Compilador de configuraciones GPU para vLLM, SGLang, Ollama y Kubernetes

Deje de adivinar --gpu-memory-utilization, --tensor-parallel-size y --max-model-len por ensayo y error. Seleccione su modelo de pesos abiertos, cuantización, contexto objetivo y topología de GPU para compilar comandos de lanzamiento y manifiestos de contenedores listos para producción.

Parámetros de clúster y entorno de ejecución

32,768 tokens
16

Verificación previa de memoria y paralelismo

Memoria insuficiente (OOM)
Memoria total requerida
101.42 / 80 GB
Asignación por dispositivo: 101.42 GB
gpu-memory-utilization
0.95
TP Head Split: 64Q / 8KV OK
Decodificación estimada (1 flujo)
0.0 tok/s
Rendimiento estimado por lotes: 0.0 tok/s
Contexto máx. antes de 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

Salvaguardas clave de parámetros compiladas automáticamente

El paralelismo de tensores divide las cabezas de atención y las matrices MLP entre dispositivos NVLink o PCIe, por lo que --tensor-parallel-size debe dividir exactamente el número de cabezas de consulta y KV dejando margen para los búferes all-reduce de NCCL y la captura de grafos CUDA.

Cuando se selecciona cuantización de caché KV (FP8 E4M3 o Q8_0), VRAMLab emite --kv-cache-dtype fp8 para vLLM, --kv-cache-dtype fp8_e4m3 para SGLang y las opciones OLLAMA_KV_CACHE_TYPE=q8_0 / --cache-type-k para duplicar la concurrencia en contextos largos sin alterar la precisión de los pesos.

Las reglas aproximadas ignoran tres variables dominantes en la inferencia moderna de pesos abiertos: los factores de escala de superbloques GGUF (donde Q4_K_M promedia 4.85 bits/peso en lugar de 4.00), el crecimiento de la caché KV en ventanas de contexto largas y ranuras concurrentes de procesamiento por lotes continuo, y el enrutamiento Mixture-of-Experts donde los 671B o 235B parámetros residen en VRAM aunque solo se lean 37B o 22B por token generado.