更新时间：2026-08-21

一句话结论
2026 年 8 月 21 日，蚂蚁 Ling Infra 团队、阿里巴巴与 SGLang 团队联合发布 Weight Cache Daemon：一个常驻 GPU 进程持有已完成后量化、已 TP 切分的 LLM 大模型权重，引擎重启时通过 CUDA IPC 零拷贝直接映射——基于 Ling-2.6-1T FP8 实测，权重加载从约 495 秒降至约 0.63 秒（约 785 倍加速），端到端引擎启动时间减少 93.9%，主备切换低于 1 秒。这是 SGLang「Fast Engine Recovery Framework」目标冷重启 < 10 秒的第一阶段。

问题：LLM 服务重启为什么这么慢
Ling-2.6-1T FP8 实例在 8×H20-3e GPU 上的就绪需约 8.52 分钟，大模型权重存放于 3.5T NVMe SSD，每个 TP rank 需从磁盘读取约 120 GB safetensors。完整启动画像：权重加载约 495 秒（占 93.9%），其余为 tokenizer 初始化约 13 秒、torch distributed 初始化约 5 秒、CUDA graph 捕获约 7.7 秒等。

代价有四：P99 尾延迟尖峰（重启期间在途请求失败或无限排队）、可用性下降（分钟级恢复违反 SLA）、运维摩擦（滚动更新与配置变更被重启周期卡住）、GPU 资源浪费（传统主备需为空闲副本独占整套 GPU，硬件成本翻倍）。且每次重启都重复执行完全相同的流程——读盘、反序列化、TP 切分、FP8 量化、权重重排，尽管产出的大模型 GPU 张量是确定性的。

机制：持久化权重缓存守护进程
每块 GPU 运行一个对应其 TP rank 的守护进程，四步工作流：

从磁盘加载大模型权重（完整流水线：磁盘 → TP shard → 量化 → repack）
把 model.state_dict() 中的每个参数和 buffer 导出为 CUDA IPC handles
记录 CacheConfig 指纹（模型路径、TP/DP size、量化配置哈希、dtype）
通过 Unix socket 向请求的引擎进程提供 IPC handles
零拷贝的关键是 meta device：引擎在 meta device 上初始化模型（不分配 GPU/CPU 内存），然后用 IPC 映射张量替换每个参数的数据指针——不发生任何数据拷贝，param.data 直接指向守护进程的 GPU 张量。由 process_weights_after_loading() 产生的后量化参数（如 FP8 的 weight_scale）同样被缓存并直接映射，无需重新量化。

安全优先的配置校验
任何字段不匹配都会触发完整磁盘重载：model_path+model_arch+revision（不同模型或版本）、tp_size+tp_rank（错误 shard）、pp_size+pp_rank（错误层分配）、dp_size+ep_size（权重分布错误）、quant_method+quant_config_hash（量化不匹配）、dtype（类型不匹配）、device_capability+torch_version（环境戳——权重可干净映射但数值错误的隐患）。

IPC allowlist 门控确保 CUDA IPC 零拷贝仅导出原始张量数据时正确：会写入 Python 侧元数据或重排/转置权重的方法（per-tensor FP8、Marlin、AWQ/GPTQ）直接报硬错误而非静默出错数值。当前已验证支持未量化大模型与 block-wise FP8。

三种运行模式：daemon（引擎拉起守护进程，首次启动）、client（连接已运行的守护进程，重启路径，< 1 秒）、off（默认磁盘加载 405–411 秒）。崩溃安全：守护进程崩溃时已运行引擎不受影响（CUDA 引用计数持有 IPC 映射），GPU 显存只在两者都退出后才释放。

性能数据
模型 权重大小 磁盘加载 IPC 零拷贝 加速比
Qwen3-235B FP8 约 235 GB 约 306–327 秒 < 1 秒 约 500 倍
Ling-2.6-1T 约 1 TB 约 405–411 秒 < 1 秒 约 780 倍
超越重启的三个生产场景
多实例权重共享：多个引擎实例零拷贝映射同一组 IPC handles，大模型权重每 GPU 只从磁盘加载和量化一次
优先级混部：高优先级在线服务与低优先级批处理共享同一 GPU 和守护进程，低优先级实例可亚秒级驱逐并重启
主备故障切换：备引擎与主引擎共用守护进程保持热态，主引擎故障时备引擎低于 1 秒接管，无需为空闲副本独占整套 GPU
Fast Engine Recovery 路线图
Phase 1 已完成（本方案）：TP + PP、单节点和多节点、每 GPU 零拷贝 CUDA IPC、未量化大模型 + block-wise FP8。后续阶段目标：CUDA graph 序列化 < 3 秒、DeepGEMM JIT warmup < 2 秒、懒加载 tokenizer < 3 秒、NCCL 会话复用 < 2 秒、KV cache 复用、重启跳过 warmup < 1 秒，合计达成 < 10 秒冷重启。公开方向还包括免重载的 RL 在线权重刷新、跨 GPU 与集群共享、KV cache 跨重启恢复。

原文信息
作者：Ant Ling Infra Team（蚂蚁集团）、Alibaba、SGLang Team
原文链接：https://www.lmsys.org/blog/2026-08-21-sglang-fast-recovery