FlexKV源码与技术点：把LLM推理的KV Cache扩展到CPU、SSD和远端

版本说明：本文以2026-09-04拉取的taco-project/FlexKV主分支提交016c2903b93a1002e1c50eaf17fb9a537e970b34为实现基线。FlexKV仍在快速演进，文中的功能和配置应以实际安装版本、GPU/驱动和推理框架版本为准。 1. 先说结论 FlexKV是一个面向大模型推理的KV Cache Store和多级缓存管理系统。它把原本只能放在GPU显
笔记
#KV Cache #LLM Inference #RDMA #SGLang #FlexKV #vLLM #GDS

vLLM KV Connector 深入解析：Kimi K3 混合注意力之后，缓存协议改了什么

版本说明：本文按 2026-09-04 的 vLLM upstream main 整理，基线 commit 为 ae2d1ca。本地源码 checkout 是 f4b161d7，用于交叉验证 Kimi K3 的实现和较早的调用路径，不代表当前 main 的全部行为。KV connector API 仍由源码标记为 experimental，生产部署应以实际安装版本为准。 1. 先说结论 先把问题
笔记
#KV Cache #VLLM #Disaggregated Serving #Kimi K3 #NIXL #Hybrid Attention #KV Connector

Mooncake Serving Platform源码与工程深度解析：把KV Cache变成可调度的分布式资源

版本说明：本文基于2026-09-04访问的kvcache-ai/Mooncake主线 commit e58ad953及其官方文档、源码和性能页面撰写。Mooncake仍在快速演进，文中的类名、配置项和集成方式不应视为跨版本稳定API。 1. 先说结论 Mooncake不是一个“把KV Cache存到Redis里”的小工具，也不只是Prefill/Decode（P/D）分离的传输插件。它更像是L
笔记
#KV Cache #LLM Inference #RDMA #SGLang #Mooncake #vLLM #Distributed Systems

DeepSeek-V4架构详解：CSA/HCA、mHC与1M上下文推理

资料范围：截至 2026-09-04。本文以 DeepSeek 官方发布公告、官方技术报告和 DeepSeek-V4-Pro/Flash 的公开推理代码为一手依据。V4 的代码和权重仍可能更新，文中的配置值应以文章引用的仓库版本为准。 先说结论 DeepSeek-V4 不是靠一个孤立的“新 Attention”解决 1M 上下文，而是把几条成本曲线一起压低： 1. 注意力层交错使用 CSA
论文阅读
#DeepSeek #Attention #MoE #DeepSeek-V4 #Transformer #推理优化

深入理解 DeepSeek Harness 与 Programmatic Tool Calling

版本说明：本文写于 2026-08-17。DeepSeek Harness 官方仓库目前仍标记为 developer preview，命令、配置和插件接口可能发生不兼容变化。本文以官方公开的 README、架构文档和用户指南为准；Programmatic Tool Calling（下文简称 PTC）以 Anthropic 的公开定义作为主要参考。文中的 PTC 代码是概念示例，不是 DeepSee
笔记
#Agent #LLM #DeepSeek #Tool Calling #Programmatic Tool Calling

Kimi K3模型架构详解：KDA、Attention Residuals与Stable LatentMoE如何协同

版本说明：本文基于Moonshot AI官方Kimi K3技术报告、官方仓库3cb39df（报告更新于2026-08-06）、官方技术博客和部署文档整理；张量shape与prefill/decode执行路径额外对照vLLM main提交f4b161d7（2026-08-18）。架构、训练和系统数据来自官方报告；标记为“vLLM实现”的内容是当前后端与checkpoint支持，不等于模型数学只允许这
笔记
#KV Cache #LLM #MoE #MLA #Kimi K3 #Moonshot AI #KDA #Attention Residuals

GB300与NVL72详解：从Blackwell Ultra芯片到72 GPU液冷机架

1. 先说结论 版本说明：本文按 2026-08-15 访问的 NVIDIA 官方 GB300 NVL72、Blackwell Architecture、NVLink、NVLink-C2C 和 ConnectX 资料整理。用户所说的“NV72”通常是 NVL72 的简称；NVIDIA 的正式产品名是 GB300 NVL72。如果这里的 NV72 指的是别的厂商内部型号，需要以具体型号为准。 先把
笔记
#GPU Cluster #NVIDIA #Blackwell #GB300 #NVL72 #AI Infrastructure #Inference

FastAFD详解：在Blackwell NVL72上拆分Attention与FFN的MoE推理系统

版本说明：本文基于Hao AI Lab于2026-07-06发布的FastAFD技术文章，以及2026-07-08的开源仓库commit 3c71619整理。GB200 NVL72上的1.35-1.45倍结果来自作者实测；Vera Rubin + LPX/LPU部分是建立在若干假设上的预测，不是硬件实测。本文没有本地复现多节点GB200实验。 1. 先说结论 FastAFD解决的是一个很具体、但
笔记
#LLM Inference #NVLink #CUDA Graph #MoE #FastAFD #Blackwell #DeepEP #DeepGEMM