Inferenza⚡
llama.cpp
Pubblicato il 15 ott 2022
Implementazione C++ di LLM per inferenza efficiente su CPU e GPU consumer.
LLMC++LocalEfficient
Torna alle risorse
vLLM
Pubblicato il 13 giu 2023
High-throughput serving di LLM con PagedAttention e ottimizzazioni hardware.
Caratteristiche
- PagedAttention
- Continuous batching
- Multi-GPU
- OpenAI API
- Prefix caching
- Chunked prefill
Cronologia delle versioni
- v0.30.0Attuale
Aggiunge supporto a DeepSeek-V4.1-Flash, GLM-5.3-Flash e altri modelli, insieme alla feature Fast Start con cache pesi persistente in GPU.
- v0.14.0
Abilita di default l'asynchronous scheduling, che sovrappone scheduling e esecuzione GPU migliorando il throughput.
- v0.8.0
Attiva di default il nuovo motore V1 per gli scenari supportati, con miglioramenti di prestazioni e metriche.
- v0.6.0
Raggiunge circa il doppio del throughput rispetto a v0.5.3 con lo scheduler a più passi e l'output processor asincrono.
- v0.5.0
Aggiunge il supporto alla quantizzazione FP8 e l'API Vision di OpenAI per i modelli LLaVA.
- v0.4.0
Introduce la cache automatica del prefisso (automatic prefix caching) e il primo modello vision LLaVA.
- v0.2.0
Porta fino al 60% di miglioramento delle prestazioni e aggiunge il supporto iniziale ad AWQ e a Mistral-7B.
- v0.1.0
Prima release ufficiale di vLLM, motore di inferenza ad alto throughput basato su PagedAttention.
Tag
Link Utili
Scopri vLLM
Visita il sito ufficiale per scaricare, documentarti e iniziare a utilizzare vLLM.
Risorse Correlate — Inferenza
Inferenza🦙
Ollama
Pubblicato il 27 lug 2023v0.35.0
Strumento open source per eseguire LLM localmente con semplicità.
LLMLocalOpen SourceCLI
Inferenza🗣️
Piper TTS
Pubblicato il 1 apr 2022Piper
Sintesi vocale in locale a bassa latenza basata su ONNX: genera parlato naturale da testo in tempo quasi reale, anche su CPU. Multilingue (italiano incluso) e facile da integrare nei pipeline: download del modello, una riga di comando. MIT.
AudioTTSOpen SourceLocale