SGLang：比vLLM吞吐还要大5倍的推理引擎

当前，LLM的应用场景已远不止简单的对话，而是扩展到需要多轮交互、复杂逻辑控制以及与外部环境集成的复杂任务。因此，在构建复杂、高效且可控的LLM应用仍然面临诸多瓶颈，比如：

• 推理速度慢： 复杂的LLM应用通常需要多次调用模型，重复计算和数据传输导致整体延迟较高。
• 控制性不足：  传统的方式难以精确控制LLM的生成过程，限制了应用的灵活性和可靠性。
• 编程复杂性高：  缺乏专门为LLM应用设计的编程语言和工具，开发者需要花费大量精力在底层细节上。

为了突破这些瓶颈，SGLang应运而生。它通过软硬件协同设计的理念，从后端运行时系统到前端编程语言进行全面优化，旨在让开发者能够更快速、更轻松地构建高性能、高可控性的LLM应用，其性能比同门vLLM高出5倍。

技术特色

SGLang的特色在 RadixAttention 和 前端DSL。这两大组件协同工作，为LLM应用带来了质的飞跃。

1. RadixAttention：自动KV缓存

LLM在生成文本时，需要维护一个 KV 缓存，用于存储之前生成token的中间计算结果。在多轮对话或复杂任务中，很多请求可能共享相同的前缀，例如相同的系统提示或对话历史。传统的推理系统在处理这类场景时，往往会重复计算这些共享前缀的KV缓存，造成大量的冗余计算和内存浪费。虽然有些系统支持KV缓存复用，但通常需要手动配置，且难以应对复杂的复用模式。

蓝色框是可共享的提示部分，绿色框是非共享部分，黄色框是非共享的模型输出。可共享部分包括少量示例学习示例、自我一致性中的问题、多轮对话中的聊天历史以及TOT中的搜索历史。

而SGLang提出了 RadixAttention，它是一种自动且高效的KV缓存复用技术。它将KV缓存组织成 基数树 (Radix Tree) 的数据结构，并结合 LRU (Least Recently Used) 淘汰策略 和 缓存感知调度策略，实现了在运行时自动识别和复用不同LLM调用之间的共享KV缓存。简单类比：你可以将RadixAttention想象成一个智能的图书馆管理员。图书馆（GPU内存）里存放着大量的书籍（KV缓存），每本书都有一个独特的书名（token序列）。当新的读者（LLM请求）来借书时，管理员（RadixAttention）能够快速查找图书馆中是否已经存在包含读者所需信息的书籍（共享前缀的KV缓存）。如果存在，则直接复用，无需重新购买新书（重新计算），大大节省了时间和资源。

如下图所示，Radix树的每个节点代表一个token序列，边代表token。当新的请求到来时，RadixAttention会在树中进行前缀匹配，找到最长共享前缀的节点，并复用其KV缓存。基数树的优势在于其高效的前缀搜索、插入和淘汰能力，能够灵活应对各种复杂的KV缓存复用模式。

RadixAttention的优势也比较明显，具有以下特点。

• 自动化： 无需手动配置，自动识别和复用KV缓存。
• 高效性： 基数树结构和缓存策略保证了高效的缓存管理和复用。
• 通用性：  兼容连续批处理、分页注意力等现有技术，并可扩展到多模态模型。

2. 前端Python嵌入式DSL，简化LLM编程

SGLang不仅在后端进行了优化，还提供了一个嵌入在Python中的领域特定语言 (DSL)，旨在简化LLM应用的编程过程。它允许用户轻松地表达高级提示技术、控制流、多模态输入、并行性和外部交互。 SGLang 程序可以通过解释器模式或编译器模式执行。

如下图展示了一个使用SGLang实现的多维度论文评分器的例子。这个例子使用了 branch-solve-merge prompting 技术，从多个维度评估论文质量，并最终生成总结和评分。通过这些简洁而强大的API，开发者可以轻松构建复杂的LLM应用逻辑，而无需关注底层的模型调用和缓存管理细节。

性能表现

SGLang 通过自动 KV 缓存重用、解释器内的程序并行性和前端后端的协同设计，在吞吐量和延迟方面实现了显著的性能提升。在一系列基准测试中，相比于现有的系统（如 Guidance 和 vLLM）实现了 高达5倍的吞吐量提升。

小结

SGLang作为后起之秀，站在巨人的肩膀（SGLang Runtime 从 vLLM 导入了一些模型和层的实现，但重新设计了批处理和缓存调度器），聚焦LLM应用发展过程中遇到的新痛点，在性能和开发效率上取得非常好的成绩，同时由于项目比较新，在易用性上还存在一些缺点（配置较vllm复杂），因此，也还有更长的路要走，但面向复杂的LLM应用改进推理服务的思路是无比正确的，未来充满前景，值得大家关注学习。

项目地址：https://github.com/sgl-project/sglang