• henry 發(fā)自 凹非寺
  量子位 | 公眾號 QbitAI

當(dāng)Agent在應(yīng)用側(cè)不斷加速，推理系統(tǒng)能否承受隨之而來的真實負(fù)載，正在成為行業(yè)關(guān)注的焦點。

這是12月20日在杭州收官的SGLang AI 金融 π 對上，被反復(fù)提及的一個背景。

在這場聚焦大模型推理效率的“π對”上——

Agent的Vibe被暫時擱到一邊，真正擺上桌面的，是推理系統(tǒng)在真實負(fù)載中的工程問題：高并發(fā)請求長上下文窗口多輪推理內(nèi)存管理，以及在具體金融agent場景下的一致性生成問題。

同時，在活動討論中，昇騰作為算力平臺也被多次提及。

當(dāng)前，昇騰已作為SGLang原生支持的后端之一進(jìn)入主倉庫，隨著 SGLang推理引擎的更新，DeepSeek、Qwen、GLM等模型可以在不調(diào)整模型參數(shù)、不引入額外插件的情況下直接運行，HiCache、Mooncake等系統(tǒng)能力也在對應(yīng)版本中引入。

可以說，這次SGLang AI金融π對呈現(xiàn)的，并非零散技術(shù)點，而是一條清晰的推理工程演進(jìn)路徑——從緩存與內(nèi)存體系，到權(quán)重更新、強(qiáng)化學(xué)習(xí)效率，再到算力與模型生態(tài)的協(xié)同。

接下來，我們具體來看。

面向Agent的推理系統(tǒng)工程解法

這次SGLang活動由SGLangAtomGit社區(qū)聯(lián)合發(fā)起，于12月20日在杭州舉辦，活動圍繞大模型推理架構(gòu)、Agent、強(qiáng)化學(xué)習(xí)及其在金融場景的落地展開討論。

在嘉賓方面，活動由來自推理系統(tǒng)、模型與算力一線的工程團(tuán)隊共同參與，包括華為高級項目群總監(jiān)薛曜，SGLang開發(fā)者黃章衡尚旭春，華為“小巧靈”突擊隊工程師荊升航，昇騰高級研發(fā)工程師鎮(zhèn)亮，以及GLM技術(shù)布道師張昱軒

整體來看，Agent相較于以往的問答式LLM，在深度研究、代碼生成、工具調(diào)用等應(yīng)用以及強(qiáng)化學(xué)習(xí)訓(xùn)練中，對高并發(fā)請求、長上下文窗口、多輪推理和內(nèi)存管理的效率提出了更高要求。

而在特定的部署場景，如金融Agent中，則對低延遲、響應(yīng)穩(wěn)定性、一致性及成本控制的要求則更為嚴(yán)苛。

本次Meetup正是圍繞這些Agent原生的系統(tǒng)變化，給出了工程實踐層面的集中回應(yīng)。

首先，針對高并發(fā)長上下文場景下KV cache重復(fù)計算、顯存需求大的問題。

SGlang通過最新引入的HiCache體系，將KV cache擴(kuò)展到CPU和遠(yuǎn)端存儲，由Cache Controller自動管理KV卸載填裝，并結(jié)合流水線化異步預(yù)取，顯著降低了顯存占用，提升了上下文推理的穩(wěn)定性與吞吐。

此外，針對Qwen3-Next、Kimi Linear這類具備不同計算邏輯和內(nèi)存管理方式的混合模型。

SGLang通過Mamba Radix Tree實現(xiàn)前綴統(tǒng)一管理，并借助Elastic Memory Pool彈性調(diào)度KV Cache與Mamba State，在長上下文、多并發(fā)場景下提供高效推理和顯存優(yōu)化能力。

其次，為應(yīng)對強(qiáng)化學(xué)習(xí)中策略權(quán)重頻繁更新導(dǎo)致GPU空轉(zhuǎn)、冷啟動耗時過長的瓶頸。

Mooncake基于Transfer Engine，采用異步預(yù)讀、pipeline并行設(shè)計，顯著壓縮權(quán)重加載和模型啟動時間，實現(xiàn)熱更新與彈性擴(kuò)容。

實測效果顯示：Kimi K2萬億參數(shù)模型的權(quán)重更新準(zhǔn)備時間被壓縮至20秒以內(nèi)，63B模型的冷啟動時間更是從85秒降至9秒。

此外，由于強(qiáng)化學(xué)習(xí)rollout不再是一次性推理，而是異步、多階段、長度不可預(yù)測的過程。

換句話說，rollout中的長尾請求可能拖慢90%的訓(xùn)練時間，甚至可能出現(xiàn)跑了一整夜仍未完成任何step的情況。

針對這一問題，SGLang通過Server化+全異步執(zhí)行、oversample與 partial rollout機(jī)制控制長尾請求，大幅緩解Agentic RL中的長尾問題，提高了訓(xùn)練效率。

最后，針對DeepSeek、GLM-4.5等MoE模型的fuse MoE、內(nèi)存調(diào)度和負(fù)載均衡問題，SGLang持續(xù)重構(gòu)執(zhí)行路徑與內(nèi)存管理機(jī)制。

同時，Slime強(qiáng)化學(xué)習(xí)系統(tǒng)針對大規(guī)模GRPO與多階段RL訓(xùn)練定制，實現(xiàn)訓(xùn)練系統(tǒng)與推理引擎的深度協(xié)同。

一個值得注意的細(xì)節(jié)是，這些推理系統(tǒng)級能力，并非只停留在某一類算力平臺上。這些實踐中的HiCache、Mooncake、GLM都均已能夠在昇騰平臺上直接運行，并進(jìn)入實際推理流程。

而這些不約而同的支持，恰恰從側(cè)面印證了當(dāng)前昇騰硬件在推理系統(tǒng)生態(tài)的角色轉(zhuǎn)變——

它已作為主流推理工作流中的后端之一，被自然納入系統(tǒng)設(shè)計與工程實現(xiàn)之中。

昇騰 × SGLang：大模型推理的高效實踐

在上述共性問題之下，活動中也展示了SGLang在昇騰平臺上的最新進(jìn)展，覆蓋模型適配、性能優(yōu)化及系統(tǒng)加速能力模塊化沉淀。

主要亮點如下：

• 模型優(yōu)化：針對DeepSeek、Qwen系列等開源模型進(jìn)行適配與性能提升，支持稠密、稀疏、多模態(tài)等架構(gòu)，并支持Flux、Qwen-Image等多模態(tài)生成模型。
• 系統(tǒng)特性：HiCache L1/L2/L3直通緩存機(jī)制已落地，MTP完全適配昇騰平臺，兼容GPU與NPU后端。
• 量化能力：推進(jìn)昇騰側(cè)量化與開源框架協(xié)同，支持壓縮張量等多種量化方案。
• 推理模式：完善圖模式支持，實現(xiàn)DeepSeek V3.2、Qwen-Next、Longcat等新模型的day0支持。
• 強(qiáng)化學(xué)習(xí)：支持SGLang VeRL等強(qiáng)化學(xué)習(xí)相關(guān)模型的推理與部署。

在具體的模型上，昇騰此次實現(xiàn)了對DeepSeek V3.2Day 0支持，在PD分離、64K輸入、3K輸出場景下，推理吞吐達(dá)15TPS / 卡，TTFT約4秒，PD傳輸（HCCS）< 8ms，TPOT ≈ 20毫秒。

為實現(xiàn)上述性能，團(tuán)隊在系統(tǒng)層面進(jìn)行了多項優(yōu)化：負(fù)載均衡方面，通過重新分配計算任務(wù)，使各CP rank計算量均衡。

融合算子方面，減少計算過程中的內(nèi)存訪問次數(shù)和Kernel啟動開銷。將多個連續(xù)的小算子合并為一個復(fù)合算子，使中間結(jié)果保留在高速緩存中，從而顯著提升計算效率。

多流并行方面，通過Cube與Vector計算單元并行執(zhí)行算子，提升計算資源利用率。

同時，在Cube計算路徑中引入權(quán)重預(yù)取機(jī)制，實現(xiàn)數(shù)據(jù)搬運與計算階段的重疊，減少訪存等待帶來的性能損耗。

這些優(yōu)化讓昇騰平臺在大規(guī)模、高復(fù)雜度推理場景中，實現(xiàn)了高吞吐、低延遲、資源高效利用的表現(xiàn)。

針對Qwen的優(yōu)化則包括通用能力增強(qiáng)（圖模式、W8A8 量化、EAGLE3），為不同規(guī)模和形態(tài)等模型提供基礎(chǔ)性能支撐。

同時，引入昇騰親和性專項優(yōu)化：利用多流并行，并在大EP（Expert Parallelism）場景中通過Dispatch/Combine流程將GMM計算融合處理，減少算子切換和中間調(diào)度開銷，提升整體執(zhí)行效率。

除DeepSeek、Qwen外，SGLang在昇騰硬件上也已覆蓋KimiLongChat等模型，新模型可在不改代碼的前提下直接運行。

同時就像開頭所說的，這些模型的所有代碼均已合入SGLang主社區(qū)倉，開發(fā)者無需額外安裝插件，直接拉取主倉代碼即可使用。

昇騰表示這里的核心理念是盡量不動Models層，僅在底層完成硬件親和與性能提升

而這一系列進(jìn)展背后，是昇騰與SGLang主倉的深度共建邏輯，也意味著AI算力與開源推理框架的融合進(jìn)入新階段：

從架構(gòu)層面看，昇騰相關(guān)優(yōu)化已下沉到SGL-kernel-NPU算子庫，親和算子能力與代碼實現(xiàn)均在此集中維護(hù)演進(jìn)。

Engine層作為核心優(yōu)化區(qū)，支持EPLB、Graph Runner與MTP，覆蓋GPU與NPU等多硬件后端以實現(xiàn)統(tǒng)一推理能力。

緩存與通信則依托HiCache完成L1/L2及L3-L1直通優(yōu)化，最底層的SGL-kernel-NPU則承載昇騰加速算子、量化算子及傳輸接口，實現(xiàn)開源能力與昇騰性能的雙向賦能。

整體來看，這些進(jìn)展體現(xiàn)了昇騰與SGLang開源社區(qū)在推理系統(tǒng)層面的持續(xù)協(xié)同，也為后續(xù)更復(fù)雜推理與強(qiáng)化學(xué)習(xí)場景提供了穩(wěn)定的工程基礎(chǔ)。

全面擁抱開源

在這次活動中，我們了解到，昇騰是今年七月份才正式啟動與SGLang的適配工作。薛曜表示，這一工作的目標(biāo)很明確——全面擁抱開源、加速昇騰生態(tài)建設(shè)

在過去5個多月里，昇騰不僅補(bǔ)齊了多類主流模型的推理支持，還覆蓋了強(qiáng)化學(xué)習(xí)訓(xùn)練、多模態(tài)理解與生成等關(guān)鍵場景，并在PD傳輸?shù)认到y(tǒng)層面持續(xù)優(yōu)化，將SGLang on Ascend的整體性能推到了“可打”的水平

此外，據(jù)現(xiàn)場披露，昇騰已基于SGLang已在真實業(yè)務(wù)場景中，對DeepSeek V3.2完成了灰度測試。這意味著相關(guān)能力已不再停留在實驗或Demo階段，而是進(jìn)入了真實生產(chǎn)環(huán)境的驗證周期。

從roadmap來看，昇騰接下來的演進(jìn)方向也并非泛化擴(kuò)展，而是明確圍繞“推理系統(tǒng)”展開的系統(tǒng)性工程投入

一方面，通過Zero Buffer、昇騰親和加速庫等機(jī)制，持續(xù)壓榨單機(jī)與多機(jī)推理吞吐，服務(wù)高并發(fā)、低時延的真實業(yè)務(wù)負(fù)載；

另一方面，在基礎(chǔ)軟件層構(gòu)建昇騰版Triton生態(tài)，與SGLang、vllm等開源引擎保持接口與演進(jìn)節(jié)奏對齊，使模型上線、算子開發(fā)與性能調(diào)優(yōu)形成可復(fù)用路徑。

這些動作共同指向了一個清晰變化：昇騰不再只是“能否支持某個模型”的硬件選項，而是開始以推理系統(tǒng)為核心，被納入開源工程的主線討論與默認(rèn)方案評估之中

當(dāng)模型、推理引擎與算力平臺在工程層形成穩(wěn)定協(xié)作，AI算力真正需要回答的問題，也將不再是“能不能跑”，而是“系統(tǒng)能不能長期跑、規(guī)�；�、穩(wěn)定地跑”。

因為說到底，高性能、易用性、開箱即用才是真道理。