10 月 19 日，SGLang 团队发布文章，宣布推出全新的开源推理引擎 SGLang-JAX —— 一个完全基于 JAX 和 XLA 构建的最先进的开源推理引擎，实现了快速、原生的 TPU 推理。
SGLang-JAX 项目首发支持了百灵非思考模型 Ling 和思考模型 Ring，感谢社区伙伴对百灵大模型的认可与支持，期待后续更多更深入的社区合作。
【百灵模型系列官方链接🤗】
https://huggingface.co/collections/inclusionAI/ling-v2
https://huggingface.co/collections/inclusionAI/ring-v2
SGLang-JAX 技术博客原文（https://lmsys.org/blog/2025-10-29-sglang-jax/）翻译如下：
SGLang-JAX：一种用于原生 TPU 推理的开源解决方案
作者：SGLang-JAX 团队，2025 年 10 月 29 日
我们非常高兴地介绍 SGLang-JAX —— 一个完全基于 JAX 和 XLA 构建的最先进开源推理引擎。
它利用了 SGLang 的高性能服务端架构，并使用 JAX 来编译模型的前向计算过程。
通过结合 SGLang 与 JAX，本项目在保持 连续批处理（continuous batching）、前缀缓存（prefix caching）、张量与专家并行（tensor & expert parallelism）、推测解码（speculative decoding）、内核融合（kernel fusion）等高级特性支持的同时，实现了快速、原生的 TPU 推理。
基准测试显示，SGLang-JAX 的性能与其他 TPU 推理方案相当，甚至在某些情况下更胜一筹。
源码可在此获取：
👉 https://github.com/sgl-project/sglang-jax
为何选择 JAX 后端？
虽然 SGLang 最初基于 PyTorch 构建，但社区一直强烈希望支持 JAX。
我们选择构建 JAX 后端的主要原因如下：
JAX 为 TPU 而生
为了在性能上做到极致无妥协，Jax 是最合适的选择。随着 Google 扩大 TPU 的公共访问，我们预计 JAX + TPU 将获得显著增长，带来高性价比的推理能力。顶级 AI 实验室已广泛采用 JAX
Google DeepMind、xAI、Anthropic 和 Apple 等实验室使用同一框架进行训练与推理，可减少维护成本并避免两阶段间的偏移。JAX + XLA 是经过验证的编译驱动栈
它在 TPU 上性能卓越，同时在多种自研 AI 芯片（TPU 类架构）上表现优异。
架构
下图展示了 SGLang-JAX 的体系结构。整个堆栈完全基于 JAX，代码简洁且依赖最小化。
在输入端，它通过 OpenAI 兼容 API 接收请求，利用 SGLang 的高效 RadixCache 进行前缀缓存，并采用 重叠调度器（overlap scheduler） 实现低开销批处理。
调度器会为不同批次大小预编译 JAX 计算图。
在模型端，我们使用 Flax 实现模型，并通过 shard_map 支持多种并行策略。
两个核心算子 —— 注意力（attention）和 MoE —— 使用自定义 Pallas 内核 实现。
SGLang-JAX 架构示意图
关键优化
1. 集成 Ragged Paged Attention v3
我们将 RPA v3 集成至系统，并扩展以支持 SGLang 的特性：
根据不同场景优化 kernel grid block 配置，以获得更佳性能。
实现与 RadixCache 的兼容。
为支持 EAGLE 推测解码（speculative decoding），我们为 RPA v3 增加了用于验证阶段的自定义 mask。
2. 减少调度开销
在前向计算过程中，CPU 与 TPU 的串行操作会影响性能。
然而，不同设备上的操作可以解耦，例如：在 TPU 启动计算的同时，CPU 可准备下一个批次。
为此，我们的调度器通过事件循环重叠 CPU 与 TPU 的任务执行：
调度器使用结果队列与线程事件，实现 CPU 与 TPU 的流水线化。
当 TPU 处理批次 N 时，CPU 准备批次 N+1。
根据性能分析结果优化操作顺序，实现最大化重叠。
例如在 Qwen/Qwen3-32B 上，我们将 预填充到解码的时间间隙 从约 12ms → 38μs，以及 7ms → 24μs。
更多细节可参考我们此前的博客（https://lmsys.org/blog/2024-12-04-sglang-v0-4/）。
使用重叠调度器：批次间间隙极小
不使用调度器：批次间存在显著 CPU 开销
3. MoE 内核优化
MoE 层目前支持两种实现策略：EPMoE 与 FusedMoE。
在 EPMoE 中，我们集成了 Megablox GMM 运算符，替代了原先基于 jax.ragged_dot 的实现。该算子专为 MoE 设计，能高效处理不同大小的专家组（group_sizes），避免冗余计算与非连续内存访问。在典型配置下，性能提升可达 3–4× e2e ITL 加速。结合高效的 token 排列（permute/unpermute）、跨设备专家并行通信（ragged_all_to_all） 与 自适应分块策略，EPMoE 能显著提升吞吐量。
FusedMoE 将所有专家计算融合为稠密的 einsum 操作，无需跨设备通信，适合专家数量少但单体较大的模型（如 <64 个专家）。它同时也是调试与正确性验证的轻量后备方案。
4. 推测解码（Speculative Decoding）
SGLang-JAX 实现了基于 EAGLE 的推测解码，也称为 多 Token 预测（MTP）。
该技术通过轻量级 draft head 一次预测多个 Token，并在验证阶段通过完整模型并行确认，从而加速生成。
为支持树状的 MTP-Verify，SGLang-Jax 在 RPA v3 之上增加了 非因果 mask 支持，使其可在验证阶段并行解码树状、非因果 Token。
目前支持 Eagle2 和 Eagle3，未来将继续优化内核并扩展不同注意力后端的支持。
TPU 性能
经过上述优化后，SGLang-JAX 的性能与其他 TPU 推理方案相当甚至更优。
在 TPU 与 GPU 的对比中，SGLang-JAX 也展现出强劲的竞争力。
完整基准结果与使用说明见：
👉 https://github.com/sgl-project/sglang-jax/issues/297
使用方法
安装 SGLang-JAX 与启动服务
安装：
# with uvuv venv --python 3.12 && source .venv/bin/activateuv pip install sglang-jax# from sourcegit clone https://github.com/sgl-project/sglang-jaxcd sglang-jaxuv venv --python 3.12 && source .venv/bin/activateuv pip install -e python/
启动服务：
MODEL_NAME="Qwen/Qwen3-8B" # or "Qwen/Qwen3-32B"jax_COMPILATION_CACHE_DIR=/tmp/jit_cache \uv run python -u -m sgl_jax.launch_server \--model-path ${MODEL_NAME} \--trust-remote-code \--tp-size=4 \--device=tpu \--mem-fraction-static=0.8 \--chunked-prefill-size=2048 \--download-dir=/tmp \--dtype=bfloat16 \--max-running-requests 256 \--page-size=128
通过 GCP 控制台使用 TPU
可在菜单Compute Engine → Create TPU中创建 TPU。
注意不同区域支持的 TPU 版本不同，请设置 TPU 软件版本为v2-alpha-tpuv6e。
前往Settings → Metadata → SSH Keys，添加公钥。创建完成后，可通过External IP + 用户名登录 TPU。
更多说明见：👉Google Cloud TPU 设置指南https://docs.cloud.google.com/tpu/docs/setup-gcp-account
通过 Skypilot 使用 TPU
建议在日常开发中使用Skypilot。
可通过以下步骤快速搭建环境并运行测试：
安装 Skypilot（GCP 环境）https://docs.skypilot.co/en/latest/getting-started/installation.html#gcp：
👉安装指南
然后运行sgl-jax.sky.yaml：
sky launch sgl-jax.sky.yaml --cluster=sgl-jax-skypilot-v6e-4 --infra=gcp -i 30 --down -y --use-spot
该命令会在各地区自动选择最低价的 TPU Spot 实例，闲置 30 分钟后自动关闭，并自动安装 sglang-jax 环境。设置完成后，可直接通过ssh cluster_name登录，无需记录外部 IP。
路线图
我们与 Google Cloud 团队及多方合作伙伴正在推进以下计划：
模型支持与优化
优化 Grok2、Ling/Ring、DeepSeek V3、GPT-OSS
支持 MiMo-Audio、Wan 2.1、Qwen3 VL
TPU 优化内核
量化内核
通信与计算重叠内核
MLA 内核
强化 RL 训练与权重同步
与 tunix 集成
Pathways 与多主机支持
高级服务能力
预填充-解码分离（Prefill-decode disaggregation）
分层 KV 缓存（Hierarchical KV cache）
多 LoRA 批处理（Multi-LoRA batching）
