Compilateur de configurations GPU pour vLLM, SGLang, Ollama et Kubernetes
Ne devinez plus --gpu-memory-utilization, --tensor-parallel-size et --max-model-len à tâtons. Sélectionnez votre modèle à poids ouverts, sa quantification, la fenêtre de contexte cible et la topologie GPU pour générer des commandes de lancement et des manifestes conteneurisés prêts pour la production.
Paramètres du cluster et du moteur d’exécution
Garde-fous compilés automatiquement dans les options
Le parallélisme tensoriel répartit les têtes d’attention et les matrices MLP entre les GPU reliés par NVLink ou PCIe ; --tensor-parallel-size doit donc diviser exactement le nombre de têtes de requête et KV tout en conservant une marge pour les tampons all-reduce NCCL et la capture des graphes CUDA.
Lorsque la quantification du cache KV (FP8 E4M3 ou Q8_0) est activée, VRAMLab génère --kv-cache-dtype fp8 pour vLLM, --kv-cache-dtype fp8_e4m3 pour SGLang ainsi que OLLAMA_KV_CACHE_TYPE=q8_0 / --cache-type-k afin de doubler la concurrence sur long contexte sans modifier la précision des poids.
Les estimations approximatives ignorent trois variables dominantes de l’inférence moderne à poids ouverts : les facteurs d’échelle des super-blocs GGUF (où Q4_K_M atteint en moyenne 4.85 bits/poids au lieu de 4.00), la croissance du cache KV sur les longues fenêtres de contexte et les requêtes simultanées en batch continu, ainsi que le routage Mixture-of-Experts où l’intégralité des 671B ou 235B paramètres réside en VRAM alors que seuls 37B ou 22B sont lus par token généré.