SGLang HiCache 设计深度解析：从 GPU L1 到 L3 存储的 KV 生命周期

版本说明：本文基于 2026-09-11 拉取的 SGLang upstream，固定 commit 为 a4ff5634b82546679704c42c984d7f950203922e。文中的类名、函数名和参数只对这个版本负责。本文重点讨论 HiRadixCache、GPU/host 两级内存池和可选 L3 storage backend；统一缓存、Mamba/SSM、DSA 与 PD 分离会在
笔记
#KV Cache #LLM Inference #CUDA #SGLang #Mooncake #HiCache #RadixAttention

SGLang Runtime 源码深度解析：一次请求如何穿过调度、KV Cache 与 GPU

版本说明：本文基于 2026-09-11 拉取的 SGLang upstream main，固定 commit 为 a4ff5634b82546679704c42c984d7f950203922e。源码更新很快，文中的函数名和调用关系只对这个 commit 负责。示例默认讨论生成模型、单个 scheduler、常规 CUDA 路径；LoRA、speculative decoding、DP atte
笔记
#KV Cache #LLM Inference #CUDA #SGLang #HiCache #RadixAttention #Scheduler

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