一文讲透推理引擎性能指标：TTFT、TPOT、KV命中率、并发，到底对应 vLLM / SGLang 的哪个参数？

一文讲透推理引擎性能指标：TTFT、TPOT、KV命中率、并发，到底对应 vLLM / SGLang 的哪个参数？

作 者：吴佳浩Alben

撰稿时间：2026.10.1

更新时间：2026.10.7

引言

很多人在做推理压测时都会遇到一个尴尬：

同一个模型、同一张卡，为什么我测出来的 TTFT 比同事慢一倍？

vLLM 的 --max-num-seqs 和 SGLang 的 --max-running-requests，到底是不是一个东西？

为什么我在 /metrics 里翻了半天，就是找不到 GPU 利用率、SM 占用、Tensor Core 利用率？

指标是测出来了，报告也交了，但被问一句"你那个 TTFT 是哪个参数决定的"，就答不上来了。

其实这里面藏着三层容易被混淆的东西：指标类型（哪些有旋钮、哪些只能测、哪些引擎根本不管）、参数命名（同一个概念两个引擎各叫各的）、测量口径（定并发还是定速率、稠密还是稀疏——对，推理侧也有类似的口径陷阱）。搞懂这三层，你就能把任何一份压测报告翻译成一份调优清单，也能识破 benchmark 里的"数字游戏"。本篇内容稍微有点干，各位可以跳着看，重点看自己感兴趣的部分。

---

一、先理解三层映射框架

推理引擎的指标，按"能不能被参数调"分成三类，这是本文所有内容的骨架。

类型	含义	对应什么	典型指标
A 类：有旋钮	启动参数能直接调节	vllm serve / sglang.launch_server 参数	并发数、KV 显存占比、chunk 大小、调度策略
B 类：只能测	引擎暴露指标，但不由单个参数决定	/metrics 的 Prometheus 指标名 + 压测脚本参数	TTFT、TPOT、命中率、排队时延、P99
C 类：引擎外	引擎根本不产出	nvidia-smi / DCGM / ncu / nccl-tests / fio	SM 占用、Tensor Core 利用率、显存带宽、NCCL、模型质量分

先把一个最常见的误解纠正掉：GPU 利用率、SM Occupancy、Tensor Core 利用率这三兄弟，vLLM 和 SGLang 都不往 /metrics 里吐。 你在 /metrics 里翻多久都找不到，因为它们的采集层级在驱动和硬件计数器，不在引擎。

唯一的例外是 SGLang 新加的 --enable-mfu-metrics，能直接导出估算 MFU——这是目前极少数"引擎内"就能拿到的算力效率指标。

这也是我见过最普遍的时间黑洞：把 C 类指标当成 A 类去查参数，查一天也查不出结果。

---

二、以 TTFT 为例：一个指标为什么对应五六个参数

核心问题： 什么决定用户按下回车后，多久看到第一个字？

答案： prefill 阶段的 token 预算、chunk 切分粒度、前缀缓存命中率，三者共同决定。

项目	vLLM	SGLang
单步 token 预算	--max-num-batched-tokens	--max-prefill-tokens（默认 16384）
chunk 切分	V1 默认开；--no-enable-chunked-prefill 可关	--chunked-prefill-size（默认 8192，-1 关闭）
长请求优先	--long-prefill-token-threshold（默认 0，实际取上下文 4%）	--schedule-policy lpm
前缀复用	--enable-prefix-caching（要显式开）	Radix Cache 默认开，--disable-radix-cache 关
观测	vllm:time_to_first_token_seconds	sglang:time_to_first_token_seconds

所以 TTFT 从来不是"一个参数"，它是一个结果。你能调的是 token 预算和 chunk 粒度，能观测的是命中率，剩下的交给调度器。

这里有个 SGLang 上特别容易混的点：--chunked-prefill-size 和 --max-prefill-tokens 是两个不同的东西。前者是"一次切多大块"，后者是"一批总共允许多少 token"。SGLang 官方 FAQ 里，prefill 阶段 OOM 让你调的是前者（降到 4096 或 2048），不是后者。

[配图建议：一张 TTFT 组成拆解图，横轴标出 排队 → prefill → 首token，在 prefill 段标注受哪几个参数影响]

---

三、吞吐类指标：Prefill 和 Decode 是一对反方向的旋钮

核心问题： 为什么我把 token 预算调大，吞吐涨了，但同事说延迟变差了？

答案： 因为 prefill 吞吐和 TTFT 抖动是同一批参数的两个方向。

把这张图记住，你就能理解为什么调参一次只能动一维：

不固定另一维的对比数据，全是废数据。

我见过太多"我调优后吞吐提升了 30%"的结论，细问之下是把并发也从 32 改到了 128——那不是调优，那是换了个测试条件。

指标	vLLM 观测	SGLang 观测
Prefill 吞吐	vllm:prompt_tokens_total、日志 Avg prompt throughput	sglang:prompt_tokens_total
Decode 吞吐	vllm:generation_tokens_total、日志 Avg generation throughput	sglang:gen_throughput、sglang:generation_tokens_total

---

四、延迟类指标：TPOT / ITL / E2E 都是"结果"，没有旋钮

这是我特别想强调的一点：这三个指标在参数表里找不到对应的旋钮。

指标	含义	vLLM 观测	SGLang 观测
TPOT	Time Per Output Token	vllm:time_per_output_token_seconds	压测侧统计
ITL	Inter-Token Latency	vllm:inter_token_latency_seconds	sglang:inter_token_latency_seconds
E2E	总响应时间	vllm:e2e_request_latency_seconds	sglang:e2e_request_latency_seconds

它们是并发、批预算、KV 压力共同作用的结果。想优化 TPOT，你要动的是这样几个东西：

• --max-num-seqs / --max-running-requests（并发越高，TPOT 越高）
• CUDA Graph（vLLM 默认开，--enforce-eager 是关掉它；SGLang 用 --disable-cuda-graph）
• 编译优化（vLLM -O3 / --compilation-config，SGLang --enable-torch-compile）
• 投机解码（两边都有，参数名差得比较远）
• KV 精度（--kv-cache-dtype 两边同名）

这就是"结果指标"和"参数指标"的区别——你优化不了 TPOT，你只能优化影响 TPOT 的那几个旋钮，然后重新测 TPOT。

---

五、分位数：P99 不是参数，是分布

很多人第一次跑 vLLM 的 bench，看到输出里只有 Mean 和一个 P99，就以为"分位数是自动的"。

不是。 --metric-percentiles 的默认值是 99——你不显式写，它就只给你一个 P99。

# 正确姿势：把 P50/P90/P95/P99 都要出来
--percentile-metrics ttft,tpot,itl,e2el \
--metric-percentiles 50,90,95,99

⚠️ 两个坑，我都踩过：

1. 指标名是 e2el，不是 e2e。 写 e2e 会报错。可选值包括 ttft,tpot,itl,ttfc,tpoc,icl,tpop,e2el 等。
2. SGLang 的 bench_serving 没有这么细的分位数开关。 它的做法是用 --output-details 把逐请求明细（ttfts、itls、input/output lens）导出成 JSONL，自己算分位数——这反而更灵活，但很多人不知道有这个参数。

python -m sglang.bench_serving --backend sglang --host 127.0.0.1 --port 30000 \
  --dataset-name random --random-input-len 4096 --random-output-len 512 \
  --num-prompts 1000 --max-concurrency 128 \
  --output-file ./results/sglang.jsonl --output-details

补一个反直觉的发现：分位数背后其实藏着一个参数。 翻 SGLang 的 --help 会看到一个 --bucket-time-to-first-token——TTFT 直方图的分桶边界。

也就是说："P99 是分布不是参数"这句只说对了一半。 压测报告里的分位数确实没有旋钮，但你从 /metrics 里用 histogram_quantile() 算出来的分位数，精度完全由直方图分桶决定：

• 桶边界太粗 → 相邻桶之间被线性插值抹平，P99 会偏乐观
• 桶边界没覆盖真实长尾 → 数据全落进 +Inf 桶，P99 直接失真

所以从 Prometheus 拿分位数之前，先去看一眼 *_bucket 的实际边界（curl /metrics | grep _bucket 就行）。vLLM 侧的分桶是内部默认值，同样建议先确认覆盖面，再决定要不要换 Prometheus 侧的 histogram_quantile 参数。

---

六、并发与 KV：一对必须一起看的孪生指标

核心问题： 我把并发调到 512，为什么吞吐没涨，TPOT 反而抖得厉害？

答案： 因为并发和 KV 是耦合的，KV 不够就会触发抢占（preemption）或回收（retract），请求被反复打断重算。

概念	vLLM	SGLang
最大并发	--max-num-seqs	--max-running-requests
并发观测	vllm:num_requests_running	sglang:num_running_reqs
排队观测	vllm:num_requests_waiting、`vllm:num_requests_waiting_by_reason{reason="capacity"	"deferred"}`	sglang:num_queue_reqs、/get_load
被抢占	vllm:num_preemptions_total	retract 计数（sglang:num_retracted_reqs*）

这是我最想让人记住的一条：并发指标永远要和 KV 淘汰一起看。 只看 Running: 512 reqs 就宣布"扩容成功"，是很危险的。

vLLM 的日志行其实把这两件事并排印出来了，只是很多人没注意：

Running: 512 reqs, Waiting: 87 reqs, GPU KV cache usage: 99.2%, Prefix cache hit rate: 61.3%

看到 Waiting 不为 0、KV 到 99%，就该知道现在不是"在扩容"，而是"在排队+抢占"。

---

七、KV Cache 命中率：唯一"默认开着"的优化

项目	vLLM	SGLang
开关	--enable-prefix-caching（要显式开）	Radix Cache 默认开，--disable-radix-cache 关
淘汰策略	--prefix-caching-hash-algo	--radix-eviction-policy lru/lfu（默认 lru）
观测	vllm:prefix_cache_hits_total / vllm:prefix_cache_queries_total	sglang:cache_hit_rate
按请求统计	—	--enable-cache-report

这里有一个我一开始理解错的参数，值得单独说：--enable-cache-report。

我最初以为它是"让服务端输出缓存报告"。实际上它的作用是：把缓存的 token 数塞进 OpenAI 响应体的 usage.prompt_tokens_details.cached_tokens 字段里，供客户端或压测工具按请求统计命中率。默认 False，要统计就得显式开。

另外一个坑：SGLang 当前文档里 --schedule-policy 的默认值是 fcfs，不是很多人印象中的 lpm。 想要"最长前缀优先"以提高命中率，必须显式写 --schedule-policy lpm。这一条建议你 --help 复核一下自己装的版本。

Agent 类应用的命中率普遍很高（系统提示词、工具 schema、多轮历史都是共享前缀），这也是 SGLang 在这类场景口碑好的原因。所以压测时如果只发随机 prompt，你测出来的命中率天然偏低——这不是引擎的问题，是你的数据集不真实。

---

八、显存类指标：为什么"峰值显存≈设定值"不是浪费

项目	vLLM	SGLang
总量占比	--gpu-memory-utilization（默认 0.9）	--mem-fraction-static（实际默认 0.9）
KV 池硬上限	--num-gpu-blocks-override、--kv-cache-memory-bytes	--max-total-tokens
块/页大小	--block-size（16/32/64）	--page-size（默认 1）
KV 精度	--kv-cache-dtype	--kv-cache-dtype
观测	启动日志 GPU KV cache size: N tokens	启动日志 max_total_num_tokens

一个反直觉但正确的事实： vLLM 会把 --gpu-memory-utilization 给的额度预先吃满留给 KV pool，SGLang 的 --mem-fraction-static 同理。所以"峰值显存 ≈ 设定值"是设计行为，不是浪费。你看到 "81559MiB 里用了 71303MiB" 就以为漏显存了，其实那是它主动留给 KV 的。

想测真实权重占用，得单独用小 fraction 跑一次，或者从启动日志里把那两行拆出来看。

还有两个参数值得单独记住：

• --num-gpu-blocks-override：官方说明写得很直白——"If specified, ignore GPU profiling result and use this number of GPU blocks. Used for testing preemption." 也就是说，这是引擎作者提供给你专门用来构造 KV 压力、复现抢占的开关。想测 KV 淘汰行为，就用它。
• --page-size 64：SGLang 官方 HiCache 最佳实践里给的配置。注意分层缓存的场景要放大页大小，这和纯 GPU 场景（默认 1）是很不一样的思路。

SGLang 官方 HiCache 文档给的一组真实参数，可以直接抄：

python3 -m sglang.launch_server --model-path /DeepSeek-R1/ --tp 8 --page-size 64 \
  --context-length 65536 --chunked-prefill-size 6144 --mem-fraction-static 0.85 \
  --enable-hierarchical-cache --hicache-ratio 2 --hicache-io-backend kernel

---

九、引擎测不到的指标：SM、Tensor Core、带宽、NCCL

前面说过这批是 C 类。这里给一张"查什么用什么"的对照表，建议直接收藏：

指标	工具与字段
SM 占用 / Tensor Core / 显存带宽	ncu --metrics sm__throughput.avg.pct_of_peak_sustained_elapsed,sm__pipe_tensor_op_hmma_cycles_active.avg.pct_of_peak_sustained_active,dram__throughput.avg.pct_of_peak_sustained_elapsed
GPU 利用率 / 功耗 / NVLink / PCIe	DCGM：DCGM_FI_PROF_SM_OCCUPANCY、DCGM_FI_PROF_PIPE_TENSOR_ACTIVE、DCGM_FI_PROF_DRAM_ACTIVE、DCGM_FI_DEV_POWER_USAGE、DCGM_FI_PROF_NVLINK_TX_BYTES、DCGM_FI_PROF_PCIE_TX_BYTES
峰值显存	nvidia-smi --query-gpu=memory.used --format=csv -l 1
显存碎片率	torch.cuda.memory_stats()，看 reserved vs allocated
SSD IOPS / 带宽	fio、iostat -x 1
NCCL / AllReduce 延迟	nccl-tests：./build/all_reduce_perf -b 8 -e 8G -f 2 -g 8
模型质量（MMLU/SWE-bench/…）	lm-eval-harness、evalplus、swebench harness、lmms-eval
Token/$、W/token	外部换算：token 数来自引擎指标，功耗来自 DCGM / nvidia-smi

关于显存碎片率，补一句实战经验： 引擎参数里没有"降低碎片"的旋钮，但环境变量 PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True 通常能明显缓解。这个不是引擎的功能，是 PyTorch 分配器的功能。

⚠️ 但有一条例外，必须单独说：MFU 其实有引擎内参数。

上面把 MFU 归进 C 类，是因为精确的 SM / Tensor Core 占用只有 ncu 和 DCGM 能给。但 SGLang 提供了 --enable-mfu-metrics：打开之后 /metrics 里会多出估算的 MFU 指标，不装 DCGM 也能看个大概趋势。（vLLM 侧没有对应开关。）

这正好是"三层框架"的一个好例子：同一个指标在不同引擎里的可得性可能完全不同。所以拿到一个新引擎，第一件事应该是把 --help 和 /metrics 都完整翻一遍，而不是套用上一个引擎的经验——这次翻 SGLang 的 --help，我就额外翻出来 --enable-mfu-metrics、--enable-metrics-for-all-schedulers（多 TP rank 时让每个 rank 单独记指标）、--extra-metric-labels（给指标打自定义标签）、--export-metrics-to-file（把逐请求指标落盘）这几个文档里几乎不提、但排查问题时很好用的开关。

关于质量指标，必须强调： 引擎参数里没有"提升 MMLU"的旋钮，只有损害它的旋钮——--quantization、--kv-cache-dtype fp8、--attention-backend 换实现。所以量化上线前质量分必须重测，这不是可选项。

---

十、实测：怎么跑一次"可比"的压测

理论讲完，换个角度：你手头这两个引擎，到底能不能公平地比一次？

这里有一个很多人不知道的技巧：vLLM 的 bench 支持 --backend sglang。

也就是说，你可以用同一个客户端、同一份输入分布去打两个引擎，这才是真正可比的对比方式。比"vLLM 用自己的脚本、SGLang 用 bench_serving"这种各跑各的搞法靠谱得多——两个不同的客户端，连分位数算法都可能不一样，比出来的结论没有意义。

# 打 vLLM
vllm bench serve --backend vllm --model Qwen/Qwen2.5-7B-Instruct \
  --base-url http://127.0.0.1:8000 \
  --dataset-name random --random-input-len 4096 --random-output-len 512 \
  --num-prompts 1000 --request-rate inf --max-concurrency 128 --ignore-eos \
  --percentile-metrics ttft,tpot,itl,e2el --metric-percentiles 50,90,95,99 \
  --save-result --result-dir ./results

# 同一个客户端打 SGLang（保证可比）
vllm bench serve --backend sglang --model Qwen/Qwen2.5-7B-Instruct \
  --base-url http://127.0.0.1:30000 \
  --dataset-name random --random-input-len 4096 --random-output-len 512 \
  --num-prompts 1000 --request-rate inf --max-concurrency 128 --ignore-eos \
  --percentile-metrics ttft,tpot,itl,e2el --metric-percentiles 50,90,95,99 \
  --save-result --result-dir ./results-sglang

但这两个客户端不是一回事——--backend vllm 走 /v1/completions，--backend sglang 走 SGLang 原生的 /generate，流式解析和 token 计数的代码路径完全不同。真正逐字节一致的写法在下面 10.3 节。

10.1 本次实测环境（实跑取证，不是抄文档）

下面所有数字都出自这套环境，你可以照着复现：

项目	实测值	取证方式
GPU	RTX 5090，32607 MiB，计算能力 sm_120（Blackwell）	nvidia-smi + torch.cuda.get_device_capability()
驱动	617.14	nvidia-smi
容器环境	Docker Desktop 4.47.0 / Engine 28.4.0，含 nvidia runtime	docker info
模型	Qwen2.5-7B-Instruct，bf16，4 个分片共 15.2 GB	目录实测
模型结构	28 层 / 28 头 / 4 个 KV 头（GQA） / 原生 32768 上下文	config.json
vLLM	vllm/vllm-openai:v0.28.0-cu129	镜像 digest 见文末
SGLang	lmsysorg/sglang:latest，容器内实际是 v0.5.21	sglang.__version__

⚠️ sm_120 是 50 系显卡用户共同的坑：

RTX 50 系的计算能力是 sm_120，而社区里大量 vLLM 镜像（包括 v0.9.0 前后的官方镜像）是 CUDA 12.4 及更早版本构建的，PyTorch 里不含 sm_120 的 kernel 镜像，一启动就报：

RuntimeError: CUDA error: no kernel image is available for execution on the device

所以镜像标签必须挑 CUDA 12.9（cu129）或更高。 本次用 v0.28.0-cu129；SGLang 用官方 latest（要求 CUDA 13 兼容驱动，617.14 满足）。

顺便记一个显存账，后面全靠它：

每 token 的 KV 开销 = 2(K+V) × 28层 × 4个KV头 × 128(head_dim) × 2字节(bf16)
                    = 57,344 字节 ≈ 56 KB/token

10.2 第一个反直觉结论：两个引擎必须串行跑

我原本的设计是"两个容器都起来、同一个客户端轮流打"，算一下显存就知道不可能：

7B bf16 权重 ≈ 14.2 GB
两个服务各占一份  →  14.2 × 2 = 28.4 GB
还没算 KV Cache，32 GB 的 5090 就已经不够了

单卡 32 GB 装不下两个各配 --gpu-memory-utilization 0.85 的 7B 服务。 正确顺序只能是：

起 vLLM → 压测 → 停容器释放显存 → 起 SGLang → 压测

两个配套细节，都很容易踩：

1. 压测客户端必须抽成独立容器（不挂 GPU）。否则你一停 vLLM，客户端跟着就没了，第二段没法接着打。
2. 压测期间机器不能被别的活占着。 我一开始边拉镜像边压测，TTFT 的分位数立刻被打脏——下载解压抢 CPU 和磁盘，长尾直接飙起来。所以流程里必须加"等所有镜像就绪 + 静置 30 秒"。

10.3 对齐项声明：这张表比结论更重要

对比测试最容易犯的错是无意中动了两个变量。凡是有对应关系的旋钮，两边都显式设成同一个值：

维度	vLLM 参数	SGLang 参数	取值
上下文长度	--max-model-len	--context-length	32768
显存占用比例	--gpu-memory-utilization	--mem-fraction-static	0.85
最大并发	--max-num-seqs	--max-running-requests	128
单步 token 预算	--max-num-batched-tokens	--max-prefill-tokens	8192
chunk 切分	（V1 默认开）	--chunked-prefill-size	8192
前缀缓存	--enable-prefix-caching	（Radix 默认开）	开
CUDA Graph	默认开	默认开	开

两个必须知道的默认值差异：

• vLLM 侧没有 --chunked-prefill-size 这个参数，V1 引擎里 chunked prefill 默认开，由 --max-num-batched-tokens 统一控制
• SGLang 的 --max-running-requests 默认是 4096（实测启动日志里明明白白写着 max_running_requests=4096）。不显式设成 128，两边的并发上限根本不在一个量级，比出来的吞吐毫无意义

10.4 更公平的做法：两边都用 openai 后端

# 1) 常驻压测客户端（不占 GPU，只负责发包）
docker run -d --name bench-client --network llmbench \
  -v D:/models/Qwen2.5-7B-Instruct:/models/qwen:ro \
  -e HF_HUB_OFFLINE=1 --entrypoint sleep \
  vllm/vllm-openai:v0.28.0-cu129 infinity

# 2) 打 vLLM
docker exec bench-client vllm bench serve \
  --backend openai --endpoint /v1/completions \
  --base-url http://vllm-qwen:8000 \
  --model qwen2.5-7b --tokenizer /models/qwen \
  --dataset-name random --random-input-len 4096 --random-output-len 512 \
  --num-prompts 256 --request-rate inf --max-concurrency 128 --ignore-eos \
  --percentile-metrics ttft,tpot,itl,e2el --metric-percentiles 50,90,95,99

# 3) 打 SGLang：同一个容器、同一份数据集，只换 base-url
docker exec bench-client vllm bench serve \
  --backend openai --endpoint /v1/completions \
  --base-url http://sglang-qwen:30000 \
  --model qwen2.5-7b --tokenizer /models/qwen \
  --dataset-name random --random-input-len 4096 --random-output-len 512 \
  --num-prompts 256 --request-rate inf --max-concurrency 128 --ignore-eos \
  --percentile-metrics ttft,tpot,itl,e2el --metric-percentiles 50,90,95,99

两边都走 OpenAI 兼容接口，客户端代码逐字节一致，唯一的差别只剩服务端——这才叫可比。

并发按 1 / 16 / 64 / 128 扫，请求数随并发放大（1→20、16→32、64→128、128→256）。低并发点样本太少的话，分位数根本不稳定。

跑完你会看到真实的报告长这样。下面两份都是我这台机器上的原始输出，不是示意 —— 先看健康的低并发（并发 1）：

============ Serving Benchmark Result ============
Successful requests:                     20
Failed requests:                         0
Maximum request concurrency:             1
Benchmark duration (s):                  122.45
Total input tokens:                      81920
Total generated tokens:                  10240
Output token throughput (tok/s):         83.63
Total token throughput (tok/s):          752.64
---------------Time to First Token----------------
Mean TTFT (ms):                          327.54
P50 TTFT (ms):                           326.75
P99 TTFT (ms):                           343.80
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms):                          11.34
P99 TPOT (ms):                           11.42
---------------Inter-token Latency----------------
Mean ITL (ms):                           11.34
P99 ITL (ms):                            12.76
----------------End-to-end Latency----------------
Mean E2EL (ms):                          6122.32
P99 E2EL (ms):                           6175.16
==================================================

再把同一台机器、同一个模型、同一个客户端的并发从 1 提到 128：

============ Serving Benchmark Result ============
Successful requests:                     256
Failed requests:                         0
Maximum request concurrency:             128
Benchmark duration (s):                  160.63
Total input tokens:                      1048576
Total generated tokens:                  131072
Output token throughput (tok/s):         815.96
Total token throughput (tok/s):          7343.66
---------------Time to First Token----------------
Mean TTFT (ms):                          43765.43
P50 TTFT (ms):                           54943.65
P90 TTFT (ms):                           61122.51
P99 TTFT (ms):                           68232.12
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms):                          48.37
P99 TPOT (ms):                           74.76
---------------Inter-token Latency----------------
Mean ITL (ms):                           48.37
P50 ITL (ms):                            25.31
P99 ITL (ms):                            625.08
----------------End-to-end Latency----------------
Mean E2EL (ms):                          68483.79
P50 E2EL (ms):                           73663.00
P99 E2EL (ms):                           93561.58
==================================================

这两份报告放在一起，能读出四个只看吞吐数字绝对发现不了的信息：

1. P50 TTFT（54.9 秒）居然比 Mean TTFT（43.8 秒）还大。 说明分布是左偏的：大多数请求排满了整个队伍，少数早早被服务的请求把均值拉低了。这种时候报均值就是自我安慰，该报 P50 和 P90。
2. Mean ITL 48 ms，但 P99 ITL 是 625 ms —— 13 倍。 这是抢占/重算的指纹：KV 池装不下这么多并发，部分请求被换出，再回来时 prefix 得重算一遍，于是那一步的 token 间隔暴涨到几百毫秒。只看均值你永远发现不了这件事。
3. TTFT 从 0.33 秒变成 44 秒，但总吞吐只从 753 涨到 7,344。 并发翻了 128 倍，吞吐只翻了 9.8 倍，代价是首字延迟翻了 134 倍。
4. 两份报告的 Failed requests 都是 0。 服务"全成功"和"服务可用"完全是两件事——这就是为什么必须把分位数和 KV/抢占指标一起看。

10.5 实测结果

10 组压测全部 0 失败请求。随机数据集、输入 4096 / 输出 512、--request-rate inf 定并发压满：

并发	引擎	总吞吐 (tok/s)	输出吞吐 (tok/s)	TTFT 均值 (ms)	TTFT P99 (ms)	TPOT 均值 (ms)	E2EL 均值 (ms)
1	vLLM	752.64	83.63	327.54	343.80	11.34	6,122
1	SGLang	791.06	87.90	523.85	3,796.43	10.37	5,825
16	vLLM	7,258.76	806.53	768.17	2,356.15	18.31	10,125
16	SGLang	7,941.96	882.44	984.13	3,676.66	16.22	9,275
64	vLLM	8,299.22	922.14	9,874.74	24,925.68	43.97	32,342
64	SGLang	10,044.54	1,116.06	9,897.82	28,144.28	29.97	25,210
128	vLLM	7,343.66	815.96	43,765.43	68,232.12	48.37	68,484
128	SGLang	8,598.27	955.36	38,741.12	58,411.00	33.76	55,992

结论一：吞吐在并发 64 就到顶了，再加并发只是把 TTFT 顶到 43 秒。

并发	vLLM 总吞吐	环比	TTFT 均值
1	753	—	0.33 s
16	7,259	+864%	0.77 s
64	8,299	+14%	9.87 s
128	7,344	−12%	43.77 s

SGLang 的形状一模一样（16→64 涨 26%，64→128 跌 14%）。这就是"扩容成功的假象"：你把 --max-num-seqs 从 64 调到 128，吞吐不升反降，而 TTFT 涨了 4.4 倍。单看吞吐你会说"差不多"，看 TTFT 才知道服务已经塌了。

结论二：--max-num-seqs 128 只是纸面上限，真正能同时跑几个由 KV 池决定。

vLLM   启动日志:  GPU KV cache size: 194,896 tokens
SGLang 启动指标:  max_total_num_tokens = 210,714

单个请求占用 = 输入 4096 + 输出 512 = 4,608 token
vLLM   实际可并发 = 194,896 ÷ 4,608 ≈ 42 个
SGLang 实际可并发 = 210,714 ÷ 4,608 ≈ 46 个

设的是 128，实际只能同时跑 42 个，剩下 86 个全在排队。43 秒的 TTFT 里绝大部分是排队时间——实测抢占只有 35 次（SGLang 侧 retract 10 次），不是抢占主导，是准入排队主导。这也解释了为什么两者高并发吞吐差得不多：瓶颈都在同一块显存带宽上。

结论三：两个引擎的强项不一样，别指望一个"全面更好"。

维度	赢家	差距
低并发 TTFT	vLLM	328 vs 524 ms（快 60%）
高并发总吞吐	SGLang	c64 高 21%、c128 高 17%
高并发 TPOT	SGLang	c128: 33.76 vs 48.37 ms
前缀缓存命中率	SGLang	94.1% vs 78.4%
启动到就绪	vLLM	4 分 13 秒 vs 5 分 59 秒

结论四：前缀缓存的收益是断崖式的，命中率也是可以直接测出来的。

用 --prefix-repetition-* 造一组共享前缀的负载（2048 前缀 + 128 后缀，输出 128，并发 32）：

指标	vLLM	SGLang
总吞吐 (tok/s)	24,503	22,007
TTFT 均值	916 ms	1,269 ms
TTFT P99	1,783 ms	2,755 ms
后缀命中率	78.4%	94.1%

命中率的算法，两个引擎路子不同：

• vLLM 靠两个计数器自己算：prefix_cache_hits_total ÷ prefix_cache_queries_total。本次增量是 102,384 ÷ 130,561 = 78.4%（顺手验证一件事：全程 prefix_cache_queries_total = 1,785,856，和各并发组输入 token 总和一字不差，说明这个计数器可信）
• SGLang 直接给你一个 gauge：sglang:cache_hit_rate = 0.9412，不用自己算

⚠️ 注意这组的输入 shape（2048+128）和上表的 4096/512 不同，吞吐数字不能直接跨表比倍数，但命中率和 TTFT 的对比是干净的。

一个必须知道的测试缺陷：这次没做预热。

看 SGLang 并发 1 那组：均值 523.85 ms，但 P50 只有 310.47 ms、P99 高达 3,796.43 ms。20 个请求里有一个吃了冷启动的大亏，直接把均值和 P99 一起带偏。

原因在 vllm bench serve 的 --num-warmups 默认是 0；而 vLLM 自己在启动阶段就做了预热（日志里的 init engine (profile, create kv cache, warmup model)），SGLang 没有，所以首个真实请求的代价落进了报告。

下次压测一律加 --num-warmups 8，否则你看到的"长尾抖动"其实是冷启动。这是我这次跑完才补上的一课。

10.6 只有实跑才会踩到的坑（附实测数字）

⚠️ 最大的一个坑：WSL2 上用 vLLM 0.28，必须手动开 pinned memory，否则引擎起不来。

我第一次启动 vLLM 直接崩了：

RuntimeError: UVA is not available
  File "vllm/v1/worker/gpu/buffer_utils.py", line 47, in __init__
    raise RuntimeError("UVA is not available")

翻源码才明白链路：V1 的新 GPU runner 需要 UVA（统一虚拟寻址） → UVA 需要 pinned memory → 而 vLLM 在 WSL2 上默认把 pinned memory 关掉了。关键代码在 vllm/platforms/cuda.py：

if in_wsl():
    version = _get_wsl_kernel_version()
    if version is None or version < (4, 19, 121):
        return False                      # 内核太老，确实不支持
    # On compatible WSL2 kernels, pinned memory is supported but
    # disabled by default. Enable it via VLLM_WSL2_ENABLE_PIN_MEMORY=1.
    return envs.VLLM_WSL2_ENABLE_PIN_MEMORY   # ← 默认 False，就崩在这

我的容器内核实测 6.18.33.2-microsoft-standard-WSL2，远高于 4.19.121，能力是有的，只是默认关着。加一个环境变量就好了：

docker run ... -e VLLM_WSL2_ENABLE_PIN_MEMORY=1 vllm/vllm-openai:v0.28.0-cu129 ...

⚠️ 第二个坑：RTX 50 系（sm_120）必须用 CUDA 12.9+ 的镜像，否则 no kernel image is available for execution on the device。实测容器里 torch.cuda.get_device_capability() = (12, 0)。

启动耗时（实测，从 docker run 到 /health 返回 200）：

阶段	vLLM 0.28.0	SGLang 0.5.21
加载权重	136.57 s	85.68 s
编译 / CUDA Graph 捕获	torch.compile 12.42 s + 捕获 67 s	启动阶段已含
KV 分配	—	0.88 s
引擎初始化合计	122.78 s（含预热）	scheduler_e2e 292.88 s
容器起到就绪	4 分 13 秒	5 分 59 秒

KV 池实测容量（两边都是 0.85 显存比例 / 32K 上下文）：

引擎	KV token 数	KV 显存
vLLM	194,896	10.41 GiB
SGLang	210,714	11.25 GB

模型权重在 Windows 绑定挂载上的读取速度实测 134 MB/s（NVMe 被 virtiofs 拖累），15.2 GB 权重光读就要一百多秒——反复重启调参的场景，强烈建议把模型一次性 docker cp 进卷里。

几个环境侧的坑，一并记下：

现象	实测	教训
并行拉两个大镜像	大层卡在 Retrying in 5 seconds 死循环	两条拉取抢一条带宽，大层一重试就得从零重来；改串行后 0 次重试
拉取中途中断	已下载的层保不住	那些层没有镜像引用，属于悬空层会被回收，下次还得重下
SGLang 的 Radix 缓存实现	UnifiedRadixCache + RustUnifiedTreeCore	启动日志里写的就是这个名字，比文档和博客里的旧名字准
SGLang 默认 max_running_requests	4096	不显式设成 128，两边的并发上限根本不在一个量级

---

10.7 想再往深挖，这几个测试条件必须注意

1. --request-rate inf + --max-concurrency 是"定并发压满"，--request-rate N 才是"定速率"。 测排队时延和 P99 要用后者，前者会把排队问题藏起来。
2. SGLang 的 --disable-ignore-eos：用真实 prompt 压测时加上，避免强行 decode 到固定长度把输出分布压成乱码。加上之后报告会多出 steady-state 列。
3. 固定 shape 微基准（去调度噪声，看纯 kernel 性能）：vLLM 用 vllm bench latency --batch-size --input-len --output-len；SGLang 用 python -m sglang.bench_one_batch --batch-size --input-len --output-len。
4. 长上下文衰减：input len 扫 8K/32K/64K/128K/256K，同时把 --max-model-len(vLLM) / --context-length(SGLang) 提到对应值，画 TTFT 和 output throughput 两条曲线。

[配图建议：一张双引擎对比折线图，横轴为并发（1→256），两条线分别为 TTFT P99，标注拐点位置]

---

十一、快速换算与避坑速查表

参数等价对照（记住这张表，两个引擎随便切）：

概念	vLLM	SGLang
单步 token 预算	--max-num-batched-tokens（默认 2048）	--max-prefill-tokens（默认 16384）
chunked prefill	V1 默认开，--no-enable-chunked-prefill 关	--chunked-prefill-size（默认 8192，-1 关）
最大并发序列	--max-num-seqs	--max-running-requests
KV 显存占比	--gpu-memory-utilization	--mem-fraction-static
KV 池硬上限	--num-gpu-blocks-override、--kv-cache-memory-bytes	--max-total-tokens
KV 块/页大小	--block-size	--page-size
KV 精度	--kv-cache-dtype	--kv-cache-dtype
前缀缓存	--enable-prefix-caching	默认开，--disable-radix-cache
调度策略	--scheduling-policy fcfs/priority	--schedule-policy（默认 fcfs）
最大长度	--max-model-len	--context-length
CUDA Graph	默认开，--enforce-eager 关	默认开，--disable-cuda-graph
torch.compile	-O3	--enable-torch-compile
attention backend	VLLM_ATTENTION_BACKEND 环境变量	--attention-backend
并行	-tp/-pp/-dp、--enable-expert-parallel	--tp-size/--pp-size/--dp-size/--ep-size
PD 分离	--kv-transfer-config	--disaggregation-mode prefill/decode
指标端点	/metrics 默认可用	--enable-metrics（默认 False，必须显式开）

实跑补充：SGLang 侧几个只在 server_args 里才看得到的默认值

（来源：启动日志里打印的有效参数，比查文档和博客都可靠——文档会滞后，博客会抄错）

参数	实测默认值	影响什么
schedule_policy	fcfs	调度顺序。网上不少地方写 lpm，那是历史版本
radix_eviction_policy	lru	前缀缓存的淘汰顺序，直接决定命中率
retraction_policy	length	显存不够时抢占谁——这就是 retract 类指标的来源
max_prefill_tokens	16384	单步 prefill 预算，和 vLLM 的 --max-num-batched-tokens 对应
disable_radix_cache	False	前缀缓存默认就是开的
disable_overlap_schedule	False	overlap 调度默认开
page_size	1	KV 页粒度（vLLM 里叫 --block-size）

避坑清单（拿到一份压测报告时，先问自己这几个问题）：

1. 这个指标是 A 类、B 类还是 C 类？ —— C 类的指标别去查参数，查不到
2. 两个引擎的输入分布完全一致吗？（input/output len、是否 ignore_eos、数据集有没有共享前缀）—— 不一致的对比毫无意义
3. 分位数是显式打开的吗？ —— --metric-percentiles 默认只有 99，不写就没有 P50/P90/P95
4. 这次测试动了几维参数？ —— 一次只动一维，另一维锁死，否则数据不可比
5. GPU 利用率是从哪来的？ —— 引擎 /metrics 里没有，别拿 nvidia-smi 的 GPU-Util 当算力利用率用
6. 做预热了吗？ —— vllm bench serve 的 --num-warmups 默认是 0，首个请求的冷启动会直接污染 P99。我这次就中招了：SGLang 并发 1 那组均值 524 ms 而 P50 只有 310 ms，差的 200 多毫秒全来自那一个冷启动请求

---

十二、一句话总结

推理引擎的性能指标分三层：A 类有旋钮（并发、KV 显存占比、chunk 大小、调度策略），B 类只能测（TTFT、TPOT、ITL、命中率、P99），C 类引擎根本不管（SM 占用、Tensor Core、显存带宽、NCCL），把 C 类当 A 类查参数是最常见的时间黑洞；同一个概念在 vLLM 和 SGLang 里叫法不同（max-num-seqs ↔ max-running-requests、gpu-memory-utilization ↔ mem-fraction-static、max-num-batched-tokens ↔ max-prefill-tokens），记住概念别记名字；调参的方向是反对称的，token 预算调大换来 prefill 吞吐但牺牲 TTFT 抖动和 ITL，并发调大换来总吞吐但抬高 TPOT，所以一次只能动一维、另一维锁死；并发和 KV 必须一起看，否则你看到的"扩容成功"很可能只是排在队伍里被反复抢占；最后，所有参数都以你机器上 --help 的输出为准，不要信博客——包括我这篇。

---

个人声明：

本文所有参数名、默认值和指标名均核对自 vLLM / SGLang 官方文档与 GitHub 源码，并且第十节的全部数据都来自本机实跑：RTX 5090 32GB、Qwen2.5-7B-Instruct bf16、vLLM 0.28.0（cu129 镜像）、SGLang 0.5.21，同一个压测客户端、同一份数据集、逐项对齐配置，10 组压测 0 失败请求。两处原先存疑的地方也已用实测解决：--schedule-policy 的默认值确为 fcfs（从启动日志的 server_args 打印取证，网上流传的 lpm 是历史版本），前缀缓存计数器确认是 vllm:prefix_cache_hits_total（带 _total 后缀，不是 prefix_cache_hits）。

但这份数据的边界必须说清楚：单卡、单模型、每个并发点只跑了一轮、没有做预热（--num-warmups 默认 0，所以 SGLang 并发 1 那组的 P99 里混着冷启动），而且用的是 --request-rate inf 定并发压满，不是定速率。换模型、换卡、换 QPS 模型，结论都可能变，请以你自己机器上的实跑为准。

如果这篇帮你少踩一个坑（尤其是 WSL2 那个 UVA is not available，真的很坑），那就没白写。有疑议不要喷俺，可以留言！！！