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
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.