学习路线
模型部署工程
从模型打包、推理服务到灰度、观测和回滚,建立可复现的模型上线路线。
← 返回知识中心
阅读进度0%0/10 已完成
继续阅读 →01
打开专题模型部署工程
从模型打包、推理服务到灰度、观测和回滚,建立可复现的模型上线路线。
TUTORIAL_CHAPTER模型部署基础:可重复的模型打包
固定模型、Tokenizer、依赖和配置,生成可审计的部署工件。
打开专题 →TUTORIAL_CHAPTER推理服务接口:健康检查与兼容 API用稳定的 HTTP 契约隔离模型运行时,明确超时、错误和请求上限。
打开专题 →TUTORIAL_CHAPTERvLLM 服务化:从本地兼容接口开始使用官方 OpenAI 兼容接口启动本地模型,并验证鉴权和请求边界。
打开专题 →TUTORIAL_CHAPTER推理性能与容量规划:先测边界再调参数用可复现的输入集测量延迟、并发、上下文和显存边界。
打开专题 →TUTORIAL_CHAPTERKubernetes 发布:探针、资源与滚动更新为模型服务配置资源边界、探针和可回滚的 Deployment。
打开专题 →TUTORIAL_CHAPTER模型服务观测与回滚:让故障可定位记录请求级指标、模型版本和错误类别,在异常时快速切回上一版。
打开专题 →案例实战:本地 vLLM 兼容接口冒烟测试用固定模型接口和 Python 客户端验证服务启动、鉴权、超时与错误边界。
打开专题 →案例实战:模型服务金丝雀发布与回滚在隔离 Kubernetes namespace 中演练探针、滚动更新和回滚指针。
打开专题 →案例实战:模型服务金丝雀与质量预算用固定提示集和阈值决定模型服务是否继续灰度,演练失败时回滚。
打开专题 →TUTORIAL_CHAPTER模型量化与质量预算:先定义可接受损失在推理成本、延迟和回答质量之间建立可测量的量化发布门槛。
打开专题 →