SGLang AI 金融 π 对（杭州站）火热来袭！
本次 SGLang Meetup 聚焦于提升大模型推理效率的核心工程挑战。活动将介绍 SGLang 创新的缓存系统，通过分层与混合架构管理来优化内存使用；分享能实现模型权重秒级更新与快速加载的中间件，以加速强化学习等场景的迭代。同时，社区也展示了在支持 GLM、Mamba 等多样化模型，以及SGLang在昇腾的大模型推理优秀实践。 SGLang 社区致力于通过开源协作，为复杂 AI 模型构建高效灵活推理引擎，欢迎广大开发者线下参会。
🕑 时间：12月20日（周六）14:00
📌 地点：杭州紫金港美居酒店 三楼 祥符厅
为什么一定要来？
这不是一场泛泛而谈的行业聚会，而是一场围绕 Agent、强化学习（RL）与推理系统工程的深度技术探索。
▶ 下一代推理系统的“重构现场”
面对 DeepSeek-V3 等新一代模型，传统的内存管理已捉襟见肘。本次将首度揭秘 SGLang 两大创新：HiCache 与 Hybrid Cache。从硬件到分布式存储的三级缓存体系，到支持 SparseAttention 的分层内存管理，带你从底层看透性能上限是如何被突破的。
▶ 直击 RL 训练中的“工程命门”
在强化学习与大规模推理中，权重的频繁更新是效率杀手。我们将深入探讨 Checkpoint Engine —— 专为 LLM 设计的轻量级权重更新中间件。秒级“原地”更新、Zero-Copy 技术、P2P 传输模式，这些来自一线实战的工程细节，将直接解答如何大幅缩短 RL 训练中的推理等待时间。
▶ 完整的“软硬协同+垂直落地”生态
看落地：华为工程师现身说法，拆解金融领域 Agentic RL 的确定性计算与多轮对轮优化；
看适配：SGLang 在昇腾异构环境下的真实优化路径，及对 Qwen/DeepSeek 的深度支持；
▶ SGLang与GLM模型的生态建设
随着模型尺寸的增加和MoE的模型，模型推理的重要性日益显现，GLM布道师将介绍 SGLang 与 GLM 模型的生态建设，重点介绍在 SGLang 上高效部署 GLM，包括基础的部署，PD分离，以及讲解在GLM模型适配中的一些合作历程，包括SGLang框架的适配 以及 联合研发的 Slime开源框架。
社区周边 × 限量好礼 × 抽奖福利
定制款周边伴手礼
现场抽奖：罗技 G316 X / 电竞版 8K 机械键盘、程序员定制礼盒、超级解压捏捏乐
参与小红书互动即可拿限定礼品