vLLMを用いたモデル並列化手法の性能評価

rvLLM：Rust製vLLM代替で学ぶGPU推論エンジンの実装最適化

Python vLLMのPCIeボトルネック（37MB/ステップのlogit転送）をGPU側argmaxで150,000倍削減し、Rustの所有権モデルでGIL・GC・PyTorchオーバーヘッドを排除したrvLLMの実装最適化が学べます。23 crateと15個のCUDAカーネルで、低バッチサイズでvLLMを上回る10,291 tok/sを実現。起動時間20倍高速・バイナリ31倍小型の成果から、推論エンジン選定の判断基準まで、システムレベルの最適化ノウハウが詰まっています。