为什么生产推理我默认 vLLM：从 NVFP4、Kernel 到 CUDA Graph

Fri, 28 Aug 2026 10:00:00 +0800

📚 双 RTX 5060 Ti 部署 Qwen3.8 系列 · 4/6

💡 导读：

llama.cpp 和 vLLM 并不是简单的“谁更快”。前者把个人硬件能触碰到的模型规模往上推，后者则更适合在模型可以完整驻留 GPU 后继续追求 Serving 效率。这篇从 Qwen3.8-Flash-Next 的 CPU Offload 讲到 NVFP4、Kernel、Compile 和 CUDA Graph，也解释为什么我的 27B 生产部署默认从 vLLM 开始。

前面三篇已经解决了三个问题：

27B 怎么装进双 16GB
↓
两张 GPU 到底怎么并行
↓
TP2 为什么能加速、又为什么达不到理想 2×

到了真正部署服务时，我现在有一个比较明确的默认选择：

只要是 NVIDIA GPU、模型能够合理地完全驻留 GPU，并且目标是长期提供推理服务，我会优先从 vLLM 开始。

原因并不只是 PagedAttention，也不只是 KV Cache。

真正让我倾向 vLLM 的，是它把整个 GPU 推理执行链放在同一个系统里优化：

NVFP4 / FP8 等低精度格式
↓
Optimized GEMM / Attention Kernel
↓
torch.compile / Inductor
↓
CUDA Graph
↓
TP / PP
↓
Scheduler / Continuous Batching
↓
Cache / Prefix Cache

这些东西单独拿出来都只是一个优化点。

组合起来以后，才是一套真正面向 GPU Serving 的推理引擎。

不过在谈 vLLM 之前，先要把一个经常被混在一起的问题说清楚：

“模型能不能跑”和“这个模型适不适合做高性能 GPU Serving”，不是同一个问题。

Qwen3.8-Flash-Next 恰好是一个非常好的例子。

1. Qwen3.8-Flash-Next：CPU Offload 为什么依然有价值

写这组文章的时候，Qwen3.8-27B 才开放权重大约两周。

然后 2026 年 8 月 26 日，Qwen 又开放了 Qwen3.8-Flash-Next。

它的体量已经完全不是 27B 这一级别：

Language Model：125B 参数，约 6B activated
+
51B n-gram embedding
+
4B MTP

总体参数规模大约到了 180B 量级。

直接看权重文件更直观：

官方 BF16：约 360GB
官方 FP8：约 186GB
Unsloth UD-Q4_K_XL GGUF：约 111GB

这时“显存不够”已经不是双 16GB 能不能稍微规划一下的问题了。

甚至假设有：

8 × RTX 3090 24GB = 192GB VRAM

这种对个人用户已经非常夸张的配置，仅从总量上看，官方 FP8 的约 186GB 权重就已经快把聚合显存吃满了。

而真正运行模型显然还要给：

Runtime
Cache
Activation
Workspace
CUDA Graph
通信 Buffer

留下空间。

更不用说 8 张 3090 的拓扑、供电、散热和整机成本，本身就已经脱离绝大多数个人开发者的现实环境。

我当然也不会为了试一个刚发布的模型，先准备一台 8×3090 的机器。

这时候 llama.cpp 的另一种价值就非常明显了：

它可以把“GPU 显存不够”这个硬边界，扩展成“GPU VRAM + System RAM 能不能一起把模型跑起来”。

例如一个 100GB 级 GGUF，可以让一部分权重留在 GPU，一部分权重放在系统内存，通过 CPU + GPU 的混合路径运行。

原本的问题是：

模型 > 总 VRAM → 根本放不下

现在变成：

GPU VRAM
+
System RAM
→ 有机会真正运行起来

对于：

刚发布的超大模型
能力测试
本地研究
个人消费级硬件
显存容量不规则的机器

这种能力非常有价值。

所以我并不认同一种简单的判断：

“CPU Offload 很慢，所以没有意义。”

它当然有意义。

它改变的是：

“我能够接触和测试多大的模型”。

但另一方面，也不能把 RAM 当成“更便宜的显存”。

如果 Forward 需要频繁从系统内存取热点权重，那么整个性能模型就会受到：

CPU 内存带宽
+
CPU-GPU 数据路径
+
PCIe

限制。

GPU 本地 GDDR 能提供数百 GB/s 级带宽，而系统 RAM 与 CPU↔GPU 的 PCIe 路径在有效带宽、延迟和访问方式上都明显不同。

Offload 越重，Decode 越不可能维持纯 GPU Resident 模型的性能特征。

所以我现在更愿意这么定义它：

CPU / RAM Offload 很擅长扩大“能跑的模型范围”，但通常不是扩大“高性能生产 Serving 范围”的办法。

这也正好解释了 llama.cpp 和 vLLM 为什么不是简单的“谁替代谁”。

2. 对 27B 来说，我反而会优先追求 GPU Resident

Flash-Next 这种百 GB 级模型，RAM Offload 很合理。

但回到前面一直测试的 Qwen3.8-27B，情况完全不同。

它不是“无论如何都放不下”。

通过合适的量化，双 16GB 本来就有机会让权重完整驻留 GPU。

这时候我的优化顺序会变成：

选择质量可以接受的量化
↓
尽量让权重完整 GPU Resident
↓
给 Cache / Context 留空间
↓
选择 TP / PP
↓
再优化 Kernel、Compile、CUDA Graph 和调度

这也是为什么前面最终更倾向 NVFP4。

FP8 约 31GB：

32GB 总 VRAM
-
约 31GB 权重
≈
几乎没有运行余量

NVFP4 约 23GB：

32GB 总 VRAM
-
约 23GB 权重
≈
还有约 9GB 名义空间

第一篇主要解释的是 NVFP4 的容量价值。

但到了 vLLM 这一篇，NVFP4 还有另一半更重要的意义：

它不只是“存储格式”，还可以直接参与低精度计算。

3. NVFP4：容量只是第一层价值

如果一个 4bit 量化只解决存储，那么执行路径可能是：

4bit Weight
↓
读取 / 解码
↓
反量化到更高精度
↓
再执行通用 GEMM

这依然能节省：

权重显存
Weight Traffic

但真正更有意思的是硬件原生低精度路径：

NVFP4 Weight
+
低精度 Activation / Scale
↓
FP4 适配的 Tensor Core / MMA 路径
↓
NVFP4 GEMM

这时量化同时改变了两件事：

Memory Traffic ↓ + 低精度计算吞吐 ↑

NVIDIA 的 NVFP4 本身就是为 Blackwell 低精度计算设计的格式，而不是单纯“把 FP16 截成 4bit”。

所以：

NVFP4 在 Blackwell 上的价值，不能只用“省了多少 GB 显存”解释。

如果框架真的走到了合适的 FP4 Kernel，它还会改变 GEMM 本身的执行路径。

RTX 5060 Ti 属于 Blackwell，这件事对 NVFP4 很重要

RTX 5060 Ti 属于 Blackwell 消费级 GPU，CUDA Compute Capability 为 12.0，也就是常说的 SM120。

这意味着这张卡并不是“只能保存 NVFP4，然后全部转回旧精度算”。

在合适的软件栈下，它有对应的 Blackwell 低精度计算能力可以利用。

于是可以形成一条完整链路：

RTX 5060 Ti / SM120
↓
NVFP4 Checkpoint
↓
NVFP4-aware Kernel
↓
Blackwell 低精度 Tensor Core 路径

但这里有一个很重要的前提：

模型文件写着 NVFP4，不代表执行时一定走到了最优 NVFP4 Kernel。

这也是我开始真正关心 vLLM Kernel Dispatch 的原因。

“支持 NVFP4”和“NVFP4 跑得快”是两回事

假设两个框架都能成功加载：

Qwen3.8-27B NVFP4

这只能证明格式兼容。

真正执行时，可能存在完全不同的路径。

例如：

路径 A
NVFP4
↓
额外转换 / 反量化
↓
较通用的 GEMM

和：

路径 B
NVFP4
↓
专用 NVFP4 GEMM
↓
适合当前 Blackwell GPU 的 Kernel

模型格式一样，最终性能完全可能不同。

vLLM 当前的 NVFP4 执行路径会根据平台与可用组件选择对应 GEMM backend，例如 FlashInfer / CUTLASS 一类实现，并在不同硬件能力下选择合适的 fallback。

所以现在看量化模型，我会同时问两个问题：

这个框架能不能加载它？

以及：

加载以后，Linear 最终 Dispatch 到哪个 Kernel？

第二个问题对性能往往更重要。

4. 为什么 Kernel 对单流 Decode 特别重要？

一颗 token 的生成不是“一次巨大的 GPU 运算”。

更像是几十层不断重复：

Attention
↓
Linear
↓
Norm
↓
Linear
↓
Activation
↓
Linear
↓
下一层

前面 TP2 的单流实测大约是：

33.5 token/s

也就是一颗 token：

≈ 30ms

在这个时间尺度里，每层多一点：

量化转换
不合适的 GEMM Shape
Memory Access
Kernel Launch
同步

乘上几十层以后，就会变成很明显的最终差距。

所以现代 LLM 推理框架真正优化的不是某一个“神奇开关”。

而是：

大量重复的小执行路径能不能全部落到更合适的 Kernel 上。

这也是为什么“模型能加载”离“模型跑得好”还差很远。

5. CUDA Graph：Kernel 快了以后，还要减少 Launch

即使每个 CUDA Kernel 本身已经很快，单 token Decode 还有另一个问题。

普通执行更接近：

CPU → Launch Kernel A
CPU → Launch Kernel B
CPU → Launch Kernel C
CPU → Launch Kernel D
...

GPU 做完一个小任务，CPU 再继续提交后面的工作。

对于非常大的矩阵，这点 Launch Overhead 往往不突出。

但 Decode 每颗 token 都要重复大量小操作。

这时“启动 GPU 工作”本身也开始变得有成本。

CUDA Graph 的思路就是把一串 GPU 操作提前 Capture：

普通模式
CPU → A
CPU → B
CPU → C
CPU → D

变成：

CPU
↓
Replay Graph
↓
A → B → C → D

从而减少重复的 CPU 调度与 Kernel Launch 开销。

所以对单 token Decode 来说：

CUDA Graph 不是锦上添花的小功能，而是很自然的一层低延迟优化。

生产 Serving 的 CUDA Graph 不是简单的 ON / OFF

如果只是跑一个固定 Shape Benchmark，Capture 一张 Graph 很容易理解。

但真正 Serving 时，Batch 是动态的：

有时全是 Decode
有时有 Prefill
有时是 Prefill + Decode 混合
Batch Size 也一直变化

所以实际问题不是：

“支不支持 CUDA Graph？”

而是：

不同 Runtime Batch 到底应该走哪种 Graph 模式？

vLLM 当前把 CUDA Graph 分成多个运行模式，例如：

NONE
PIECEWISE
FULL
FULL_DECODE_ONLY
FULL_AND_PIECEWISE

其中在支持对应能力的 V1 配置里，纯 Decode 可以使用更完整的 Graph，而 Prefill / Mixed Batch 可以走 Piecewise 路径，再由 Runtime 根据当前 Batch 类型选择。

这件事对我来说很重要。

因为 CUDA Graph 已经不再只是：

Benchmark 时手动打开的优化开关

而开始变成：

Serving Runtime 自己的一部分执行策略。

CUDA Graph 上面还有 Compile / Inductor

再往上一层还有：

torch.compile / Inductor

vLLM V1 并不是简单把整个模型丢给一个默认 torch.compile(model) 就结束。

它会围绕自身 Serving 执行方式处理：

Graph capture / partition
Compilation cache
Shape specialization
Piecewise compilation
Inductor
自定义优化 pass

于是整个执行链可以粗略理解成：

Model
↓
Graph / Compile
↓
Inductor / Custom Pass
↓
Optimized Kernel
↓
CUDA Graph
↓
Runtime Replay

走到这一层以后，再把 vLLM 理解成“一个用了 PagedAttention 的 API Server”已经明显不够了。

它真正做的是：

把模型执行、Kernel、Graph 和 Serving Runtime 连在一起。

6. TP、NVFP4、Kernel、CUDA Graph 应该放在一条链里看

前面几篇是分开讲的：

NVFP4
→ 让权重更小

TP2
→ 两张 GPU 同时参与同一层

Kernel
→ 当前矩阵到底怎么执行

CUDA Graph
→ 减少 Launch / CPU 调度

但生产部署里它们其实是一条链。

以这次双 5060 Ti 为例：

Qwen3.8-27B NVFP4
↓
权重完整 GPU Resident
↓
TP2
↓
两卡同时处理权重分片
↓
NVFP4 / Attention Kernel
↓
Compile
↓
CUDA Graph

任何一层没有走到理想路径，最后的 token/s 都会受到影响。

所以我现在不太喜欢只问：

NVFP4 能快多少？
CUDA Graph 能快多少？
TP 能快多少？

更值得看的问题是：

这几个优化组合以后，整条执行链有没有真正工作。

7. vLLM 的优势最后还会延伸到 Serving 层

GPU 执行链做好以后，生产服务还有另一类问题：

请求 A：正在 Decode
请求 B：100K Prefill
请求 C：刚到达
请求 D：和上一轮共享大量 Prefix

这时单纯让一个 GEMM 再快一点已经不够。

还需要：

Scheduler
Continuous Batching
Chunked Prefill
Paged Cache / Block 管理
Prefix Cache

来决定：

GPU 当前这一轮到底应该算谁，以及哪些东西根本不用重新算。

这也是 vLLM 让我更愿意拿来做长期 Serving 的另一半原因。

但这部分我不会在这一篇展开。

因为第六篇会专门讨论：

100K Context 装得下以后，Prefix Cache、Chunked Prefill、Continuous Batching 和 MTP 到底分别解决什么问题。

这里先记住一点就够了：

vLLM 的优化不只发生在单颗 token 的 Kernel 内，也发生在请求之间。

8. 那 llama.cpp 呢？

这并不是说 llama.cpp 没有 GPU Kernel、Batching 或 CUDA Graph 一类优化。

它同样是一套非常成熟、而且极其重要的推理 Runtime。

我认为二者真正的区别，不应该写成：

llama.cpp 慢 / vLLM 快

这种过度简单的判断。

更准确的定位是：

llama.cpp 更擅长把“可部署硬件范围”做得非常宽

例如：

GGUF
大量量化格式
CPU-only
CPU + GPU
RAM Offload
异构 GPU
不同显存容量
本地桌面与个人设备

像 Flash-Next 这种模型，如果个人硬件根本不可能全 GPU Resident，那么 llama.cpp 的 CPU + GPU 路线反而可能是最现实的入口。

vLLM 更适合在“模型可以 GPU Resident”以后继续追求 Serving 效率

例如：

TP / PP
高性能量化 Kernel
Compile
CUDA Graph
Continuous Batching
Scheduler
Prefix Cache
高吞吐 API Serving

所以我更愿意用一句话概括两者：

llama.cpp 把个人硬件能触碰到的模型上限往上推；vLLM 则在模型能够 GPU Resident 以后，把 NVIDIA GPU Serving 的性能上限继续往上推。

这两个价值并不冲突。

9. 为什么我的 27B 生产部署默认选 vLLM？

回到这套实际硬件：

2 × RTX 5060 Ti 16GB + Qwen3.8-27B

我们已经找到一种方式，让模型能够：

NVFP4
+
完整 GPU Resident
+
给 Cache 留空间

这时候我就没有太强的理由主动把热点权重再搬回 CPU。

我的关注点已经从：

怎么把模型塞进去？

转向：

怎么让两张 GPU 同时工作？
怎么让 NVFP4 走正确 Kernel？
怎么减少 Kernel Launch？
怎么提高 Serving 吞吐？
怎么避免重复 Prefill？

而这些问题正好是 vLLM 的主场。

所以对这类场景，我现在的默认选择是：

先用 vLLM，把完整 GPU Serving 路线跑通。

如果模型大到根本做不到合理 GPU Resident，再回到 llama.cpp / GGUF / RAM Offload 的容量路线。

10. 我的生产推理优化顺序

现在让我重新部署一个 27B 服务，我大概会按这个顺序：

1. 选择模型与可接受的量化

2. 尽量让权重完整 GPU Resident

3. 确认量化格式真的有当前 GPU 的有效计算路径

4. 选择合适的 TP / PP

5. 确认 GEMM / Attention Kernel

6. Compile / CUDA Graph

7. Context / Cache 规划

8. Scheduler / Continuous Batching

9. Prefix Cache

10. 最后再评估 MTP-based Speculative Decoding

其中最重要的变化是：

我已经不把“模型成功启动”当成部署完成。

真正想要的是：

模型质量合理
权重尽量 GPU Resident
低精度硬件能力被正确利用
Kernel 走在合适路径
GPU 尽量少空转
重复计算尽量少做
多卡和多请求都能有效调度

这时候 NVFP4 就不只是“省了几 GB 显存”。

vLLM 也不只是“KV Cache 管得比较好”。

它们最终都属于同一件事：

把有限的 GPU 资源尽可能转化成真正可用的 Token。

接下来就进入剩余显存里最大的一块变量之一：长上下文 Cache。

《200K Context 到底需要多少显存？从 KV Cache 算到 Qwen3.8 的真实部署》

系列导航： ← 上一篇：两张 RTX 5060 Ti 为什么没有两倍推理速度？显存带宽、PCIe 与 P2P · 下一篇：200K Context 到底需要多少显存？从 KV Cache 算到 Qwen3.8 的真实部署 →

Llama.cpp on Jiangwan's Blog