大模型本地部署最强引擎：vLLM 大版本更新

vLLM 又搞大动作了，月初刚发了0.24，我详细分析过：# 大模型本地部署最强引擎，vLLM 大更新，v0.24.0

今天 v0.25 正式版发布了

老规矩，本文就所有更新，挑重点给大家分享一下

先来一张全景图，一眼看懂这次更新的核心模块：

新模型支持一览

这版新支持的模型架构不少：

特别提一下 DeepSeek V4 现在可以跑在 AMD 卡上了，对于不想被 NVIDIA 绑架的同学来说是个好消息

DeepSeek-V4-Flash 最新量化版，本地部署

多硬件平台扩展

vLLM 现在的硬件覆盖面越来越广：

• AMD ROCm 7.2.2 — DBO 动态批优化、Fused Allreduce+RMSNorm、Fused Shared Expert
• CPU — FP8 attention for AMX/AVX-512，FP8 W8A16 linear/MoE，RISC-V 支持
• Intel XPU — top-k/top-p 采样、out-of-place all-reduce、LoRA
• IBM Power — VSX 注意力后端

从 NVIDIA 到 AMD 到 Intel 到 IBM，甚至还有 RISC-V，vLLM 这是要做推理引擎界的”全平台通吃选手”

推测解码支持 Thinking Budget

这个特性非常关键，很多人可能忽略了

现在 DeepSeek-R1、Qwen3 这类推理模型在生成时有个”思考预算”（thinking budget），之前用推测解码会和这个机制冲突，导致生成结果不正确

v0.25 修复了这个问题，推测解码现在可以正确感知 reasoning token 的边界了，意思是：推理模型也能享受推测解码的加速，这在之前是不行的

此外还新增了：

• Gemma4 的 MTP（Multi-Token Prediction）推测解码
• MiMo-V2.5 的 MTP 支持
• Mistral 的 EAGLE 推测解码
• Cohere Eagle 推测解码

推测解码阵营越来越壮大了

性能优化：一堆实打实的提升

这版的性能优化点非常多，挑几个有代表性的：

• FlashInfer top-k/top-p 采样器默认开启 — 采样速度更快
• AllPool.forward 快了 51% — Embedding 模型直接受益
• GPU↔CPU 同步消除 — 减少不必要的等待
• numpy 零拷贝 embedding 序列化 — Embedding API 响应更快
• FlashInfer FP8 异步 TP 融合 — 张量并行场景加速
• allreduce + RMS 融合重新启用 — DP/PP 场景受益
• Docker 镜像缩小 2.5GB — 通过延迟下载 FlashInfer cubin 实现

性能这块 vLLM 是真舍得下功夫，每个版本都能看到十几项针对性的 kernel 优化

KV Cache 卸载 + HMA 混合内存分配器

这是面向大规模部署的重磅功能

KV Cache 卸载（把不活跃的 KV 缓存从 GPU 卸载到 CPU）之前就有了，这次 v0.25 把它和 HMA（Hybrid Memory Allocator，混合内存分配器） 完全打通了：

• 调度器侧滑动窗口分组支持
• MooncakeStoreConnector 支持分布式 KV 卸载
• DCP/PCP 协议支持

你可以用更少的 GPU 显存服务更多的并发请求，同时保持较高的吞吐量，对于那些 context window 很长的场景（比如 128K 上下文的模型），这个功能非常有价值

量化支持更新

• NVFP4 — KV Cache 支持、ModelOpt NVFP4 W4A16、all-gather GEMM 融合
• MXFP4 — Humming MXFP4 MoE 后端
• TurboQuant — 混合模型和统一量化支持

NVFP4 在这个版本获得了大量支持，如果你用的是 Hopper 或 Blackwell 卡，4-bit 量化的性能和精度平衡会更好

英伟达出手，Qwen3.6-27B 量化版来了，褒贬不一

比英伟达会玩，本地部署 Qwen3.6 ，速度翻了 2.5 倍

API 改进

• Responses API 支持流式 tool calling（required 和命名工具选择）
• OpenAI 兼容性增强：system_fingerprint 字段、prompt_embeds、渲染后的 prompt 文本
• XGrammar 0.2.0 — 结构化 tags 支持严格的 tool calling + reasoning
• 新增 Fastokens tokenizer 支持
• RLHF 显式 weight update API

安装

官方当前 Quickstart 给出的基础环境是 Linux 与 Python 3.10 到 3.13，NVIDIA CUDA 用户推荐用 uv 管理环境

uv venv --python 3.12 --seedsource .venv/bin/activateuv pip install vllm --torch-backend=auto

如果你是 Docker 用户，镜像小了 2.5GB，拉取速度会明显快一些

总结

如果你在生产环境跑 LLM 推理服务，vLLM 依然是我的首选推荐，这个项目的迭代速度和社区活跃度都是顶级的，每个版本都能看到实质性的进步