vLLM 针对多模态模型的推理优化实践｜AICon深圳

Agent 时代，哪些方向正在成为行业关键变量？50 + 实战案例揭晓答案！模型参数规模不断突破，推理成本持续下降，开源生态日益繁荣。当模型能力逐渐成为行业共识，一个新的问题开始浮现：当人人都能获得强大的模型能力之后，真正的竞争力还剩下什么？ 答案正在从模型能力本身，转向围绕模型构建可规模化的智能系统；从单点能力提升，转向系统工程与组织级落地能力。在这一背景下，2026 年 AICon 人工智能开发与应用大会 · 深圳站正式启动。本次大会将于 8 月 21 日—22 日举办，聚焦 AI 基础设施、大模型系统、智能体工程、数据智能、多模态技术与行业落地等关键方向，邀请来自腾讯、阿里、华为、百度、蚂蚁集团等 50 + 头部科技企业技术负责人、科研机构一线专家，系统性分享前沿洞察与实战干货，共同探讨 AI 技术从能力到系统、从实验到生产的真实路径。InferactvLLM committer 莫梓峰已确认出席 “AI Infra、推理工程与异构计算” 专题，并发表题为《vLLM 针对多模态模型的推理优化实践》的主题分享。如今开源大语言模型的迅速发展，随着 Kimi-K2.6、 Qwen3.6 及 cosmos3 等支持原生多模态的大语言模型发布，多模态大语言模型已成为未来发展趋势。vLLM 作为主流开源推理框架之一，其针对多模态模型结构引发的性能瓶颈，进行了包括 Encoder cache、Encoder DP 及 Encoder Cuda Graph 在内的一系列性能优化，本演讲将深入讲解 vLLM 用于优化多模态模型的关键技术，并展示如何使用最新版本 vLLM 高效部署多模态模型。莫梓峰，硕士毕业于中山大学，现就职于 Inferact。作为 vLLM 多模态部分的几位核心开发者之一，深度参与了 vLLM 多模态模型的支持与优化特性维护。截至 2026 年 6 月，vLLM 已在 GitHub 上获得 82k star，并被广泛应用于 AWS、Meta、Digital Ocean 等大型厂商的生产环境中。他在本次会议的详细演讲内容如下：演讲提纲：vLLM 的核心优化技术PagedAttentionContinuous Batching2. 多模态模型推理在 Continuous Batching 框架下面临的挑战3. 针对多模态模型的多级缓存设计Encoder cacheProcessor Cache4. 针对多模态模型 encoder 的优化ViT DPEncoder Cuda Graph5. vLLM 的社区生态及其如何面对未来的多模态发展趋势实践痛点性能瓶颈在整个推理系统中的转移开发人员人手严重匮乏听众收益vLLM 的多项核心优化技术vLLM 的社区生态除此之外，本次大会还策划了AI Infra、推理工程与异构计算、超级个体与蜂群智能的共生进化、迈向机器人 AGI 的关键技术与产业实践、Agent 安全：从风险到可控、端侧智能与 AI 原生终端、AI Agent 高价值商业场景实战等 11 个专题论坛，届时将有来自不同行业、不同领域、不同企业的 50+资深专家在现场带来前沿技术洞察和一线实践经验。大会限时早鸟票享 8 折专属优惠，现在报名立减 1160，更多详情可扫码或联系票务经理 13269078023 进行咨询。