以下是当前主流的大模型训练与推理框架的全面汇总

以下是更新后包含 SGLang 的大模型训练与推理框架列表，并对分类和示例进行了优化：

---

一、通用深度学习推理框架

1. TensorRT-LLM

   • 特点：NVIDIA推出的针对Transformer类模型的优化框架，支持多GPU分布式推理和低精度量化。
   • 示例：加速BERT、GPT-3等模型推理，集成Kernel融合和矩阵乘优化技术。

2. ONNX Runtime

   • 特点：跨框架模型部署工具，支持ONNX格式模型的硬件无关优化。
   • 示例：将PyTorch或TensorFlow模型转换为ONNX格式后部署到CPU/GPU。

3. OpenVINO

   • 特点：英特尔开发的跨平台推理工具，支持CPU/VPU/FPGA硬件加速。
   • 示例：图像分类模型（如ResNet）在英特尔CPU上的高效推理。

4. FasterTransformer

   • 特点：NVIDIA优化的Transformer推理库，支持Tensor Core加速。
   • 示例：BERT和GPT模型在NVIDIA GPU上的低延迟推理。

5. MNN

   • 特点：阿里巴巴推出的轻量级推理框架，支持移动端和边缘设备。
   • 示例：移动端图像识别模型的部署。

---

二、大语言模型（LLM）专用框架

6. vLLM

   • 特点：基于PagedAttention技术的高吞吐量引擎，支持动态批处理。
   • 示例：部署Llama、GPT-4等模型，吞吐量比HuggingFace高10倍以上。

7. HuggingFace TGI (Text Generation Inference)

   • 特点：支持多GPU扩展和量化方案，兼容HuggingFace模型库。
   • 示例：部署Falcon-180B或Llama 2-70B等万亿参数模型。

8. DeepSpeed-Inference

   • 特点：微软开发的分布式推理框架，集成ZeRO优化器和3D并行技术。
   • 示例：千亿参数模型（如Megatron-Turing NLG）的多节点推理。

9. Llama.cpp

   • 特点：纯C++实现的轻量级推理引擎，支持CPU端4-bit量化。
   • 示例：在MacBook上运行Llama-7B模型，无需GPU。

10. LMDeploy

    • 特点：支持模型量化、服务化部署和性能监控。
    • 示例：百川智能系列模型的低资源部署。

11. SGLang

    • 特点：面向复杂提示工程的推理优化框架，通过结构化生成语言（Structured Generation Language）提升多轮对话、分支逻辑等场景的效率。
    • 示例：处理需要嵌套条件判断的复杂提示（如多步骤数学推理），通过缓存中间结果减少重复计算，响应速度提升30%以上。

---

三、新兴框架与工具

12. TensorFlow Serving

    • 特点：专为TensorFlow模型设计的服务化框架，支持多版本管理。
    • 示例：部署TensorFlow SavedModel格式的分类模型。

13. Ollama

    • 特点：用户友好的本地LLM运行工具，支持一键启动模型。
    • 示例：在本地运行Mistral或Gemma模型。

14. MLC-LLM

    • 特点：支持多种硬件后端（如WebGPU、Vulkan）。
    • 示例：在浏览器中运行量化后的语言模型。

15. PowerInfer

    • 特点：基于稀疏激活模式的CPU-GPU混合推理框架。
    • 示例：在消费级GPU上高效运行大型模型。

---

四、量化与压缩工具

16. bitsandbytes

    • 特点：支持8-bit和4-bit量化，与HuggingFace无缝集成。
    • 示例：将Llama-2模型量化为4-bit后部署。

17. AWQ (Activation-aware Weight Quantization)

    • 特点：基于激活感知的权重量化算法，精度损失小。
    • 示例：量化OPT-175B模型并保持90%以上准确率。

18. GPTQ

    • 特点：基于梯度信息的后训练量化方法。
    • 示例：将BERT模型压缩至2-bit仍保持高精度。

---

五、其他特色框架

19. LightLLM

    • 特点：极简设计，专注于低资源环境下的推理优化。

20. ScaleLLM

    • 特点：支持千卡集群的超大规模模型推理。

21. Llamafile

    • 特点：将模型与运行时打包为单个可执行文件，便于分发。

---

常用示例场景

场景	推荐框架	优势
高吞吐量在线服务	vLLM、TGI	动态批处理、PagedAttention优化
复杂提示工程	SGLang	结构化生成、中间结果复用
边缘设备部署	Llama.cpp、MNN	低资源消耗、支持CPU推理
多GPU分布式推理	DeepSpeed、TensorRT-LLM	3D并行、高效显存管理
快速原型开发	Ollama、Transformers	易用性高、社区支持完善
量化压缩	bitsandbytes、AWQ	低精度量化、最小化精度损失

---

总结

当前主流框架超过23种（完整列表可参考），核心选择需结合以下因素：

1. 硬件环境：GPU型号（如NVIDIA/AMD）、CPU架构、边缘设备类型。
2. 模型类型：Transformer类模型优先选vLLM或FasterTransformer，轻量化模型可选Llama.cpp。
3. 部署需求：服务化场景用TGI或TensorRT-LLM，本地开发用Ollama或LM Studio。

如需完整框架列表及技术对比，可进一步查阅 大模型推理框架总结。