一、版本总览：2026开年关键迭代，大模型部署生态再进化

2026年3月18日，InternLM团队正式发布lmdeploy v0.12.2版本，作为开年以来的重要迭代，该版本聚焦模型支持广度、推理性能、量化能力、硬件兼容性、稳定性五大核心维度，完成34次提交、277个文件修改，由16位贡献者协同打磨，实现了对GLM5、Qwen3.5等主流大模型的全面适配，同时在TurboMind引擎优化、量化技术升级、Bug修复等方面实现突破性进展，为大模型高效、稳定、低成本部署提供了更强大的技术支撑。

lmdeploy作为覆盖大模型压缩、推理、服务的一体化部署工具包，凭借TurboMind高性能推理引擎、灵活的量化方案、多模型兼容能力，已成为大模型落地的核心基础设施。v0.12.2版本延续了工具的核心优势，进一步拓宽模型适配边界，强化性能与稳定性，无论是个人开发者的本地部署，还是企业级的大规模服务化，都能提供更优的解决方案。

二、核心新特性：模型支持全面扩容，推理能力再突破

（一）主流大模型全面适配，覆盖国产与开源生态

1. 支持GLM5模型
   作为本次版本的核心亮点之一，lmdeploy v0.12.2正式新增对GLM5模型的支持，补齐了对智谱AI主流大模型的部署能力。GLM5作为智谱AI推出的新一代大模型，在通用理解、逻辑推理、多轮对话等方面具备显著优势，此次适配让开发者可通过lmdeploy快速实现GLM5模型的本地推理与服务化部署，无需复杂的二次开发，即可将GLM5的能力集成到各类应用中。

2. 新增Qwen3.5模型支持
   紧跟通义千问模型迭代节奏，v0.12.2版本全面支持Qwen3.5系列模型，包括密集型（Dense）与混合专家型（MoE）架构。Qwen3.5作为阿里云推出的高性能大模型，在长文本处理、多模态交互、实时推理等场景表现突出，此次适配不仅实现基础推理支持，更通过TurboMind引擎深度优化，保障Qwen3.5模型在部署后的推理效率与稳定性。

3. GLM-4.7-Flash Turbomind专项支持
   针对GLM-4.7-Flash模型，版本新增专属的TurboMind支持能力。GLM-4.7-Flash主打低延迟、高吞吐推理，适配实时对话、智能客服等对响应速度要求严苛的场景，lmdeploy通过定制化的TurboMind引擎适配，充分释放该模型的性能潜力，实现推理延迟与吞吐量的双重优化。

4. Qwen/Internlm/Llama系列模型FP8量化在线支持
   为解决大模型部署中的显存占用与推理速度矛盾，v0.12.2版本实现对Qwen、Internlm、Llama三大主流模型系列（含Dense与MoE架构）的FP8量化在线支持。FP8量化作为兼顾精度与效率的量化方案，可在几乎不损失模型推理精度的前提下，将显存占用降低约50%，同时提升推理速度，大幅降低大模型部署的硬件门槛，让中低端GPU也能流畅运行百亿参数级大模型。

（二）推理与生成能力升级，提升生成质量与灵活性

1. 新增TurboMind对Qwen3.5全架构支持
   除基础适配外，版本通过专项开发，实现TurboMind引擎对Qwen3.5 Dense与MoE架构的完整支持。TurboMind作为lmdeploy的核心推理引擎，基于C++/CUDA实现，具备连续批处理、分块KV缓存、高性能算子等优势，此次针对Qwen3.5的深度优化，可让该模型在lmdeploy部署后，吞吐量较原生推理提升数倍，同时降低推理延迟。

2. 支持Router Replay与量化层忽略（Qwen3.5专属）
   针对Qwen3.5模型的MoE架构特性，版本新增Router Replay（路由重放）与忽略量化层功能。Router Replay可优化MoE模型中专家路由的推理效率，减少重复计算；忽略量化层则允许开发者针对模型特定层跳过量化，平衡推理精度与速度，满足不同场景的部署需求，进一步提升Qwen3.5模型部署的灵活性。

3. 新增Repetition Ngram Logits Processor
   为解决大模型生成过程中的重复文本问题，v0.12.2版本新增Repetition Ngram Logits Processor（重复N元语法逻辑处理器）。该功能通过对生成文本的N元语法进行检测与惩罚，有效抑制重复片段的生成，提升生成文本的连贯性、多样性与质量，尤其适用于长文本生成、内容创作、对话交互等场景。

三、性能与兼容性优化：引擎升级，适配更广泛硬件与框架

（一）TurboMind引擎深度优化，适配最新技术栈

1. 兼容Transformers 5.0框架
   随着Hugging Face Transformers框架迭代至5.0版本，lmdeploy v0.12.2同步完成TurboMind引擎的兼容性升级，确保基于最新Transformers框架训练或导出的模型，可无缝通过lmdeploy部署。此次兼容覆盖模型加载、权重解析、推理流程等全链路，避免因框架版本不匹配导致的部署失败，保障开发者使用最新模型与工具链的顺畅性。

2. 支持Qwen与Internlm模型FP32 Head
   针对Qwen与Internlm系列模型，版本新增FP32精度的输出头（Head）支持。在部分对推理精度要求极高的场景（如金融分析、医疗诊断、科学计算），FP32精度可避免量化带来的精度损失，保障输出结果的准确性；同时，该功能可与模型其他部分的量化方案灵活搭配，实现精度与效率的动态平衡。

3. MLA KV缓存内存占用优化
   通过核心算法优化，版本实现MLA（Multi-Head Latent Attention）结构的KV缓存内存占用大幅降低。KV缓存作为大模型推理中显存占用的核心部分，其优化直接影响模型可部署的上下文长度与并发数，此次优化可在相同硬件条件下，支持更长的上下文窗口或更多的并发请求，显著提升长文本、多轮对话场景的部署能力。

4. 新增Recurrent Gated Delta Rule内核
   引入全新的Recurrent Gated Delta Rule（循环门控增量规则）计算内核，针对循环神经网络相关结构的推理进行专项加速。该内核通过优化门控机制与增量计算逻辑，减少冗余计算步骤，提升循环结构的推理速度，适配具备循环特性的大模型架构，进一步拓宽lmdeploy的模型适配范围与性能边界。

5. MLA内核性能再提升
   在原有MLA内核优化基础上，版本推出更快的MLA计算内核，通过算子融合、内存访问优化、并行计算调度等手段，进一步提升MLA结构的推理效率。对于广泛采用MLA结构的现代大模型，该优化可直接降低推理延迟、提升吞吐量，让模型在高并发场景下更流畅运行。

6. 注意力内核自注册与解耦调度
   重构注意力内核的注册与调度机制，实现注意力内核的自注册与解耦调度。自注册机制简化了新内核的集成流程，降低开发者扩展内核的门槛；解耦调度则让注意力计算与其他推理步骤分离，提升计算调度的灵活性与效率，同时为后续多硬件、多架构的注意力内核适配奠定基础。

（二）硬件兼容性拓展，覆盖国产与主流算力平台

1. 昇腾（Ascend）S1-Pro适配优化
   针对国产昇腾S1-Pro芯片，版本完成深度适配，支持数据并行+张量并行+专家并行（dp*tp+ep） 混合并行策略。昇腾芯片作为国产算力的核心代表，此次适配让lmdeploy可在昇腾硬件上实现大模型的高效分布式部署，充分发挥国产芯片的算力优势，满足国产化替代场景的大模型部署需求。

2. GLM4.7模型MTP支持
   新增对GLM4.7模型的MTP（Multi-Token Prediction，多令牌预测）支持。MTP技术可让模型单次推理生成多个令牌，大幅提升生成速度，尤其适用于长文本生成、批量内容处理等场景，结合lmdeploy的推理优化，GLM4.7模型部署后可实现更高的生成效率。

四、Bug修复：全链路问题解决，提升部署稳定性

（一）日志与内核问题修复

1. 修复RepetitionPenaltyKernel中日志级别错误问题，将调试日志从ERROR级别调整为DEBUG级别，避免非错误日志干扰系统运行，同时保留调试信息的可追溯性。
2. 修复InternVL AWQ模型的量化配置解析错误，解决AWQ量化模型加载时的配置解析异常，保障量化模型的正常部署与推理。

（二）生成与配置问题修复

1. 修复XGrammar位掩码初始化错误，同时在生成方法中新增对生成配置（gen_config）的空值检查，避免因配置异常导致的推理崩溃，提升生成流程的稳定性。
2. 修复会话关闭逻辑错误，优化会话资源释放流程，避免会话关闭时的资源泄漏与异常，保障多会话场景下的系统稳定性。

（三）授权与推理流程修复

1. 修复授权机制异常，解决模型部署与推理过程中的授权验证问题，保障合规使用模型的同时，避免授权错误导致的服务中断。
2. 修复Pipeline模块的多个 minor 问题，并补充完善测试用例，提升Pipeline离线推理与批量处理的稳定性，覆盖更多边缘场景。
3. 修复dllm mask在set_step操作中的逻辑错误，解决掩码设置异常导致的推理结果偏差，保障生成文本的正确性。

（四）框架兼容与硬件适配修复

1. 修复与Transformers 5.0及以上版本的模型兼容问题，解决因框架接口变更导致的模型加载失败，确保新旧版本模型均可正常部署。
2. 修复请求中止时的异常抛出问题，优化请求中断处理逻辑，避免中止请求引发的系统崩溃，提升服务的健壮性。
3. 修复V100显卡运行Qwen3.5-0.8B模型时的推理崩溃问题，解决特定硬件与模型组合的兼容性异常，保障主流显卡的部署可用性。

五、其他优化：工程化与生态完善，提升开发与部署体验

（一）CI与开发流程优化

1. 优化CI lint流程，跳过Python维基页面中不稳定的死链接测试，避免因外部链接异常导致的CI构建失败，提升持续集成的稳定性与效率。
2. 集成clang-format代码格式化工具到pre-commit钩子，强制统一代码风格，减少团队开发中的代码格式冲突，提升代码质量与可维护性。
3. 修复FA3安装问题，解决FA3库安装过程中的依赖与编译异常，保障依赖库的正常安装与使用。
4. 修复代码 lint 错误，清理代码中的语法、格式与潜在逻辑问题，提升代码的健壮性。

（二）依赖与环境升级

1. 升级Triton与PyTorch依赖版本，适配最新的算子优化与硬件支持，借助新版本的性能特性，进一步提升推理引擎的效率。
2. 新增 speculative decoding（推测解码）测试用例，完善测试覆盖范围，保障推测解码功能的稳定性与正确性，为后续该功能的正式上线奠定基础。

（三）Docker镜像与构建优化

1. 更新Dockerfile，移除CUDA 11相关支持，将CUDA 12.4升级为CUDA 12.6，适配最新的NVIDIA显卡驱动与CUDA生态，提升Docker部署的兼容性与性能。
2. 调整开发镜像构建策略，改为手动构建开发镜像，而非每个版本自动发布，减少不必要的镜像构建与存储开销，优化CI/CD流程。

（四）版本收尾工作

完成版本号从v0.12.1升级至v0.12.2的收尾工作，同步更新相关配置文件与文档，确保版本标识的一致性，方便开发者识别与使用。

六、版本价值与应用场景总结

（一）核心价值提炼

1. 模型支持更全面：覆盖GLM5、Qwen3.5、GLM-4.7等最新主流大模型，同时兼容Qwen、Internlm、Llama等经典模型，满足不同开发者的模型选型需求。
2. 推理性能更强劲：TurboMind引擎深度优化、MLA内核升级、FP8量化在线支持，大幅提升推理速度、降低显存占用，让大模型部署更高效、低成本。
3. 兼容性更广泛：适配Transformers 5.0、昇腾S1-Pro芯片、V100等主流硬件与框架，打通国产化与通用化部署路径。
4. 稳定性更可靠：全链路Bug修复，覆盖日志、配置、推理、授权等多个环节，解决部署与运行中的各类异常，保障服务稳定运行。
5. 开发体验更友好：CI流程优化、依赖升级、Docker镜像调整，降低开发与部署门槛，提升团队协作效率。

（二）核心应用场景

1. 企业级大模型服务部署：支持多模型、高并发、长文本场景，适配智能客服、内容生成、数据分析等企业应用，保障服务的稳定性与效率。
2. 国产化算力部署：昇腾芯片深度适配，满足金融、政务等领域的国产化替代需求，实现安全、自主的大模型落地。
3. 个人开发者本地部署：FP8量化降低硬件门槛，中低端GPU即可运行大模型，方便个人开发者快速验证模型效果、开发原型应用。
4. 前沿模型快速适配：对GLM5、Qwen3.5等最新模型的即时支持，让开发者可第一时间体验并部署前沿大模型能力。

七、总结与展望

代码地址：github.com/InternLM/lmdeploy

lmdeploy v0.12.2版本作为2026年的关键迭代，以模型适配、性能优化、兼容性拓展、稳定性提升为核心，完成了一次全面且深入的升级，进一步巩固了其在大模型部署领域的领先地位。无论是模型支持的广度，还是推理性能的深度，亦或是工程化的完善度，都实现了质的飞跃，为大模型的规模化落地提供了更强大的工具支撑。