Intel 于 10 月 14 日宣布推出 Inference Microservices：这是依模型设计的容器，每个容器在支援的 Xeon 处理器上服务一个大型語言模型。容器啟动时会侦测主机，為该模型与处理器选择 Intel 设定档，并在相容 OpenAI 的 HTTP API 后方啟动 vLLM。对擁有 Xeon 资源的开發者来说，眼前的工作是判斷文件所述映像能否在内部网路中处理应用程式请求，接著在该主机上测量工作負载。

首批公开映像使用標籤 0.1.0。它們以 BF16 精度支援第四、第五与第六代 Xeon；作業系統為 Linux，并须使用 Docker Engine 20.10 以上版本或 Kubernetes 1.24 以上版本。文件描述的是本机服务套件，而非由 Intel 託管的端点：不需要取得 Intel API 金鑰。Intel 宣稱其设定档可減少调校工作或提升效能，这些是供应商的说法；BIG CHANGE 尚未執行这些映像或进行效能测试。

重大变化

  • 变更内容： Intel 将依模型设计的 vLLM 设定封裝在容器中。容器会检查支援的 Xeon 主机，在提供標準 API 前选择内建服务设定档。
  • 重要性：应用程式可以呼叫熟悉的聊天端点，但容器不会提供应用程式路由、驗证、TLS、模型授权合規，也不会证明特定工作負载符合延遲与容量目標。
  • 后续觀察：确认所需模型是否有目錄映像及相符设定档，再于预定主机测试就緒狀態、回应行為与負载。Intel 将 GPU 支援、其他引擎与精度、Helm chart 和 operator 列為未来工作，而非首版功能。

容器負责的部分，以及團隊仍须負责的部分

Intel 表示，啟动时会检查 Xeon 世代、可用核心数、NUMA 配置与支援的处理器能力。依模型设计的映像会解析出设定档，為 vLLM 设定精度、工作分配与記憶体配置。如果找不到相符的专用设定档，容器会在啟动时失敗，而不会悄悄改用通用设定档。Intel 為其他 Hugging Face 模型提供的基礎映像則有不同的通用设定档備援。判斷成功啟动是否代表團隊要評估的专用模型设定时，这項差异很重要。

这份 文件所述的 API提供 GET /health、GET /v1/models、POST /v1/chat/completions, POST /v1/completions，以及GET /metrics；预设使用连接埠 8000。/health 在模型就緒时会傳回空白本文的 HTTP 200，尚未就緒时則傳回 503；查看狀態碼比尋找回应本文更有用。/v1/models会傳回唯一的服务模型 ID。应用程式必须在聊天请求中提供该 ID；若服务多个模型，也须自行决定请求路由位置。Intel 記载了串流功能与相容 OpenAI 的用戶端函式庫，但请求格式相容并不能证明團隊特定模型与提示的品質或速度。

此外，这裡有明确的信任界线。安全指南指出此端点本身不提供 TLS 或呼叫者驗证。若沒有防护閘道或网路邊界，请勿将连接埠 8000 暴露于公用网路。对 Kubernetes，Intel 建議以 NetworkPolicy 限制存取，并透过閘道或 ingress 提供 TLS 与驗证。服务运行于客戶基礎架構，因此主机容量、快取位置、监控，以及存取受限模型权重也由團隊負责。

先依文件執行本机检查，再测试工作負载

針对公开的 Qwen3-4B 範例，Intel 的 快速入門提供以下 Linux／Docker 指令。这裡只記载文件中的程序；BIG CHANGE 并未執行：

Terminal
docker run --rm -p 8000:8000 \
  --cap-add SYS_NICE \
  --shm-size=2g \
  intel/inference-xeon-qwen-qwen3-4b:0.1.0

Intel 表示，首次啟动会下载模型权重，可能需要数分鐘。在另一个終端机中，curl -i http://localhost:8000/health应在引擎就緒后显示空白本文的 HTTP 200。接著，GET /v1/models应指出 Qwen/Qwen3-4B；使用该 ID 与POST /v1/chat/completions陣列的 messages请求应傳回聊天完成回应。这些检查只能确认文件所述端点已啟动并回应。部署决策仍须以團隊自己的提示、并行度、延遲与资源测量结果為依据，并检查故障及重新啟动时的行為。

这份 先决条件建議 4B–8B 模型使用 32 GB RAM 与 50 GB 可用快取磁碟空间；更大型模型需要更多記憶体。建議使用 Ubuntu 22.04 LTS 或更新版本，不过軟体需求是能執行 Docker Engine 20.10 以上版本的 Linux。Intel 範例中的 Qwen3-4B 不需要 Hugging Face 权杖，其模型卡列出 Apache 2.0 授权。其他模型可能受存取限制：须分別检查其授权、存取核准与讀取权杖。Intel 公开文件未列出 microservices 軟体价格，也未确定此部署的硬体或營运成本。

Intel 的支援功能清單區分内建且經驗证的路徑与 vLLM 透傳功能。工具呼叫、结構化輸出、LoRA 与变更内容長度都需要額外 INFERENCE_ENGINE_ARGS旗標。这些旗標可能改变或使调校设定失效；Intel 建議使用 dry-run检視解析后的命令并对结果进行負载测试。应将其視為獨立整合专案，而非预设映像已证明的能力。Kubernetes 部署可以增加副本与就緒探針，但跨模型的路由仍由应用程式或閘道处理。Intel 先前的D-series 报导談的是另一項 GPU 硬体公告，并非此次 Xeon 服务版本。

来源与延伸阅讀

  • Intel 公告，2026 年 10 月 14 日。说明依模型设计的容器、主机侦测、设定档、首批 Xeon 支援範圍与規劃中的扩充。调校与效能说法来自 Intel；BIG CHANGE 未獨立测试。
  • Intel Inference Microservices 文件，標示更新日期為 2026 年 9 月 24 日。其中的 0.1.0快速入門提供 Qwen3-4B 指令与初始健康检查／聊天流程；上文所述程序僅来自文件。
  • 先决条件、API 参考、支援功能与安全指引，Intel 文件標示更新日期為 2026 年 9 月 24 日。内容定義支援的主机、就緒回应、内建功能与 vLLM 透傳功能的差別，以及未驗证的 HTTP 邊界。
  • Qwen/Qwen3-4B 模型卡，查阅日期為 2026 年 10 月 15 日。列出範例模型採 Apache 2.0 授权；其他模型可能有不同条款与存取限制。