SGLang 相关 AI 资讯

8月18日

10:24

官方一手arXiv: DeepSeek@Lie Li, Wen Li, Junxiao Shen, Gusheng Hu

精选

MAPLE是一个即插即用的MoE专家分配框架，可在不修改权重不重训练的前提下，按层重新分配路由专家预算。其核心是封闭式灵敏度引导分配，并用灵敏度约束的遗传搜索进一步优化。在DeepSeek-MoE-16B上，MAPLE仅用75%专家即在ARC-E上从65.09提升至71.40，ARC-C从48.49提升至51.50，BoolQ从80.03提升至82.38。通过SGLang部署，单GPU端到端延迟降低32.2%，吞吐量提升47.4%。

推荐理由：MAPLE这个插件能让MoE大模型少开专家还更准，DeepSeek-MoE-16B用75%专家就能超原版，还快32%，不用改权重就能用。

原文

8月15日

00:26

官方账号阿里通义 Qwen@Alibaba_Qwen

76°

阿里开源Qwen3.8-27B，SGLang团队当天完成适配。在单张RTX 5090上，借助NVFP4和DSpark优化，解码速度达到206.1 tok/s。在DGX Spark上解码速度为38.28 tok/s。该模型在智能体规划和长时任务上表现突出。

AI模型 Qwen3.8-27B SGLang RTX 5090

事件专题

推荐理由：Qwen3.8-27B开源了，SGLang当天就能跑，单张5090能到206 tok/s，小模型之王回来了，试试吧。

原文

8月11日

10:43

官方一手arXiv: DeepSeek@Issac Zhu, Hscos Zhang, Keith Jiang, Jack Li, Hugh Yin, Jason Zhao

精选

FlashBoot是SGLang上的权重加载子系统，针对MoE模型弹性部署中的延迟问题。它通过FabricArena连续内存布局和FlashLoad零拷贝批量传输，将单节点权重加载从20.1秒降至0.4秒，加速50倍。FlashClone利用远程映射替代NCCL初始化，将跨节点复制时间从10-110秒降至约10毫秒。在NVL72上测试DeepSeek-V4-Pro和DeepSeek-V4-Flash，并发机架级加载从87秒降至0.32秒，加速超270倍。

论文 FlashBoot SGLang DeepSeek-V4

事件专题

推荐理由：SGLang团队搞的FlashBoot，把大模型权重加载从20秒压到0.4秒，跨节点复制只要10毫秒。跑DeepSeek-V4系列，NVL72上实测数据，做弹性部署的值得看。

原文

8月10日

21:44

官方账号NVIDIA AI@NVIDIAAI

精选

SGLang 宣布为 Meta 的 Muse Glimmer 模型提供首发日支持。在单块 RTX 5090 上启用 NVFP4 与 DFlash 后，推理速度约 230 tok/s。该模型也可在 RTX PRO 6000、DGX Spark 上直接运行，并通过 MLX 兼容 Apple Silicon。官方表示这有助于在本地构建智能体应用。

AI产品 SGLang Muse Glimmer Meta

推荐理由：想跑 Muse Glimmer？SGLang 直接支持，单张 5090 约 230 tok/s，还兼容 Apple Silicon。

原文

7月23日

22:37

官方账号LMSYS Org (SGLang)@lmsysorg

81°

Poolside发布Laguna S 2.1模型，总参数量118B，采用稀疏MoE架构，每token仅激活8B参数。模型支持1M上下文窗口，提供思考与非思考两种模式。在Terminal-Bench 2.1上获得70.2%准确率，在SWE-bench Multilingual上达78.5%。官方NVFP4量化版本可运行于单个NVIDIA DGX Spark。模型已在SGLang框架上提供Day-0支持。

AI模型 Laguna S 2.1 Poolside SGLang

事件专题

推荐理由：Poolside的Laguna S 2.1是个118B参数的稀疏MoE模型，只激活8B参数，SWE-bench多语言拿下78.5%，还能跑在单个DGX Spark上，适合长时编程任务。

原文

7月16日

21:16

官方账号LMSYS Org (SGLang)@lmsysorg

73°

SGLang通过优化在8块B300 GPU上实现bs=1时每用户500+ tok/s的吞吐量，单用户交互性相比基线提升18%至34%，高并发峰值吞吐提升6%至11%。新推出的TopK-V2内核在80K输入长度下加速2.33倍，在1M长度下加速10.17倍，使交互性在1M token范围内基本持平。GLM-5.2模型采用IndexShare架构于DSA层和更强的MTP头，结合SGLang的服务优化共同达成这一性能。

AI模型 GLM-5.2 SGLang B300

推荐理由：SGLang让GLM5.2在B300上单用户跑500 tok/s，交互延迟几乎不随上下文增长，对多轮Agent任务很实用。

原文

7月10日

22:17

官方账号LMSYS Org (SGLang)@lmsysorg

精选71°

MosiAI 团队开源 MOSS-Transcribe-Diarize-0.9B，仅 0.9B 参数，基于 Whisper-Medium 编码器和 Qwen3-0.6B 风格解码器。模型支持 128K 上下文，可一次性处理约 90 分钟长音频。输出直接包含时间戳和说话人标签，无需分块或单独说话人分离。还支持热词提升，用于人名、领域术语和代码切换场景。SGLang 已提供 Day-0 支持，可立即运行。

AI模型 MOSS-Transcribe-Diarize-0.9B MosiAI SGLang

事件专题

推荐理由：MosiAI 开源了一个0.9B的小模型，能一次性转录90分钟的多说话人音频，边缘设备就能跑，很适合本地部署。

原文

22:15

官方账号LMSYS Org (SGLang)@lmsysorg

精选

Netpreme发布博客，介绍将X-Mem MPU插入SGLang HiCache的分层KV缓存方案。在SWE-bench的Claude Code多轮编码中，前缀缓存命中率平均达98%。用X-Mem替换主机DRAM作为卸载层级后，TTFT降低6.7倍，每用户TPS提升33-50%，系统吞吐量提升30%。该方案通过HiCache的分层接口实现即插即用。

AI模型 Netpreme X-Mem SGLang

推荐理由：Netpreme的X-Mem内存插进SGLang的HiCache，多轮对话缓存带宽不再是瓶颈，TTFT降6.7倍，吞吐量涨30%，实测SWE-bench效果显著。

原文

7月7日

16:29

AI Will@FinanceYF5

第三方服务商通过SGLang推理引擎、Prefill-Decode解耦架构、专家并行技术及AMD MI300 GPU，将DeepSeek模型的API调用成本降至官方价格的1/5。该技术栈组合显著降低了推理开销，使小型团队和企业能以更低成本使用高性能模型。方案中涉及的专家并行与Prefill-Decode分离是核心优化手段。

技巧 DeepSeek SGLang AMD MI300

推荐理由：想低成本跑DeepSeek？有第三方用SGLang和AMD MI300把API成本压到官方的五分之一，技术方案公开，值得参考。

原文

16:09

AI Will@FinanceYF5

73°

xAI SGLang负责人在23分钟演讲中详解如何在10万张GPU上部署Grok模型。他们通过拆分Prefill与Decode阶段，将MoE专家分片到不同GPU。采用按专家路由Token的方式让通信与计算重叠执行。最终以低于DeepSeek API的定价对外提供服务。

技巧 xAI Grok SGLang

推荐理由：想了解超大规模GPU集群如何搞推理？xAI的SGLang负责人手把手教你拆分、分片和通信重叠，还比DeepSeek API更便宜。

原文

02:05

官方账号LMSYS Org (SGLang)@lmsysorg

精选

SGLang现支持DSpark算法，通过置信度驱动的变长验证优化推测解码。与传统验证所有候选token不同，DSpark仅验证高置信度token，在批大小1-256的DeepSeek-V4-Flash上实现最佳吞吐延迟权衡，优于MTP和非推测解码方案。高并发下动态调度相比固定预算带来约20%吞吐提升。使用融合内核和零开销调度后，DeepSeek-V4-Pro在B300上达到383.7 tok/s。

AI模型 SGLang DSpark DeepSeek-V4

事件专题

推荐理由：SGLang加入DSpark后，高并发场景下吞吐能提升20%，在DeepSeek-V4上实测383.7 tok/s，推理优化党可以试试。

原文

02:03

官方账号LMSYS Org (SGLang)@lmsysorg

76°

腾讯混元发布Hy3，一个295B参数MoE模型，激活参数仅21B，支持256K上下文。在推理和智能体任务上，Hy3可媲美参数大2-5倍的开源模型。通过反幻觉训练，该模型的幻觉率从12.5%降至5.4%。多轮意图跟踪指标MRCR从42.9%提升至75.1%。Hy3支持MTP+EAGLE推测解码，并提供了FP8检查点以降低部署成本。

AI模型 Hy3 TencentHunyuan SGLang

推荐理由：腾讯混元新模型Hy3，21B激活参数就能比肩更大模型，幻觉率从12.5%降到5.4%，多轮对话能力大增，现在就能在SGLang上跑。

原文

7月3日

04:51

官方账号LMSYS Org (SGLang)@lmsysorg

精选

SGLang团队发布博客，介绍如何将基准测试、性能分析和内核优化知识转化为可执行的Agent技能。通过allreduce融合，Qwen3-Next吞吐量提升71.4%，TTFT从456ms降至168ms。路由token化去重使长上下文提示的TTFT降低29-49%。Spectral Progressive Diffusion实现2.32倍扩散去噪加速；KDA-Pilot在10个B200内核任务上获得1.13-2.75倍加速，3个PR已合并。LTX-2 VAE解码加速1.41倍，峰值内存节省9.7 GiB，所有改进均通过严格验证。

AI模型 SGLang Qwen3-Next 智能体

推荐理由：SGLang团队用Agent自动化优化推理管道，实测吞吐涨71%，TTFT砍半，还省了10GB显存，硬核经验值得看。

原文

7月2日

23:30

官方账号LMSYS Org (SGLang)@lmsysorg

Laguna XS 2.1是poolside推出的33B总参数MoE模型，专为agentic coding和长时任务设计，已获SGLang Day-0支持。模型采用混合SWA+全局注意力（40层中3:1比例）与sigmoid门控，支持FP8 KV缓存和262K上下文，可在36GB RAM的Mac上运行。在SWE-bench Verified上达到70.9%，SWE-bench Multilingual相比XS 2提升5.4%。

AI模型 Laguna XS 2.1 poolside SGLang

推荐理由：poolside新出的Laguna XS 2.1，33B MoE专为编程智能体设计，SWE-bench 70.9%还支持Mac本地跑，值得编程党试试

原文

23:29

官方账号LMSYS Org (SGLang)@lmsysorg

76°

NVIDIA推出Qwen3.6-27B-NVFP4模型，采用4位浮点量化，模型大小仅为BF16版本的约1/2.5。该模型在MMLU Pro基准上达到86.3分，与FP8版本性能几乎无损。上下文长度完整保留262K。SGLang已提供Day-0支持，并附带cookbook。

AI模型 Qwen3.6-27B-NVFP4 NVIDIA SGLang

事件专题

推荐理由：NVIDIA新出的Qwen3.6-27B模型，4位量化体积小很多但精度没怎么降，SGLang直接就能用，可以去试试。

原文

00:09

官方账号LMSYS Org (SGLang)@lmsysorg

精选73°

LMSYS 发文感谢 NVIDIA 在其最新推理软件经济学报告中提及 SGLang。SGLang 推出针对 Blackwell 架构的 day-0 优化方案，将 DeepSeek V4 的推理性能提升最高 5 倍。该优化通过 CUDA 原生推理路径实现，显著降低了每 token 成本。NVIDIA AI 团队与 SGLang 合作的具体技术细节已在博客中公开。

AI模型 SGLang NVIDIA DeepSeek V4

事件专题

推荐理由：SGLang 和 NVIDIA 联手让 DeepSeek V4 在 Blackwell 上跑得快了 5 倍，开源推理引擎的效率又上了一个台阶。

原文

7月1日

00:46

官方账号LMSYS Org (SGLang)@lmsysorg

精选72°

SGLang 集成百度无限 OCR 功能，通过参考滑动窗口注意力（R-SWA）替换传统解码注意力，使 KV 缓存大小在整个解码过程中保持恒定。该方案在单次前向传播中可处理最长 32K token 的文本，转录数十页文档。其高压缩率来自 DeepSeek OCR 编码器，且 R-SWA 方法可扩展至 ASR、翻译等任务。

AI产品 SGLang OCR 百度

推荐理由：SGLang 新功能无限 OCR 能一口气处理几十页文档，显存占用不变，比传统注意力省资源，适合长文档批量 OCR 场景。

原文

6月27日

21:13

官方账号LMSYS Org (SGLang)@lmsysorg

71°

SGLang团队为DeepEP MoE引入两种调度时负载均衡器Waterfill和LPLB。Waterfill将共享专家工作分配到较轻的rank，在DeepSeek V3/R1上带来+1.48%到+4.66%的性能提升，V4 Flash吞吐量从49,253 tok/s增至51,677 tok/s。LPLB优化冗余路由专家副本的流量分配，在red16/red32配置下取得+0.84%到+7.34%的提升。两种方法均不改变模型语义，保持推理精度。

AI产品 SGLang DeepEP DeepSeek V3

推荐理由：SGLang给DeepSeek模型加了两个新负载均衡器，跑DeepSeek V3/R1速度能快最多7%，而且不改精度，想加速推理的可以试试。

原文

21:12

官方账号LMSYS Org (SGLang)@lmsysorg

精选

英伟达与智谱AI合作，发布了基于GLM-5.2的NVFP4量化检查点。该模型为744B参数混合专家架构（40B活跃参数），专注于推理和编码任务。NVFP4量化通过NVIDIA Model Optimizer实现，在降低内存占用的同时保持前沿推理性能。模型还支持稀疏注意力和IndexShare索引器，实现高效长上下文处理。目前已在Blackwell/Grace Blackwell上通过SGLang提供首日支持。

AI模型 GLM-5.2 NVFP4 NVIDIA

事件专题

推荐理由：英伟达把GLM-5.2压缩成NVFP4，内存省一大截，推理编码在Blackwell上直接跑，SGLang第一时间就能用。

原文

21:12

官方账号LMSYS Org (SGLang)@lmsysorg

精选

Liquid AI 发布了 LFM2.5-230M 模型，参数规模仅 230M，是其最小模型。该模型基于 LFM2 架构，专为设备端部署设计，推理速度极快。它可在云端 GPU 和低成本 CPU 上运行，并支持工具调用和结构化数据提取。性能超过两倍参数量的模型，且已获 SGLang 的 Day 0 支持。

AI模型 LFM2.5-230M Liquid AI SGLang

推荐理由：Liquid AI 新出的 230M 小模型，跑得飞快，还能干工具调用的活，比两倍大的模型还强。

原文

6月24日

01:02

官方账号LMSYS Org (SGLang)@lmsysorg

79°

与NVIDIA合作，在GB300上使用SGLang服务DeepSeek-V4，实现5倍吞吐量提升（~2,200→~11,200 tok/s/GPU，交互性~50 tok/s/user）。借助MTP，在80 tok/s/user交互性下吞吐再提升2.6倍。Blackwell Ultra聚合模式下30 tok/s/user时吞吐提升2.91倍，峰值无MTP吞吐提升超6倍。采用W4A4 MegaMoE量化（MXFP4）且精度损失可忽略。单个FP8-einsum修复将MTP接受率从0.57提至0.70。

AI模型 DeepSeek-V4 GB300 SGLang

事件专题

推荐理由：想用SGLang在GB300上榨干DeepSeek-V4？NVIDIA合作实测，吞吐翻5倍，交互延迟不变，MTP和量化细节全公开。

原文

01:01

官方账号LMSYS Org (SGLang)@lmsysorg

精选

Krea 2 是由 Krea AI 推出的开源文本到图像模型，在独立评测机构 Artificial Analysis 上排名第一。它包含两个版本：RAW 为未蒸馏基座检查点，适合微调和 LoRA 训练；Turbo 为 8 步蒸馏检查点，实现快速高质量生成。用户可在 RAW 上训练 LoRA，在 Turbo 上进行推理，并已获得 SGLang 的 Day-0 支持。

AI模型 Krea 2 SGLang RAW

推荐理由：Krea 2 开源了双版本，RAW 用来训练 LoRA，Turbo 跑推理，直接用 SGLang 就能跑，比闭源模型更灵活。

原文

6月20日

16:43

官方一手pandaily@contact@pandaily.com (Pandaily)

摩尔线程与 SGLang 社区在首次线下见面会上宣布，MUSA 后端已合并入 SGLang 主线。该合并使 SGLang 能够原生支持摩尔线程 GPU，不再依赖 CUDA。此次 Meetup 聚焦中国开源 AI 生态的 GPU 兼容性与性能优化。此举为国内开发者提供了更低门槛的国产 GPU 推理方案。

行业 SGLang MUSA 摩尔线程

推荐理由：想用国产GPU跑大模型？摩尔线程和SGLang把MUSA后端合到主线了，以后直接用，不用再折腾CUDA转译。

原文

6月19日

01:54

官方账号LMSYS Org (SGLang)@lmsysorg

poolside发布的Laguna M.1是一个225B参数的MoE模型，专为智能体编码和长期任务设计。该模型采用70层结构：3个密集SwiGLU层加67个稀疏MoE层，共有256个专家，top-k=16且使用无辅助损失负载均衡。它在所有层使用全局注意力：64个Q头、8个KV头，以及softplus输出门控。Laguna M.1支持原生交错推理：在工具调用之间进行思考，并可每个请求切换。在SWE-bench Verified、SWE-bench Multilingual、SWE-Bench Pro和Terminal-Bench 2.0上表现强劲。现在可通过SGLang运行。

AI模型 Laguna M.1 poolside SGLang

事件专题

推荐理由：poolside刚发的225B MoE模型Laguna M.1，专为智能体编码设计，SGLang直接跑起来了，在SWE-bench上很强。

原文

6月17日

23:06

官方账号LMSYS Org (SGLang)@lmsysorg

精选

Zai_org 发布了新旗舰模型 GLM-5.2，支持 1M token 长上下文。在 Terminal-Bench 2.1 上，GLM-5.2 得分 81.0，相比 GLM-5.1 的 62.0 提升明显。IndexShare 机制在 1M 上下文下将每 token 的 FLOPs 降低了 2.9 倍，改进的 MTP 将投机解码接受率提升了 20%。该模型在 SGLang 中已获得即日支持。

AI模型 GLM-5.2 Zai_org SGLang

推荐理由：Zai_org 的 GLM-5.2 来了，1M 长上下文拿下了 81.0 的 Terminal-Bench 分数，比上一代高出一截，而且推理效率也优化了，值得上手试试。

原文

6月16日

02:16

官方账号LMSYS Org (SGLang)@lmsysorg

76°

LMSYS 发布博客介绍 DFlash 和 Spec V2 推测解码技术。在 8 块 B200 上，针对 HumanEval 基准，DFlash + Spec V2 实现超过 4.3 倍基线吞吐量和 1.5 倍原生 MTP 吞吐量。其核心包括块扩散起草器（一次前向传播生成完整 token 块）和 KV 注入（目标模型特征馈入每层 KV 缓存），以及 Spec V2 重叠调度器带来 33% 端到端提升。该方案现已作为 SGLang 的默认推测解码引擎。

AI模型 DFlash Spec V2 SGLang

推荐理由：LMSYS 和 Modal 联手推出了 DFlash，让 Qwen 3.5 的推理速度比原生 MTP 快 1.5 倍，比基线快 4.3 倍，代码已开源，玩起来！

原文

6月13日

13:11

官方账号LMSYS Org (SGLang)@lmsysorg

精选73°

SGLang在NVIDIA GB300 NVL72平台上，针对DeepSeek V4 Pro 1.6T模型（FP4精度，8K/1K上下文）实现了每GPU超过12K tok/s的推理速度。该性能由NVIDIA Dynamo（SGLang）和MTP技术协同实现。根据SemiAnalysis InferenceX基准测试，该性能在整个交互性曲线上保持稳定。

AI模型 SGLang GB300 NVL72 DeepSeek V4 Pro

事件专题

推荐理由：SGLang在GB300上跑DeepSeek V4 Pro，每GPU超1.2万token

原文

6月12日

22:18

官方账号LMSYS Org (SGLang)@lmsysorg

73°

SGLang 宣布 Day-0 支持 MiniMax-M3，这是 MiniMax 推出的原生多模态 MoE 推理模型，总参数量约 428B（活跃参数约 23B），支持文本、图像和视频的融合处理。M3 采用 MiniMax 稀疏注意力机制，在 1M 上下文下相比 M2 实现 9 倍预填充和 15 倍解码加速，每 token 计算量降至 1/20。该模型在编码和协作任务上达到前沿智能体性能，并原生支持 NVIDIA Blackwell 和 AMD MI350X/MI355X 上的 MXFP8 格式。开发者可通过 SGLang 立即运行该模型。

AI模型 SGLang MiniMax-M3 多模态

事件专题

推荐理由：SGLang 第一时间支持 MiniMax-M3，做多模态推理和长上下文应用的团队可以直接上手体验 428B 模型的稀疏注意力加速，编码和智能体任务表现值得一试。

原文

12:04

官方账号LMSYS Org (SGLang)@lmsysorg

精选

SGLang 宣布 Day-0 支持 Google 的 DiffusionGemma 模型，这是 Gemma 4 的文本扩散变体（26B A4B MoE）。与传统逐 token 解码不同，DiffusionGemma 通过并行去噪 token 块实现极低批处理生成速度。该模型支持离散文本扩散、多模态输入（文本、图像、视频）输出文本、稀疏 MoE 架构（8/128 专家）以及可配置思考模式。开发者现在即可通过 SGLang 运行该模型。

AI模型 SGLang DiffusionGemma Gemma 4

事件专题

推荐理由：文本扩散模型大幅提升生成效率，适合需要低延迟批量推理的 AI 应用开发者，建议立即在 SGLang 中体验。

原文

6月4日

02:01

官方账号阶跃星辰 Stepfun@Stepfun_AI

StepFun 与 Modal 合作，发布了在 Modal 无服务器 AI 平台上部署 Step 3.7 Flash 模型的指南。该方案使用 8×H100 GPU、Modal Volumes 和 SGLang，提供 OpenAI 兼容的聊天补全端点。开发者无需管理基础设施即可快速部署和扩展推理工作负载。这降低了 StepFun 开源模型的使用门槛，让更多构建者能轻松调用。

AI产品 Step 3.7 Flash Modal SGLang

事件专题

推荐理由：想低成本部署开源推理模型的团队，现在可以直接在 Modal 上跑 Step 3.7 Flash，免去 GPU 管理烦恼，还自带 OpenAI 兼容接口，建议试试。

原文