Compilatore di configurazioni GPU per vLLM, SGLang, Ollama e Kubernetes

Smetti di tirare a indovinare --gpu-memory-utilization, --tensor-parallel-size e --max-model-len per tentativi. Seleziona modello open-weight, quantizzazione, contesto desiderato e topologia GPU per generare comandi di avvio e manifesti container pronti per la produzione.

Parametri del cluster e del runtime

32,768 token
16

Verifica preliminare di memoria e parallelismo

Memoria esaurita (OOM)
Memoria totale richiesta
101.42 / 80 GB
Allocazione per dispositivo: 101.42 GB
gpu-memory-utilization
0.95
TP Head Split: 64Q / 8KV OK
Decodifica stimata (singolo flusso)
0.0 tok/s
Throughput batch stimato: 0.0 tok/s
Contesto max prima di OOM
21,770
token
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

Controlli di sicurezza sui flag compilati automaticamente

Il parallelismo tensoriale suddivide le teste di attenzione e le matrici MLP tra dispositivi NVLink o PCIe; pertanto --tensor-parallel-size deve dividere esattamente il numero di teste di query e KV lasciando margine per i buffer all-reduce NCCL e la cattura dei grafi CUDA.

Quando si seleziona la quantizzazione della KV cache (FP8 E4M3 o Q8_0), VRAMLab genera --kv-cache-dtype fp8 per vLLM, --kv-cache-dtype fp8_e4m3 per SGLang e i flag OLLAMA_KV_CACHE_TYPE=q8_0 / --cache-type-k per raddoppiare la concorrenza su contesti lunghi senza intaccare la precisione dei pesi.

Le regole empiriche trascurano tre variabili decisive nell’inferenza moderna open-weight: i fattori di scala dei super-blocchi GGUF (dove Q4_K_M richiede in media 4.85 bit/peso anziché 4.00), la crescita della KV cache su finestre di contesto estese e slot concorrenti in continuous batching, e il routing Mixture-of-Experts in cui tutti i 671B o 235B parametri risiedono in VRAM mentre solo 37B o 22B vengono letti per ogni token generato.