资料内容：
各框架详细对⽐分析
1. Hugging Face transformers
框架简介： 不仅仅是框架，更是⽣态系统的基础。提供了加载、运⾏和训练Transformer模型的Python API，是
所有其他框架（TGI, vLLM等）通常需要兼容的“事实标准”。框架优点：
模型库最全： ⽀持数以万计的预训练模型，是模型分发的中⼼。
API标准： 其 AutoModel 、 AutoTokenizer 等API已成为⾏业标准。
灵活性极⾼： ⽅便⽤于研究、实验和模型微调。
框架缺点：
原⽣推理效率低： 其 pipeline 或 model.generate 接⼝本⾝未做深度优化，吞吐量低。
⽆⽣产级服务功能： 需要⾃⾏构建Web服务器、批处理、监控等。
框架适⽤场景： 模型实验、原型验证、微调训练。是所有应⽤的起点。
框架经典⽤途： 在Jupyter Notebook中快速测试⼀个新模型的效果。
框架成熟度： 极⾼，是⽣态的基⽯。
2. vLLM
框架简介： 由加州伯克利⼤学团队开发的⾼吞吐、易⽤的⼤模型推理和服务引擎。核⼼创新是
PagedAttention。
框架优点：
⾼吞吐量： PagedAttention极⼤减少了KV Cache的内存浪费，在批处理场景下性能卓越。
易⽤性好： 安装部署相对简单，与HuggingFace模型完美兼容。
持续活跃： 开发⾮常活跃，不断加⼊新模型和特性（如量化⽀持）。
框架缺点：
早期对模型的⼀些特殊⽤法（如修改注意⼒机制）⽀持不够灵活，但现在已⼤幅改善。
框架适⽤场景： ⾼并发在线服务、批量⽂本⽣成任务。
框架经典⽤途： 为多个⽤⼾提供并发的ChatGPT式API服务。
框架成熟度： ⾮常⾼，被众多公司⽤于⽣产环境。
