title: “Tensorrt Llm — High-throughput LLM inference on NVIDIA GPUs” sidebar_label: “Tensorrt Llm” description: “High-throughput LLM inference on NVIDIA GPUs”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

Tensorrt Llm

在 NVIDIA GPU 上实现高吞吐量的大语言模型推理。

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	`1.0.1`
开发者	Orchestra Research
许可协议	MIT
依赖项	`tensorrt-llm`, `torch`
支持平台	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：完整的 SKILL.md 文件

:::info 以下是当触发该技能时 Hermes 会加载的完整技能定义。技能启用后，智能体看到的指令即为此内容。: ::

TensorRT-LLM

NVIDIA 提供的开源库，可在 NVIDIA GPU 上高效优化大语言模型推理性能。

何时使用 TensorRT-LLM

以下情况建议使用 TensorRT-LLM：

在 NVIDIA GPU（A100、H100、GB200）上部署模型
需要极高的吞吐量（Llama 3 每秒可处理 24,000 个以上令牌）
实时应用对低延迟有严格要求
处理量化后的模型（FP8、INT4、FP4）
在多 GPU 或多节点环境中扩展部署

以下情况建议改用 vLLM：

需要更简单的设置及以 Python 为主的 API
希望使用 PagedAttention 而无需进行 TensorRT 编译
在 AMD GPU 或非 NVIDIA 硬件上运行

以下情况建议改用 llama.cpp：

在 CPU 或 Apple Silicon 平台上部署
需要在无需 NVIDIA GPU 的情况下进行边缘部署
希望使用更简单的 GGUF 量化格式

快速入门

安装

# Docker (recommended) — images are on NGC (nvcr.io), not Docker Hub.
# Replace x.y.z with the desired version (e.g. 1.2.1). Browse tags on NGC:
# https://catalog.ngc.nvidia.com/orgs/nvidia/teams/tensorrt-llm/containers/release/tags
docker pull nvcr.io/nvidia/tensorrt-llm/release:x.y.z

# pip install (current stable GA)
pip install tensorrt_llm

# Requires CUDA 13.2.1, TensorRT 10.x, Python 3.10-3.12

基本推理

from tensorrt_llm import LLM, SamplingParams

# Initialize model
llm = LLM(model="meta-llama/Meta-Llama-3-8B")

# Configure sampling
sampling_params = SamplingParams(
    max_tokens=100,
    temperature=0.7,
    top_p=0.9
)

# Generate
prompts = ["Explain quantum computing"]
outputs = llm.generate(prompts, sampling_params)

for output in outputs:
    print(output.text)

使用 trtllm-serve 进行服务部署

# Start server (automatic model download and compilation)
trtllm-serve meta-llama/Meta-Llama-3-8B \
    --tp_size 4 \              # Tensor parallelism (4 GPUs)
    --max_batch_size 256 \
    --max_num_tokens 4096

# Client request
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": "Hello!"}],
    "temperature": 0.7,
    "max_tokens": 100
  }'

核心特性

性能优化

传输中批量处理：在生成过程中实现动态批量化
分页KV缓存：高效的内存管理机制
Flash Attention：优化的注意力计算内核
量化技术：支持FP8、INT4、FP4格式，提升推理速度2-4倍
CUDA图优化：降低内核启动开销

并行处理能力

张量并行（TP）：将模型分布在多块GPU上运行
流水线并行（PP）：按层分配计算任务
专家并行：专为混合专家模型设计
多节点部署：突破单机限制实现扩展

高级功能

推测解码：借助草稿模型加快生成速度
LoRA服务：高效的多适配器部署方案
分离式服务：将预填充与生成过程分开处理

常见应用模式

量化模型（FP8格式）

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

性能基准测试

Meta Llama 3-8B（H100 GPU）：

处理速度：24,000 个令牌/秒
延迟：每个令牌约 10 毫秒
相较于 PyTorch：速度快 100 倍

Llama 3-70B（8× A100 80GB）：

使用 FP8 量化后：速度比 FP16 快 2 倍
使用 FP8 后内存占用可减少 50%

支持的模型

LLaMA 系列：Llama 2、Llama 3、CodeLlama
GPT 系列：GPT-2、GPT-J、GPT-NeoX
Qwen 系列：Qwen、Qwen2、QwQ
DeepSeek 系列：DeepSeek-V2、DeepSeek-V3
Mixtral 系列：Mixtral-8x7B、Mixtral-8x22B
视觉模型：LLaVA、Phi-3-vision
HuggingFace 上的 100 多种模型

参考资料

优化指南 – 量化、批处理、KV 缓存调优
多 GPU 部署指南 – Tensor/流水线并行处理、多节点部署
服务部署指南 – 生产环境部署、监控与自动扩缩容

资源链接

文档：https://nvidia.github.io/TensorRT-LLM/
GitHub 仓库：https://github.com/NVIDIA/TensorRT-LLM
模型列表：https://huggingface.co/models?library=tensorrt_llm

Keyboard shortcuts

Hermes Agent Docs i18n