2. vLLM基础架构

核心组件：vLLM的五大支柱

vLLM之所以能在众多推理引擎中脱颖而出，源于其围绕PagedAttention设计的组件化架构。理解这些组件，是后续调优调度参数的前提。下图展示了vLLM处理请求时的核心组件与数据流转关系。

vLLM的架构可拆解为五个核心组件，它们各司其职又紧密协作：

• LLM Engine（引擎层）：对外提供OpenAI兼容的HTTP接口，负责请求校验、参数解析和结果返回。它是用户与系统交互的唯一入口。
• Scheduler（调度器）：vLLM的“大脑”，决定哪些序列进入本轮迭代、以何种顺序执行。它实现了连续批处理（Continuous Batching），即每步迭代后动态调整批次，而非等待整个序列生成完毕。
• Worker / Model Runner（执行层）：真正调用GPU执行Transformer前向传播的模块。在多卡场景下，它负责张量并行（Tensor Parallelism）和流水线并行（Pipeline Parallelism）的协调。
• KV Cache Manager（缓存管理器）：管理GPU显存中的KV缓存块。它维护物理块与逻辑块的映射关系，并记录每个块的引用计数，以便及时释放不再使用的缓存。
• PagedAttention（分页注意力）：vLLM的核心创新。它将连续的KV缓存拆分为固定大小的“块”（Block），允许这些块在显存中非连续存放，从而消除显存碎片，将显存利用率提升至接近90%。

推理流程：一次请求的完整旅程

理解vLLM的推理流程，是掌握调度参数作用点的关键。整个流程可划分为预填充（Prefill）和解码（Decode）两个阶段，调度参数在这两个阶段的作用截然不同。

1. 请求接入与预处理：客户端发送请求后，LLM Engine将输入文本转换为Token ID序列，并记录序列的元信息（如长度、采样参数）。
2. 调度决策（Prefill阶段）：Scheduler根据当前等待队列、显存余量以及max_num_seqs、max_seq_len等参数，决定将哪些新请求纳入本批次。此阶段需要为每个序列分配足够的KV块来缓存整个输入上下文的注意力结果。
3. 预填充计算：Worker对批次内所有请求的输入Token并行执行前向传播，生成第一个输出Token，并填充KV Cache。此阶段计算密集，GPU利用率高。
4. 调度决策（Decode阶段）：每生成一个Token后，Scheduler会重新评估批次。已生成完毕的序列会被移出，新到达的请求可能被加入。此时max_num_seqs决定了并发解码的上限。
5. 解码迭代：对批次内每个序列，模型读取其最后一个Token的Embedding，结合KV Cache执行注意力计算，预测下一个Token的概率分布。随后根据temperature、top_p等采样参数选出最终Token。
6. 流式返回与资源释放：生成的Token通过流式接口逐步返回给客户端。当序列遇到结束符或达到max_tokens限制时，其占用的KV块被释放，供新请求使用。

对比分析：vLLM vs. TensorRT-LLM vs. HuggingFace TGI

在实际选型中，工程师常将vLLM与TensorRT-LLM、TGI（Text Generation Inference）对比。三者目标一致——提升推理性能，但设计哲学差异显著。

从实际测试数据看，在A100上使用Llama-2-7B模型、并发32路请求时，vLLM的吞吐量可达TGI的2.2倍左右，而TensorRT-LLM在静态batch下可能比vLLM再快10%~15%，但其代价是需要针对具体模型和GPU进行编译优化，且动态请求场景下优势会缩小。vLLM的优势在于动态调度灵活性和部署便捷性，特别适合请求长度波动大、并发数高的在线场景。

案例：从TGI迁移到vLLM的收益

某智能客服团队原先使用TGI部署Qwen-14B模型，线上峰值时平均首Token延迟（TTFT）达到1.8秒，GPU显存利用率仅62%。迁移到vLLM后，仅调整了gpu_memory_utilization=0.90和max_num_seqs=64，在相同硬件上取得了以下效果：

• TTFT降至0.9秒，降低50%
• 吞吐量从每秒120个Token提升至310个Token
• 显存利用率稳定在85%以上，未出现OOM

这一提升主要归功于PagedAttention消除了KV Cache碎片，以及迭代级调度让GPU始终在处理有效请求，而非等待慢序列完成。

误区与复盘：调度参数不是越大越好

在调优过程中，工程师常陷入以下误区：