Compilador de Configs de GPU para vLLM, SGLang, Ollama e Kubernetes

Pare de adivinhar --gpu-memory-utilization, --tensor-parallel-size e --max-model-len por tentativa e erro. Selecione seu modelo de pesos abertos, quantização, meta de contexto e topologia de GPU para compilar comandos prontos para produção e manifestos de contêiner.

Parâmetros de Cluster e Runtime

32,768 tokens
16

Verificação Prévia de Memória e Paralelismo

Memória Insuficiente (OOM)
Memória Total Necessária
101.42 / 80 GB
Alocação por Dispositivo: 101.42 GB
gpu-memory-utilization
0.95
TP Head Split: 64Q / 8KV OK
Decodificação Est. (1 Fluxo)
0.0 tok/s
Vazão Est. em Lote (Batch): 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

Travas de Segurança de Flags Compiladas Automaticamente

O paralelismo de tensores divide cabeças de atenção e matrizes MLP entre dispositivos NVLink ou PCIe; por isso, --tensor-parallel-size precisa dividir exatamente o número de cabeças de consulta e KV, preservando margem para buffers all-reduce do NCCL e captura de grafos CUDA.

Quando a quantização do cache KV (FP8 E4M3 ou Q8_0) é selecionada, o VRAMLab emite --kv-cache-dtype fp8 para vLLM, --kv-cache-dtype fp8_e4m3 para SGLang e flags OLLAMA_KV_CACHE_TYPE=q8_0 / --cache-type-k para dobrar a concorrência em contextos longos sem alterar a precisão dos pesos.

Regras de bolso ignoram três variáveis dominantes na inferência moderna de pesos abertos: escalas de superblocos de quantização GGUF (onde Q4_K_M tem média de 4,85 bits/peso em vez de 4,00), o crescimento do cache KV em janelas longas de contexto e slots simultâneos de continuous batching, e o roteamento Mixture-of-Experts em que todos os 671B ou 235B parâmetros residem na VRAM enquanto apenas 37B ou 22B trafegam por token gerado.