赛题题目：面向大语言模型高效推理框架的系统级优化与实现

赛题说明：

随着大语言模型在边端侧的应用不断拓展，推理服务的重要性日益凸显，其效率直接关乎用户体验，因此，迫切需要对边端侧大模型的推理效率进行优化。目前，已有不少推理框架与架构从不同维度对大模型推理展开优化工作。比如，vLLM运用PagedAttention技术，显著提升了显存利用率；llama.cpp借助量化技术、硬件加速及跨平台兼容性，有效降低了大模型的部署门槛。然而，鉴于边端侧环境普遍存在端到端延迟敏感、资源受限等特性，现有系统仍需围绕这些痛点，开展更具针对性的优化举措。本赛题要求基于开源技术栈，构建具备端到端优化能力的大模型推理框架。

赛题要求：

完成面向大语言模型推理框架的系统级端到端推理效率优化。可选vLLM、llama.cpp等主流推理框架。硬件不做固定要求，但要求优化前后保持相同硬件配置。使用开源大模型（如MiniCPM、Qwen等）作为测试基准并提供可复现的Benchmark测试方案及性能对比报告。同时要求不损失模型推理精度，优化前后软件环境也需保持一致。具体优化推荐但不限于以下方向：

推测解码技术：采用小型draft model生成候选token，通过target LLM并行验证加速解码。
注意力计算加速技术：优化注意力机制的计算效率，通过算法改进或数据布局优化提升推理速度。
内存管理技术：实现显存的智能分配与回收机制，提升资源受限环境下的内存利用率。

评分标准：

功能完整性（30%）：

完整实现至少一个推理框架的适配与优化（60分）；
支持多模型部署能力（40分）。

应用效果（40%）：

端到端推理延迟降低幅度（40分）；
能够在不同模型或框架的适配（40分）；
切实解决边端侧场景的典型问题（20分）。

代码规范性（20%）：

代码结构清晰、符合开源规范（80分）；
测试覆盖完备（20分）。

文档质量（10%）：

包含技术方案、部署指南、测试报告（50分）；
文档逻辑清晰、格式规范（50分）。

赛题联系人：

张建锋 zhangjianfeng@nudt.edu.cn

参考资料：

[1] https://docs.vllm.ai/en/stable/index.html [2] https://github.com/vllm-project/vllm [3] https://github.com/ggerganov/llama.cpp [4] https://www.modelscope.cn/models/OpenBMB/MiniCPM3-4B