KI 3.4 — Deployment & MLOps

Inference Serving

ToolStärkeHardware
vLLMPagedAttention, Continuous BatchingNvidia GPU
TGI (HuggingFace)einfach, viele ModelleNvidia GPU
Triton (NVIDIA)Enterprise, multi‑modelNvidia
llama.cppCPU + Apple Siliconjedes Notebook
OllamaWrapper über llama.cppMac/Linux Desktop
SGLangkomplexe Generation PatternsGPU
Modal / ReplicateServerless HostingCloud
Performance‑Hebel:
  • Continuous Batching: Requests laufen parallel — Throughput ×10.
  • KV‑Cache Reuse: gleicher System‑Prompt → Cache wiederverwenden.
  • Quantisierung: AWQ, GPTQ, fp8 → 2–4× Speed bei minimalem Verlust.
  • Speculative Decoding: kleines Draft‑Modell schlägt Tokens vor, großes verifiziert.
Zurück zu Künstliche Intelligenz