作者：望宸
随着 DeepSeek R1 和 Qwen2.5-Max 的发布，国内大模型推理需求激增，性能提升的主战场将从训练转移到推理。
由于无论是训练还是推理，如何提升性能都是业内讨论最多的话题之一。为什么是性能呢？做过在线业务工程化的人都知道，性能的提升，直接带来的效果有两个：
- 计算资源成本的下降，更便宜
- 客户端体验的提升，内容生成更快
在大模型消耗计算资源多、客户端内容流式生成的场景下，性能显得尤为重要。
推理性能的提升涉及底层硬件、模型层，以及其他各个软件中间件层的相互协同，因此了解大模型技术架构的全局视角，有助于我们对推理性能的优化方案进行评估和选型。
说明：图中未包含所有 vendor；部分 vendor 会涉及多个领域。
芯片层
芯片层是计算系统的物理基础，负责执行底层算术逻辑操作，其设计直接影响算力密度、能耗比及并行计算能力。国外有 NVIDIA、AMD 等 GPU 厂商，还有 Groq 等专门针对 AI 推理进行性能优化的芯片制造商。国内是阿里的平头哥、华为的 AScend、寒武纪，以及多家创业公司，包括摩尔线程、燧原科技、沐曦集成、壁仞等。
面向芯片的编程语言和芯片开发包层
硬件编程的抽象接口，实现高效资源调度与指令映射，平衡编程便利性与计算效率。NVIDIA CUDA、AMD ROCm、平头哥 HGAI、Ascend C、寒武纪 BangC、摩尔线程 MUSA、燧原科技 Tops Riser、沐曦集成 MXMACA、壁仞 SUPA，除了提供面向硬件的编程语言，还会提供库、工具和文档等一系列开发者工具。NVIDIA CUDA 技术生态一家独大，对开发者而言，切换编程语言，成本较大。
通用深度学习框架层
提供一系列基础工具和功能，简化了大模型的开发、训练和部署流程。教练水平决定训练效果，PyTorch 和 TensorFlow 是两大“顶流私教”，主流框架包括：
- PyTorch： 由 Facebook AI Research 开发并维护。采用动态计算图技术，在执行过程中能动态调整计算流程，与 Python 深度集成，提供直观的 API 接口和灵活的编程体验。适用于快速原型开发、研究和实验，尤其是需频繁修改和迭代模型的场景。
- TensorFlow： 由谷歌基于 DistBelief 研发的第二代人工智能学习系统，可用于 Python、JavaScript、C++ 和 Java 等多种编程语言，广泛应用于语音识别、图像识别等机器学习和深度学习领域，支持 CNN、RNN 和 LSTM 等算法。
- JAX： 由谷歌开发，旨在为科研人员提供一个既能够方便进行算法实验，又能充分利用硬件资源加速计算的工具，尤其在需要进行自动求导和并行计算的场景中表现出色。
- MindSpore： 有华为开源，是一种适用于端边云场景的新型开源深度学习训练/推理框架，为 Ascend AI 处理器提供原生支持，以及软硬件协同优化。
- PaddlePaddle： 由百度开源，支持多种深度学习模型的高效训练，能在多 GPU 和多节点环境下分布式训练，优化计算资源使用效率。
- MXNet： 由 Carlos Guestrin 在华盛顿大学共同开发，是亚马逊云计算服务的首选深度学习框架，支持 C++、Python、Java、Julia、MATLAB、JavaScript、Go、R、Scala 等多种编程语言。
- Caffe： 由伯克利人工智能研究小组和伯克利视觉和学习中心开发，内核用 C++ 编写，有 Python 和 Matlab 相关接口。以模块化原则设计，实现了对新的数据格式、网络层和损失函数的轻松扩展。
大模型推理加速层
针对推理阶段优化计算效率与资源利用率，通过编译、量化、批处理等技术降低延迟与成本。这一层参与的行业玩家众多，有芯片制造商、云厂商、软件企业、模型社区、科研机构，提供包括开源方案和商业服务，后端接入大模型，提供 API 调用服务。
推理加速的本质是“显存刺客” vs “算力魔术师”，谁能用更少的资源跑出更高的性能，谁就是赢家。业内主流方案包括：
- vLLM (Vectorized Large Language Model Inference) ： 由 UC Berkeley 研究团队开源的大语言模型推理和服务框架，采用 PagedAttention 技术，有效减少内存碎片，提升内存利用率，支持多种大语言模型，如通义、LLaMA 等，与 Hugging Face 生态集成良好，可直接加载 HF 上的模型权重。
- TensorRT-LLM： 是 NVIDIA 基于 TensorRT 优化的 LLM 开源推理库，深度集成 NVIDIA GPU 硬件特性，如 Tensor Core，可与 NVIDIA 其他工具和库（如 CUDA、cuBLAS 等）无缝配合，还可以与 Triton 框架结合，以提升服务在 NVIDIA GPU 上的推理效率。
- ONNX Runtime： 是一个轻量级、跨平台的高性能推理引擎，由微软开发并维护，旨在打破不同深度学习框架之间的壁垒，使得模型可以在多种环境中高效运行，提高模型的可移植性和部署效率。
- TGI (Text Generation Inference) ： 由 Hugging Face 团队开发，紧密集成 Hugging Face 的 Transformer 库，可轻松加载和使用 Hugging Face 上的众多模型；支持分布式推理，可在多 GPU 环境下扩展服务能力。
- Deepytorch Inference： 是阿里云 GPU 云服务器自研的 AI 推理加速器，专注于为 Torch 模型提供高性能的推理加速。通过对模型的计算图进行切割、执行层融合以及高性能 OP 的实现，大幅度提升 PyTorch 的推理性能。
- BladeLLM： 是阿里云人工智能平台 PAI 自研的为大语言模型优化的推理引擎，在模型计算、生成引擎、服务框架、应用场景层均作了提升，性能优于主流开源框架。
- SiliconLLM： 硅基流动科技推出的专注于大模型推理加速的框架，自主研发了高效的算子和调度策略，支持多种硬件平台，可与多种深度学习框架协同工作。
- TurboMind： 上海人工智能实验室开源，专为 LLaMA 系列大语言模型设计的推理加速引擎，支持动态批处理、持续批处理（Continuous Batching）技术。
模型层
- 国外主流方案：OpenAI 的 GPT、Google 的 Gemini、Meta 的 LLaMA、Anthropic 的 Claude、Mistral AI、X 的 Grok，其中，Meta 的 LLaMA 和 Mistral AI 对模型核心能力进行了开源，其他大模型也有通过技术报告分享，或者部分能力开源的方式反馈社区。
- 国内主流方案：阿里云 Qwen、DeepSeek、百度文心一言、字节豆包、腾讯云混元、讯飞星火、kimi 等六小龙...其中，Qwen、DeepSeek 对模型核心能力进行了开源，其他大模型也有通过技术报告分享，或者部分能力开源的方式反馈社区。
开源 LLM 已经不再仅仅是闭源模型的追随者，而是开始主导 AI 发展的方向，DeepSeek、Qwen 和 LLaMA 是目前领跑的开源项目。
计算平台层
计算平台层，由于依赖 GPU 算力资源，国内以公共云厂商为主，例如阿里云的人工智能计算平台 PAI、百炼、提供 Serverless GPU 能力的函数计算 FC、容器计算服务 ACS、GPU 服务器等。国外因不受美国出口管制条例的影响，以及大模型技术生态更加完善的原因，vendor 种类和数量更加丰富。除了公共云厂商提供的算力服务外，还有芯片厂商、软件厂商，均提供了推理计算服务。例如 Groq、together.io、Fireworks.ai 等。
by EricFlaningam on X
随着国产 GPU 和 AI 芯片能力的增强，相信这一层国内的 vendor 也会越来越多，提供更加丰富多样的推理计算服务，进一步完善大模型产品链。
应用编排层
大模型的应用编排层是大模型落地产业的核心中间层，是连接大模型能力与业务场景的"粘合剂"，主要用于整合模型、工具、数据和服务，实现复杂 AI 任务的自动化流程构建与执行，并提升生成效果。
- Langchain：由 Harrison Chase 于 2022 年创建的开源项目，通过 Chain、Agent、Memory 三大组件，像搭乐高一样组合工具链，支持 OpenAI 等 30+ 模型 API，集成 Wikipedia、Wolfram Alpha 等 200+ 外部服务，内置Chroma/Pinecone 等向量数据库接口，实现知识库实时检索增强。
- LlamaIndex：聚焦于数据处理和索引构建，适用于需要对大量数据进行有效管理和利用的场景，特别是当你希望 LLM 能够基于特定领域的知识进行回答。
以上两个开源项目，适用于 Python 开发者。
- Spring AI Alibaba：专为 Spring 和 Java 开发者设计的智能体开发框架，对 AI 智能体应用的通用开发范式做了很好的抽象，从原子能力层次如对话模型接入、提示词模板到函数调用，再到高层次抽象如智能体编排、对话记忆，和国内大模型做了深度适配，还提供了应用从部署到运维的最佳实践，包括网关、配置管理、部署、可观测等。
以上三个开源项目，都是代码级编程框架，自由度高。
- Dify：是一个开源的 LLM 应用开发平台，提供从 Agent 构建到 AI workflow 编排、RAG 检索、模型管理等能力，轻松构建和运营生成式 AI 原生应用。
- 阿里云百炼：是一站式的大模型开发及应用构建平台。不论是开发者还是业务人员，都能深入参与大模型应用的设计和构建。无须代码，通过简单的界面操作，就可以开发 AI 应用。
此外，也可以使用云原生应用开发平台 CAP+函数计算 FC，以 Serverless 的范式，调用算力资源和编排 AI 应用。
以上三个是低代码平台，使用门槛更低，其中，百炼和云原生应用开发平台 CAP+函数计算 FC，提供了推理的算力支持。
流量管理层
大模型的流量层是大模型服务化部署的核心中间件，主要负责流量、服务、安全和 API 的管理，确保大模型服务在高负载下仍能保持稳定、低延迟的响应。此前国内的大模型需求集中在训练阶段，对流量管理层的需求并不强烈，但随着推理需求的激增，流量管理也将成为类似 Web 应用架构中不可或缺的角色。
但不同于 Web 应用，大模型应用对流量、服务、安全和 API 的管理，呈现了新的特征、提出了新的需求：
- 长连接。由 AI 场景常见的 Websocket 和 SSE 协议决定，长连接的比例很高，要求网关更新配置操作对长连接无影响，不影响业务。
- 高延时。LLM 推理的响应延时比普通应用要高出很多，使得 AI 应用面向恶意攻击很脆弱，容易被构造慢请求进行异步并发攻击，攻击者的成本低，但服务端的开销很高。
- 大带宽。结合 LLM 上下文来回传输，以及高延时的特性，AI 场景对带宽的消耗远超普通应用，网关如果没有实现较好的流式处理能力和内存回收机制，容易导致内存快速上涨。
- 相比传统 Web 应用，大模型应用的内容生成时间更长，对话连续性对用户体验至关重要，如何避免后端插件更新导致的服务中断？
- 相比传统 Web 应用，大模型应用在服务端处理单个请求的资源消耗会大幅超过客户端，来自客户端的攻击成本更低，后端的资源开销更大，如何加固后端架构稳定性？
- 很多 AI 应用都会通过免费调用策略吸引用户，如何防止黑灰产爬取免费调用量封装成收费 API 所造成的资损？
- 不同于传统 Web 应用基于信息的匹配关系，大模型应用生成的内容则是基于人工智能推理，如果保障生产内容的合规和安全？
- 当接入多个大模型 API 时，如何屏蔽不同模型厂商 API 的调用差异，降低适配成本？
针对以上新特征、新需求，传统 Nginx 网关已经无法应对，因此国内外均出现了大量基于 Envoy 为内核的新一代开源网关。
- Higress： 内核基于 Istio 和 Envoy，并基于生产业务需求做了增强，可用于部署 Web 类应用和大模型应用，在 AI 领域，已经支撑了通义千问 APP、百炼大模型 API、机器学习 PAI 平台、FastGPT、中华财险等 AI 业务。
- Kong AI Gateway： 基于 Kong 的插件架构，Kong AI Gateway 具有很强的可扩展性。开发者可以根据自己的需求开发自定义插件，以实现特定的功能，如自定义的流量控制策略、数据转换、模型框架的调度等。
- 阿里云云原生 API 网关： 提供大模型相关的 API 的全生命周期管理，和阿里云其他云产品集成体验好，例如 PAI、函数计算等，同时基于 Higress 提供了诸多开源增强能力。
此外，还有大模型应用的实施层，这一层中的 vendor 或是具备行业 know-how 的能力，或是具备大模型基建 know-how 的能力，他们充分利用开源大模型、开源中间件，并结合各自的技术沉淀，提供集成、线下部署等多元化的服务，也是大模型技术和应用生态的关键角色，由于厂家众多，不再一一枚举。
