AI热榜 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 PagedAttention Continuous Batching 2.
多模态模型推理在 Continuous Batching 框架下面临的挑战
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接