-to-All
Context Parallel (CP)	--prefill-context-parallel-size N	Ring Attention

5.2 通信优化

机制	说明
Custom AllReduce	单节点 2/4/6/8 GPU P2P 直连，绕过 NCCL
Quick AllReduce	INT4/6/8 量化归约，减少通信量
Async TP (fuse_gemm_comms)	GEMM 与 AllReduce 重叠执行
Sequence Parallel (enable_sp)	在非 TP 维度分片，减少通信

5.3 EP 负载均衡（EPLB）

MoE 专家激活分布不均匀时，动态重平衡：

# DeepSeek V3 with EP + EPLB
vllm serve deepseek-ai/DeepSeek-V3 \
  --tensor-parallel-size 8 \
  --enable-expert-parallel \
  --enable-eplb \
  --eplb-config '{"num_redundant_experts": 16, "step_interval": 1000}'

策略：balanced_packing（贪心装箱）+ replicate_experts（热点专家复制）。

---

六、实战配置模板

小模型（7B）单卡

vllm serve <7B_model> \
  --max-model-len 8192 \
  --gpu-memory-utilization 0.92 \
  --max-num-seqs 128

中等模型（70B）4×GPU

vllm serve <70B_model> \
  --tensor-parallel-size 4 \
  --quantization fp8 \
  --kv-cache-dtype fp8 \
  --max-model-len 16384 \
  --gpu-memory-utilization 0.92 \
  --max-num-seqs 64

大型 MoE（DeepSeek V3）8×GPU

vllm serve deepseek-ai/DeepSeek-V3 \
  --tensor-parallel-size 8 \
  --enable-expert-parallel \
  --quantization fp8 \
  --kv-cache-dtype fp8 \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.92

---

七、优化手段速查表

优化手段	显存节省	对精度	对速度
FP8 权重量化	~50% 权重	极小（Hopper+）	可能加速
AWQ/GPTQ 4-bit	~75% 权重	小	Marlin 内核加速
FP8 KV Cache	~50% KV	小	中性
4-bit KV Cache	~75% KV	中等	中性
减小 max_model_len	线性减少 KV	无	无
KV 卸载到 CPU	扩展容量	无	略增延迟
Prefix Caching	减少重复计算	无	加速（缓存命中时）
CUDA Graph	无	无	+10–30%（decode）
投机解码	无	无	+1.5–3×（decode 吞吐）
Chunked Prefill	无	无	降低 TTFT，提升利用率
TP 增加	分摊权重	无	降低延迟（增加通信）

---

八、调优检查清单

1. CUDA Graph 已启用：V1 默认启用 FULL_AND_PIECEWISE，避免 --enforce-eager
2. Prefix Caching 已启用：v0.20 默认开启，System Prompt 复用最有效
3. Chunked Prefill 已启用：v0.20 默认开启，保持即可
4. KV Cache FP8 量化：--kv-cache-dtype fp8，几乎零精度损失，节省 50%
5. 合理设置 max_model_len：按实际最长上下文设，不要用模型默认的 128K
6. Hopper+ 优先用 FP8 权重量化：fp8_per_tensor 无需预量化模型
7. MoE 模型开 EP + EPLB：避免专家激活不均衡导致 GPU 利用率低
8. 监控 GPU 利用率：nvidia-smi dmon 确认 GPU 不在等待 CPU/通信

---

基于 vLLM v0.20 源码分析，2026-04-30