在此前的大模型技术实践中，我们介绍了加速并行框架Accelerate、DeepSpeed及Megatron-LM。得益于这些框架的助力，大模型的分布式训练得以化繁为简。
然而，企业又该如何将训练完成的模型实际应用部署，持续优化服务吞吐性能？我们不仅要考量模型底层的推理效率，还需从请求处理的调度策略上着手，确保每一环节都能发挥出最佳效能。
本期内容，优刻得将为大家带来vLLM[1]，一款高性能推理服务框架的相关内容。vLLM于近期推出了0.6.0版本[2]。那么，相比旧版本推出了什么新功能，又做了哪些优化呢？
优刻得模型服务平台UModelVerse现已同步上线vLLM0.6.0。仅需几步，即刻畅享新版vLLM带来的极速推理体验。文末为您带来详细的使用教程。推理服务框架需要考虑服务部署的两个要素：面向客户请求的服务端，以及背后的模型推理端。在vLLM中，分别由API服务端 (API Server)和模型推理引擎 (vLLM Engine)执行相应任务。根据旧版vLLM设计，负责处理请求的API服务端与负责模型推理的推理引擎，共用同一个python进程；0.6.0版本将API服务端和推理引擎分离，分别由两个python进程运行。进程之间的信息交互由ZeroMQ socket进行传输 [3]。上：API服务端与推理引擎共用同一个python进程；
下：API服务端与推理引擎各自独用python进程。API服务端需要承担一系列处理HTTP请求等任务。通过对旧版本的性能分析，vLLM团队发现API服务端消耗大量CPU资源。举个例子，在推理引擎端，轻负载下使用Llama3 8B模型推理生成1个token的耗时约为13ms；而相对应地，API服务端需要能够每秒处理76个token才能跟上推理引擎的速度。由于python GIL的存在，推理引擎还会与服务端争抢CPU资源。CPU端负载巨大无法及时处理计算，则会使得GPU端因等待CPU而产生空闲，无法充分利用性能[3]。在0.6.0版本中，将API服务端与推理引擎端分离为两个进程后，两个进程可以各自专注于份内职责，而不会受GIL的影响。而在分离后，团队后续可以更好地对两端分别进行更细致的性能优化和打磨。在进入测试对比前，先了解一下衡量语言模型服务推理效率通常参照的三个指标，即：首个token响应时长 (Time to first token, TTFT）每个token输出时长 (Time per output token, TPOT)跨token延迟 (Inter-token latency, ITL)
TTFT顾名思义，就是从客户端发出请求后开始计时，直到服务端返回第一个输出token的耗时。过程中，由服务端收到请求后着手处理，交由调度器准备推理。推理引擎需要完成prefill任务。基于prefill得到的kv值，decode得到第一个输出token后返回。而TPOT和ITL概念相对接近，表达的都是后续一连串decode的耗时。根据vLLM测试代码 [4]，我们定义如下：TPOT是在一个请求从发出后，不纳入TTFT的耗时 (主要是为了排除prefill耗时)，到所有token全部decode完成并返回的整体耗时除以一共返回的token数量，即每个token输出的平均时长；而ITL是在计算每次请求返回部分token时所需的时长，即服务端每次decode后返回一个或一批token所需的时长。举个例子，如果每次服务端返回1个token，则ITL耗时应与TPOT接近；而当每次服务端返回5个token，则ITL耗时应接近于5倍的TPOT耗时 (因为ITL计算单次的时长，而TPOT计算单token的时长)。利用vLLM官方提供的benchmark_serving基准测试，我们可以模拟真实的客户端请求，从而对比vLLM 0.6.0与旧版vLLM (0.5.5)在进程分离上的优化导致的性能差异。关闭其他优化方法后，在保持其他参数不变的情况下，在opt-125m模型上开展测试。在服务端，我们分别在0.6.0和旧版本上使用以下的参数： #vLLM 0.5.5（共用进程）
vllm serve facebook/opt-125m \
--max-model-len 2048 \
--use-v2-block-manager
#vLLM 0.6.0（分离进程）
vllm serve facebook/opt-125m \
--max-model-len 2048 \
--use-v2-block-manager \
--disable-async-output-proc #关闭0.6.0的新优化方法：异步输出处理。下文有详解～
而在客户端，我们统一采用以下脚本。我们模拟100个请求同时发出，请求数据随机取自ShareGPT v3数据集。python vllm/benchmarks/benchmark_serving.py \
--backend vllm \
--model facebook/opt-125m \
--tokenizer facebook/opt-125m \
--request-rate inf \ #所有请求无间隔同时发送
--num-prompts 100 \ #共100条请求发出
--dataset-name sharegpt \
--dataset-path dataset/ShareGPT_V3_unfiltered_cleaned_split.json \
--sharegpt-output-len 1024 \
--seed 42 #固定种子控制变量
经过测试，结果如下 (左旧版本0.5.5；右新版本0.6.0)：进程分离以牺牲TTFT指标为代价 (笔者推测进程间ZeroMQ通信带来开销)，测试整体时长(Benchmark duration)比进程共用快近14秒，提速约40%。该模型参数量较小，GPU压力较小，瓶颈主要在于CPU。进程分离消除了CPU争抢造成的开销。多步调度（Multi-step scheduling）
在请求调度层面，vLLM 0.6.0的更新中引入了多步调度 (Multi-step scheduling)的方法 [2]，使得请求处理的调度更高效。为了更好地理解多步调度的意义，我们简单了解一下vLLM调度器。vLLM推理引擎LLMEngine中存在调度器 (Scheduler)的概念。调度器控制来自服务端的输入请求会以什么顺序送入模型执行推理。对于一个输入请求，我们需要首先对输入的句子执行prefill计算，并基于prefill得到的kv值开展decode计算，即预测下一个token。而调度器的职责就是以合理的调度策略，安排模型执行prefill或是decode的顺序 (篇幅限制，具体调度细节这里不展开)。在旧版vLLM中，每次调度器只会为下一次的模型推理安排优先顺序，即每次调度对应一次模型推理。该方法被称为单步推理；0.6.0引入多步推理，每次调度器调度会安排接下来的多次模型推理，即每次调度对应n次推理。多步推理可以减少调度次数，降低CPU开销，从而让模型推理充分利用GPU资源，尽量保持运行。![]()
上：一次调度后执行1步推理；据vLLM团队测试，4张H100环境下运行Llama 70B，多步推理的吞吐量比单步推理提升了28%[3]。
利用上述基准测试，对比单步调度与多步调度的性能差异。这次我们统一使用0.6.0版本。在保持其他设置相同的情况下，设置服务端启动参数分别如下。而客户端方面设置与上文相同，在此不再赘述。 #单步/多步调度
vllm serve facebook/opt-125m \
--max-model-len 2048 \
--use-v2-block-manager \
--disable-async-output-proc \ #关闭异步输出处理
--num-scheduler-steps 1/10 #每次调度1步/10步以下为测试结果 (左单步调度，右多步调度step=10)：多步调度(step=10)的情况下，基准测试仅耗时7.69秒；而单步调度耗时21.68秒，整体速度上快近3倍。（由于opt-125m模型的参数量较小，计算瓶颈主要位于CPU端，因此对CPU端的优化效果极其显著；对于更大规模的模型，瓶颈位于GPU端，加速效果相对没有这么明显。）使用NVIDIA Nsight systems [5]进一步分析profile (NVTX中绿色块表明执行调度)。多步调度中每个绿色块之间有10组CPU epoll_pwait和read，即执行10次GPU上的模型推理，并读取结果；而单步推理中每个绿色块之间仅有1组epoll_pwait和read，即1次模型推理。细心的同学可能发现了，上述测试中，尽管多步调度的整体耗时降低了很多，但是ITL远大于单步调度。这是因为多步调度(step=10)将10步推理整合到了一起。因此，ITL(69.87秒)正好约为10倍TPOT(7.41秒)。增加一场多步调度(step=5)的测试进行验证，可以看到ITL约为41.76秒，约5倍于TPOT的8.79秒。异步输出处理（ASync output processing）
在旧版vLLM中，GPU端模型推理输出token后，必须在CPU端对输出token进行处理并判断是否符合停止条件 (stopping criteria），从而决定是否继续推理，这个操作会产生时间开销；新版vLLM引入了异步输出处理，使得模型推理和输出处理异步进行，从而重叠计算的时间[3]。在异步输出处理中，我们把模型输出从GPU端取到CPU端进行停止条件判定时，并不会让模型停止推理，等待判定结果从而导致空闲。在CPU端对第n个输出进行处理并判定是否停止的同时，我们在GPU端假设第n个输出尚不符合停止条件，并继续推理预测第n+1个输出。这样的设计可能会使得每条请求都多了一次推理，造成些许耗时，但与GPU空闲等待所浪费的时间相比就显得很划算了。 ![]()
上：不启用异步输出处理；下：启用异步输出处理。据vLLM团队测试，4张H100环境下运行Llama 70B，异步输出处理的TPOT指标比禁用快了8.7%[3]。
我们对比启用和禁用异步输出处理的性能差异。在保持其他设置相同的情况下，设置服务端启动参数分别如下。vLLM 0.6.0中默认启用该功能，可以通过设置参数--disable-async-output-proc来手动关闭。 vllm serve facebook/opt-125m \
--max-model-len 2048 \
--use-v2-block-manager \
--disable-async-output-proc #移除该参数则默认启用以下为测试结果 (左禁用异步输出处理，右启用异步输出处理)：异步输出处理可以获得一些细微的性能提升，主要体现在TPOT和ITL上，约5%左右，基本符合预期。打开UCloud控制台 (https://console.ucloud.cn/)，登录账号。点击左上角的“全部产品”，从中找到“模型服务平台 UModelVerse”。点击进入后，点击左侧栏目中的“服务部署”，并点击“创建服务”。进入界面后，设置想要使用的模型并添加服务名称后，在右侧选择合适的支付方式，并点击“立即购买”，系统自动跳转到支付页面。完成支付后，页面回到“服务部署”。可以看到我们购买的服务正处于“部署中”的状态，稍作等待......待状态转为“已上线”后，即可点击“访问”打开网页图形界面，或通过API调用。点击“访问”即可进入与chatbot的图形对话页面：当然，我们也可以通过API接口进行对话。以下是调用代码样例。调用的API参数可以在服务列表中找到。其中：Python
from openai import OpenAI
API_KEY = 'aDZ39J204akIPPhmqQtLuf64CBA7ZbyQ0Ov88VzlPuBRjdvP' # API Key
BASE_URL = 'https://ai.modelverse.cn/uminfer-14e3pxj9lnfc/v1' # 模型URL
MODEL = "meta-llama/Meta-Llama-3.1-8B-Instruct" # 模型名
client = OpenAI(
api_key=API_KEY,
base_url=BASE_URL
)
# 调用模型生成文本
response = client.chat.completions.create(
model=MODEL, # 选择模型
temperature=0.5, # 温度，模型输出结果的随机性
max_tokens=512, # 最大tokens长度
messages=[
{"role": "user", "content": "你好呀，可以给我讲个笑话嘛？"},
]
)
# 获取并打印 AI 生成的回复
print(response.choices[0].message.content)
[1] vLLM: https://github.com/vllm-project/vllm
[2] vLLM Highlights: https://github.com/vllm-project/vllm/releases/v0.6.0[3] vLLM v0.6.0: 2.7x Throughput Improvement and 5x Latency Reduction: https://blog.vllm.ai/2024/09/05/perf-update.html[4] vLLM benchmark source code: https://github.com/vllm-project/vllm/blob/b67feb12749ef8c01ef77142c3cd534bb3d87eda/benchmarks/backend_request_func.py#L283[5] NVIDIA Nsight Systems: https://developer.nvidia.com/nsight-systems1、大模型技术实践（一）｜ChatGLM2-6B基于UK8S的创新实践
2、大模型技术实践（二）｜关于llama 2你需要知道的那些事儿
3、大模型技术实践（三）｜10分钟用LangChain和Llama 2打造心灵疗愈机器人
4、大模型技术实践（四）｜参数高效微调技术解析及AdaLoRA的应用
5、大模型技术实践（五）｜支持千亿参数模型训练的分布式并行框架
