Tensorrt Llm
使用 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，当你需要比 PyTorch 快 10-100 倍的推理速度，或者需要为模型提供量化（FP8/INT4）、动态批处理和多 GPU 扩展支持时。
技能元数据
| 来源 | 可选 — 通过 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 | 推理服务, TensorRT-LLM, NVIDIA, 推理优化, 高吞吐量, 低延迟, 生产环境, FP8, INT4, 动态批处理, 多GPU |
参考：完整 SKILL.md
info
以下是该技能被触发时 Hermes 加载的完整技能定义。这是 Agent 在技能激活时看到的指令。
TensorRT-LLM
NVIDIA 的开源库，用于在 NVIDIA GPU 上以最先进的性能优化 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（Llama 3 上每秒超过 24,000 个 token）
- 需要低延迟以满足实时应用需求
- 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
- 希望使用 PagedAttention 而无需 TensorRT 编译
- 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
- 需要边缘部署且没有 NVIDIA GPU
- 希望使用更简单的 GGUF 量化格式
快速开始
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（自动下载和编译模型）
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
}'
关键特性
性能优化
- In-flight batching：在生成过程中动态批处理
- Paged KV cache：高效的内存管理
- Flash Attention：优化后的注意力核函数
- Quantization：FP8、INT4、FP4，实现 2-4 倍的推理加速
- CUDA graphs：降低核函数启动开销
并行能力
- Tensor parallelism (TP)：跨 GPU 拆分模型
- Pipeline parallelism (PP)：按层分布
- Expert parallelism：用于 Mixture-of-Experts 模型
- Multi-node：扩展到单机之外
高级特性
- Speculative decoding：通过草稿模型实现更快的生成
- LoRA serving：高效的多适配器部署
- Disaggregated serving：分离预填充和生成阶段
常用模式
量化模型 (FP8)
from tensorrt_llm import LLM
# Load FP8 quantized model (2× faster, 50% memory)
llm = LLM(
model="meta-llama/Meta-Llama-3-70B",
dtype="fp8",
max_num_tokens=8192
)
# Inference same as before
outputs = llm.generate(["Summarize this article..."])
多 GPU 部署
# Tensor parallelism across 8 GPUs
llm = LLM(
model="meta-llama/Meta-Llama-3-405B",
tensor_parallel_size=8,
dtype="fp8"
)
批量推理
# Process 100 prompts efficiently
prompts = [f"Question {i}: ..." for i in range(100)]
outputs = llm.generate(
prompts,
sampling_params=SamplingParams(max_tokens=200)
)
# Automatic in-flight batching for maximum throughput
性能基准
Meta Llama 3-8B（H100 GPU）：
- 吞吐量：24,000 tokens/sec
- 延迟：~10ms per token
- 对比 PyTorch：100 倍加速
Llama 3-70B（8× A100 80GB）：
- FP8 量化：比 FP16 快 2 倍
- 内存：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