Tensorrt Llm
利用 NVIDIA TensorRT 优化 LLM 推理，实现最大吞吐量和最低延迟。适用于在 NVIDIA GPU（A100/H100）上进行生产部署，当需要比 PyTorch 快 10-100 倍的推理速度，或需要服务带有量化（FP8/INT4）、飞行中批处理和多 GPU 扩展的模型时使用。
技能元数据
| 来源 | 可选 — 使用 hermes skills install official/mlops/tensorrt-llm 安装 |
| 路径 | optional-skills/mlops/tensorrt-llm |
| 版本 | 1.0.0 |
| 作者 | Orchestra Research |
| 许可证 | MIT |
| 依赖项 | tensorrt-llm, torch |
| 平台 | linux, macos |
| 标签 | Inference Serving, TensorRT-LLM, NVIDIA, Inference Optimization, High Throughput, Low Latency, Production, FP8, INT4, In-Flight Batching, Multi-GPU |
参考：完整的 SKILL.md
信息
以下是当此技能被触发时，Hermes 加载的完整技能定义。这是技能激活时智能体看到的指令。
TensorRT-LLM
NVIDIA 的开源库，用于在 NVIDIA GPU 上通过最先进的性能优化 LLM 推理。
何时使用 TensorRT-LLM
在以下情况下使用 TensorRT-LLM：
- 在 NVIDIA GPU（A100, H100, GB200）上部署
- 需要最大吞吐量（在 Llama 3 上达到 24,000+ 个 token/秒）
- 需要实时应用的低延迟
- 使用量化模型（FP8, INT4, FP4）
- 跨多个 GPU 或节点进行扩展
在以下情况下改用 vLLM：
- 需要更简单的设置和 Python 优先的 API
- 希望在不进行 TensorRT 编译的情况下使用 PagedAttention
- 使用 AMD GPU 或非 NVIDIA 硬件
在以下情况下改用 llama.cpp：
- 在 CPU 或 Apple Silicon 上部署
- 需要在没有 NVIDIA GPU 的边缘设备上部署
- 希望使用更简单的 GGUF 量化格式
快速入门
安装
# Docker（推荐）
docker pull nvidia/tensorrt_llm:latest
# pip 安装
pip install tensorrt_llm==1.2.0rc3
# 需要 CUDA 13.0.0, TensorRT 10.13.2, Python 3.10-3.12
基本推理
from tensorrt_llm import LLM, SamplingParams
# 初始化模型
llm = LLM(model="meta-llama/Meta-Llama-3-8B")
# 配置采样参数
sampling_params = SamplingParams(
max_tokens=100,
temperature=0.7,
top_p=0.9
)
# 生成
prompts = ["解释量子计算"]
outputs = llm.generate(prompts, sampling_params)
for output in outputs:
print(output.text)
使用 trtllm-serve 提供服务
# 启动服务器（自动下载并编译模型）
trtllm-serve meta-llama/Meta-Llama-3-8B \
--tp_size 4 \ # 张量并行（4个GPU）
--max_batch_size 256 \
--max_num_tokens 4096
# 客户端请求
curl -X POST http://localhost:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "meta-llama/Meta-Llama-3-8B",
"messages": [{"role": "user", "content": "你好！"}],
"temperature": 0.7,
"max_tokens": 100
}'
主要特性
性能优化
- 飞行中批处理：生成过程中的动态批处理
- 分页 KV 缓存：高效的内存管理
- Flash Attention：优化的注意力内核
- 量化：FP8、INT4、FP4，推理速度提升 2-4 倍
- CUDA 图：减少内核启动开销
并行性
- 张量并行 (TP)：将模型拆分到多个 GPU
- 流水线并行 (PP)：按层分布
- 专家并行：用于混合专家模型
- 多节点：扩展到单台机器之外
高级特性
- 投机解码：使用草稿模型进行更快生成
- LoRA 服务：高效部署多个适配器
- 分解式服务：将预填充和生成分离
常见模式
量化模型 (FP8)
from tensorrt_llm import LLM
# 加载 FP8 量化模型（速度提升2倍，内存占用减少50%）
llm = LLM(
model="meta-llama/Meta-Llama-3-70B",
dtype="fp8",
max_num_tokens=8192
)
# 推理过程与之前相同
outputs = llm.generate(["总结这篇文章..."])
多 GPU 部署
# 在 8 个 GPU 上进行张量并行
llm = LLM(
model="meta-llama/Meta-Llama-3-405B",
tensor_parallel_size=8,
dtype="fp8"
)
批量推理
# 高效处理 100 个提示
prompts = [f"问题 {i}: ..." for i in range(100)]
outputs = llm.generate(
prompts,
sampling_params=SamplingParams(max_tokens=200)
)
# 自动飞行中批处理以实现最大吞吐量
性能基准
Meta Llama 3-8B (H100 GPU)：
- 吞吐量：24,000 个 token/秒
- 延迟：每个 token 约 10ms
- 对比 PyTorch：快 100 倍
Llama 3-70B (8× A100 80GB)：
- FP8 量化：比 FP16 快 2 倍
- 内存：使用 FP8 减少 50%
支持的模型
- LLaMA 系列：Llama 2, Llama 3, CodeLlama
- GPT 系列：GPT-2, GPT-J, GPT-NeoX
- Qwen：Qwen, Qwen2, QwQ
- DeepSeek：DeepSeek-V2, DeepSeek-V3
- Mixtral：Mixtral-8x7B, Mixtral-8x22B
- 视觉模型：LLaVA, Phi-3-vision
- HuggingFace 上的 100+ 模型