اگر مدلهای استدلالی مثل DeepSeek-R1 را مستقر کردهاید، هزینههای استنتاج شما همین حالا به سقف جدیدی از بهرهوری رسیده است. باید بدانید که در ۱۴ مه ۲۰۲۶، انتشار نسخه vLLM v0.21.0 تمرکز صنعت را از تولید سادهی توکن به بهینهسازی «فرآیند تفکر» در هوش مصنوعی تغییر داد.
مدلهای استدلالی — مثل شطرنجبازی که چند حرکت جلوتر را میبیند و قبل از حرکت، درنگ میکند — با چالشهای شدیدی در مصرف حافظه و قدرت محاسباتی روبرو هستند. استنتاج (Inference) — که شبیه خودِ آشپزی است، نه دورهی آموزش آشپز — در این مدلها به دلیل زنجیرههای طولانی تفکر، بسیار کند و گران است. همانطور که در تحلیل قبلی ما دربارهی مدلهای استدلالی اشاره کردیم، مدیریت این حافظه کلید مقیاسپذیری است.
طبق یادداشتهای انتشار در گیتهاب، این بهروزرسانی تغییرات فنی زیر را اعمال کرده است:
- شتابدهنده سختافزاری: معرفی بکاند TOKENSPEED_MLA برای بهینهسازی پیشخوانی و رمزگشایی در مدلهای DeepSeek-R1 و Kimi-K25 روی پردازندههای NVIDIA Blackwell.
- منطق استدلال: رمزگشایی گمانهزن اکنون «بودجه تفکر» را میشناسد. این یعنی مدلها در هنگام شتابدهی، منطق داخلی خود را قطع نمیکنند.
- مدیریت حافظه: سیستم تخلیه KV اکنون با یک تخصیصدهنده حافظه ترکیبی (HMA) ادغام شده تا پنجره متنی (Context Window) — که مثل میز کاری است که جا برای چند ورق دارد — را بهتر مدیریت کند.
- تغییرات ساختاری: موتور vLLM اکنون به کامپایلر C++20 نیاز دارد و پشتیبانی از Transformers v4 را به نفع نسخه v5 متوقف کرد.
بر اساس مستندات فنی، این تغییرات نشاندهنده یک چرخش راهبردی است. ما دیگر با تمام توکنها یکسان برخورد نمیکنیم. vLLM اکنون تفاوت بین «توکنهای تفکر» و «توکنهای خروجی» را میفهمد. برای یک کسبوکار، این یعنی تأخیر کمتر در کارهای پیچیده و استفادهی بهینه از گرانترین تراشههای مرکز داده.
گام بعدی شما
- محیطهای ساخت (Build Environments) خود را برای سازگاری با C++20 بررسی کنید تا از توقف استقرار مدلها جلوگیری شود.
- بنچمارکهای جامعهی کاربری برای DeepSeek V4 روی AMD ROCm را زیر نظر بگیرید تا ببینید شکاف عملکرد با انویدیا بسته میشود یا خیر.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو