Xorbits Inference（Xinference）是一个 性能强大且功能全面的 分布式 推理框架。可用于大语言模型（LLM），语音识别模型，多模态模型等各种模型的推理。通过 Xorbits Inference，你可以轻松地 一键部署你自己的模型或内置的前沿开源模型 - https://github.com/xorbitsai/inference。无论你是研究者，开发者，或是数据科学家，都可以通过 Xorbits Inference 与最前沿的 AI 模型，发掘更多可能。 Xinference 的功能和亮点有：
- 🌟 模型推理，轻而易举：大语言模型，语音识别模型，多模态模型的部署流程被大大简化。一个命令即可完成模型的部署工作。
- ⚡️ 前沿模型，应有尽有：框架内置众多中英文的前沿大语言模型，包括 baichuan，chatglm2 等，一键即可体验！内置模型列表还在快速更新中！
- 🖥 异构硬件，快如闪电：通过 ggml，同时使用你的 GPU 与 CPU 进行推理，降低延迟，提高吞吐！
- ⚙️ 接口调用，灵活多样：提供多种使用模型的接口，包括 OpenAI 兼容的 RESTful API（包括 Function Calling），RPC，命令行，web UI 等等。方便模型的管理与交互。
- 🌐 集群计算，分布协同：支持分布式部署，通过内置的资源调度器，让不同大小的模型按需调度到不同机器，充分使用集群资源。
- 🔌 开放生态，无缝对接：与流行的三方库无缝对接，包括 LangChain， LlamaIndex， Dify，以及 Chatbox。
🚀 Xinference v1.8.1 更新日志
✅ 本次亮点
🌐 社区版更新
📦 安装方式
- pip 安装：pip install 'xinference==1.8.1'
- Docker 使用：拉取最新版镜像或使用 pip 更新
🆕 新模型支持
- GLM 4.5 系列
- Qwen3-Instruct
- Qwen3-Thinking
- Qwen3-Coder
✨ 新特性
- 支持模型加载时启用虚拟环境 & 指定依赖包
- 支持 max_tokens 自动设为最大长度
- 新增 Qwen3-30B-A3B-it
- 支持在模型加载时设定环境变量
- 支持 kokoro MLX、bge-m3 (llama.cpp)、deepseek-v3 (mlx)
🛠 功能增强
- 支持 MLU 设备检测
- vLLM embedding 模型支持上下文自动截断
- 重构 UI 模块，整合 Web 与 Gradio UI
- sglang structured output 修复兼容
- 移除 sglang 依赖避免与 vllm 冲突
- Dockerfile 基础镜像升级，并支持 CUDA 12.8 构建
🐞 Bug 修复
- 修复 Qwen3 Reranker GPU 显存异常问题
- 修复旧版 vLLM 与 0.10.0 兼容性问题
- 修复 enable_thinking 模式中 reasoning 输出问题
📚 文档更新
- 增加虚拟空间与依赖配置文档
- 更新模型环境变量设置文档
🏢 企业版更新
- 发布 0.2.0 版本
- 提升高可用能力：支持 Supervisor 主从同步与容错机制
- 模型副本部署能力增强：可为每个副本单独指定部署机器与显卡
我们感谢每一位参与的社区伙伴对 Xinference 的帮助和支持，也欢迎更多使用者和开发者参与体验和使用 Xinference。 欢迎您在 https://github.com/xorbitsai/inference 给我们一个 星标，这样你就可以在 GitHub 上及时收到每个新版本的通知。
