GPU-Config-Compiler für vLLM, SGLang, Ollama & Kubernetes

Schluss mit Rätselraten bei --gpu-memory-utilization, --tensor-parallel-size und --max-model-len. Wählen Sie Open-Weight-Modell, Quantisierung, Zielkontext und GPU-Topologie, um produktionsreife Startbefehle und Container-Manifeste zu generieren.

Cluster- & Laufzeitparameter

32,768 Tokens
16

Vorabprüfung von Speicher & Parallelität

Zu wenig Speicher (OOM)
Gesamter Speicherbedarf
101.42 / 80 GB
Belegung pro Gerät: 101.42 GB
gpu-memory-utilization
0.95
TP Head Split: 64Q / 8KV OK
Gesch. Einzelstream-Decode
0.0 tok/s
Gesch. Batch-Durchsatz: 0.0 tok/s
Max. Kontext vor OOM
21,770
Tokens
bash · vLLM
vllm serve Qwen/Qwen3-32B \
  --tensor-parallel-size 1 \
  --max-model-len 32768 \
  --max-num-seqs 16 \
  --gpu-memory-utilization 0.95 \
  --quantization fp8 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --port 8000

Automatisch kompilierte Parameter-Schutzregeln

Tensorparallelität verteilt Attention-Heads und MLP-Matrizen über NVLink- oder PCIe-GPUs; daher muss --tensor-parallel-size die Anzahl der Query- und KV-Heads ganzzahlig teilen und zugleich Spielraum für NCCL-All-Reduce-Puffer sowie CUDA-Graph-Erfassung lassen.

Wird KV-Cache-Quantisierung (FP8 E4M3 oder Q8_0) gewählt, setzt VRAMLab automatisch --kv-cache-dtype fp8 für vLLM, --kv-cache-dtype fp8_e4m3 für SGLang sowie OLLAMA_KV_CACHE_TYPE=q8_0 / --cache-type-k, sodass sich die Parallelität bei langen Kontexten verdoppelt, ohne die Gewichtspräzision anzutasten.

Überschlagsformeln ignorieren drei entscheidende Größen moderner Open-Weight-Inferenz: GGUF-Superblock-Skalierungsfaktoren (bei denen Q4_K_M im Schnitt 4.85 Bits/Gewicht statt 4.00 belegt), das Wachstum des KV-Caches über lange Kontextfenster und parallele Continuous-Batching-Slots sowie Mixture-of-Experts-Routing, bei dem alle 671B bzw. 235B Parameter im VRAM liegen, obwohl pro Token nur 37B bzw. 22B gelesen werden.