SGLang 0.5.23 于 2026 年 11 月 2 日发布,包含来自 257 位贡献者的 1007 个 PR。这一版最受关注的内容,是一个需要手动开启的「低延迟模式」:NVIDIA megakernel 插件和 AMD monokernel 插件,把解码过程作为融合的持久化内核来运行。

打开网易新闻 查看精彩图片

发布说明给出的数字是:在 GB300 上,DeepSeek-V4.1-Flash 的单用户解码最高快 44%;在 MI350X 上最高快 75%。这两个数字需要换算一下才好理解——44% 的加速意味着单步时间减少了 30.6%,75% 的加速意味着减少了 42.9%。被抹掉的这部分,正是启动间隙和集合通信等待。

它到底替换了什么

两个插件都通过 SGLang 的通用插件入口 sglang.srt.plugins 加载,不是对核心代码的重写。不传 flag 时,SGLang 按原样运行;0.5.23 的 CUDA 镜像里,插件处于「未激活」状态,除非设置 --enable-nvidia-megakernel。

开启后,SGLang 在参数解析阶段、权重加载之前就检查配置。模型 runner 准备好受支持的模型后,构建 megakernel 并替换该模型实例的 forward。替换后的路径只接管被覆盖的步骤,其余步骤仍走模型自己的 forward。对 DeepSeek-V4.1-Flash 来说,更大的 verify 步骤、prefill 和 extend 都走标准路径。

覆盖面是刻意收窄的。NVIDIA 的表格列出 DeepSeek-V4.1-Flash 在 GB300 和 B300 上、张量并行度为 4、投机验证步为 1 到 384 行(每请求 6 行,即 batch 1 到 64)。B300 上的速度只测了单请求。表格其他行覆盖 Qwen3.5、Kimi K3、Kimi K3.1、GLM-5.3 和 GLM-5.2,各有自己的限制。两个 README 都挂着「实验性」横幅,说明内核、支持的配置和开关本身都可能变化。

为什么一个小批次能快这么多

AMD 的 README 把机制说得很直白:monokernel 是一个持久化内核,把解码层的大部分工作——包括注意力、专家混合块和两次张量并行 all-reduce——放进一到两次启动里完成。它要消除的,是「主导小批量解码的启动间隙和集合通信延迟」。

batch 1 时,解码一步每层搬运的数据量很小。GPU 很快算完一个小内核,然后等下一次启动,或者等 all-reduce 完成才能开始下一个算子。NVIDIA 的 README 从另一侧描述了这个修法:内核之间通过 mailbox 和程序化依赖启动传递输出,不再跨越逐个算子的边界。

张量并行度为 4 时,每一层都要付若干次集合通信的代价。每一次都是一个同步点,四块 GPU 一起等最慢的那块。把 all-reduce 融进同一个持久化内核,下一阶段可以在数据到达时立刻开始,而不必等一次独立启动。

44% 在单步时间里是什么概念

加速比很容易读错。每秒 token 数提升 44%,意味着每个 token 只花原来时间的 1/1.44。换算下来,GB300 上约 30.6% 的单步时间被移除,MI350X 上约 42.9%。

也就是说,在最好的单用户场景下,GB300 单步里大约三分之一是间隙与同步开销,MI350X 上大约五分之二。这本身就是个有用的诊断指标:如果你自己的 batch 1 解码 trace 里,内核之间的空闲时间也占类似比例,那这类优化就有戏;如果 trace 显示 GPU 从头忙到尾,你拿不到这样的数字。

批量一大,收益为什么缩水

被移除的开销基本是按步计的,不是按请求计的。而有效工作——专家矩阵乘、对更多 KV 条目的注意力——会随批量增长。同样一份绝对节省,放在更大的步里,占比就小了。

一个刻意简化的示意模型(不是实测):假设 batch 1 时一步耗时 100 个时间单位,其中 30.6 是可移除的间隙,与 44% 的说法对应;假设剩余工作每多一个请求增长 3%。按这个模型,batch 1 增益约 44.1%,batch 2 约 42.8%,batch 4 约 40.5%,batch 8 约 36.4%,batch 16 约 30.4%,batch 32 约 22.9%,batch 64 约 15.3%。

3% 这个增长率是为示意而设的。要点在方向:固定的节省除以增长的分母。真实曲线取决于专家路由、KV 长度,以及标准路径在大批量下本来就把自己的间隙重叠得有多好。README 也说明 B300 上只测了单请求,更大批量依赖内核测试——这与收益最强的位置是一致的。

还有一层:开启投机解码后,verify 步里的「行」是批量乘以草稿 token 数。NVIDIA 表格里每请求 6 行、1 到 384 行,对应 batch 1 到 64。固定的间隙节省因此被摊到每步更多的行上,在给定批量下,相对增益会进一步变软。

该给谁用:延迟层,不是吞吐层

很多集群跑两类流量。交互式流量——等工具循环的 agent、编辑器里的开发者——在意低并发下的每用户 token 间延迟。批量和后台流量在意高并发下每美元能换多少聚合 token 数。

这两个插件瞄准的是第一类。batch 1 的单用户能拿到全部收益;跑在 batch 32 或 64 的自动扩缩吞吐池拿到的更少,而插件的测试覆盖恰恰在那里最薄。把每个插件配到它被测量过的池子里,比到处打开更划算。

同一版本里还有一项默认变更需要分开看:在 SM100 和 SM103 上做 prefill/decode 分离时,DeepSeek-V4.1-Flash 的两个角色现在都解析到 MegaAttention 后端,握手会检查 KV 布局,因此 prefill 和 decode 必须使用同一个注意力后端。发布说明建议两个角色一起升级,或者在两边都传 --dsv4-attn-backend flashmla 以保留 FlashMLA。这是与 megakernel 插件不同的另一套机制,只是同一次升级里一起到来,归因延迟变化时要分开算。

怎么安全地灰度

插件默认不激活、由单个 flag 控制,所以上线简单且可回滚。在受支持的 GB300 配置、张量并行度 4 下:

  • 确认它真的生效了。README 说每个 rank 都会打印 NVIDIA megakernel: active (...)。如果所有 rank 上都没看到这行,你测的是标准路径,任何差异都是噪声。参数解析阶段的检查在权重加载前运行,配置不被接受会快速失败,而不是悄悄放过。
  • 对齐受支持的配置。模型、GPU 代际、张量并行度和批量范围都写在表格里。超出范围,步骤会退回标准路径。
  • 在你自己的并发下测,而不是只测一个点。同样的 prompt,在并发 1、4、16、64 下分别开关 flag 各跑一遍,记录 p50 和 p99 的 token 间延迟以及聚合 token 数。决定池子边界的是曲线,不是 batch 1 那个点。
  • 用足够多的样本比质量。NVIDIA README 报告,GLM-5.2 NVFP4(8 块 B300)上 GSM8K-200 严格匹配得分,开 megakernel 是 0.975,不开是 0.960。200 题里差 3 题,落在采样噪声范围内,应读作「未观察到退化」,而不是「有提升」。用自己的更大评测集和固定随机种子再跑一遍。
  • 让回滚保持简单。去掉 flag 就恢复原路径。在至少跑完一个完整发布周期之前,别把它写进镜像入口,因为 README 警告开关本身可能变化。

和 CUDA graphs 有什么不同

CUDA graphs 已经通过重放录制好的序列,消除了每次启动的 CPU 开销。这两个插件走得更远:它们改变序列内部运行的东西,把算子和通信合并进持久化内核,让数据在不跨逐算子边界的情况下交换。AMD 的 README 还提到,每一步仅由其 CUDA graph key 路由,因此每个 rank 做出相同决定,捕获的 graph 重放的是捕获时做出的决定。插件是坐在 graph 机制内部,而不是替换它。如果你为了调试关掉过 graph,行为会不一样。

几个常见疑问

44% 是生产环境能看到的数字吗?默认不是。那是发布说明里 GB300 配 DeepSeek-V4.1-Flash 单用户解码的上限。你的批量构成、prompt 长度和投机设置都会改变它。用单步时间的视角去估算你有多少间隙可以移除。

任何模型都能用吗?不能。每个插件都列出了覆盖的模型、GPU 和张量并行度,其余走标准路径。NVIDIA 表格覆盖 DeepSeek-V4.1-Flash、Qwen3.5-397B-A17B、Kimi K3 和 K3.1、GLM-5.3 和 GLM-5.2;AMD 表格模型更广,但限于特定的 Instinct 型号。

能加速 prefill 吗?对 DeepSeek-V4.1-Flash,prefill 和 extend 走标准路径。插件针对的是小批量解码和投机验证步。开启的 flag 是 NVIDIA 的 --enable-nvidia-megakernel 和 AMD 的 --enable-amd-monokernel,两者都被标注为实验性。

看不到变化先查什么?先看每个 rank 上有没有 NVIDIA megakernel: active 这行日志,再确认模型、GPU 和张量并行度在支持表格里。

持久化内核打的是一笔真实成本:batch 1 时,解码步里很大一部分是间隙和集合通信,而不是数学计算。SGLang 0.5.23 把这个思路打包成一个可回滚、由 flag 控制的插件。把头条加速比换算成被移除的单步时间,预期收益随批量增长而缩水,把它放在用户能感知 token 间延迟的池子上,剩下的交给自己的并发曲线去判断。