vllm 关于集成打包推理,你有什么看法?

z8dt9xmd  于 5个月前  发布在  其他
关注(0)|答案(3)|浏览(117)

我看到vLLM进行连续批处理,想知道我们是否可以将打包融入连续批处理。
我脑海中的想法是使用用户定义的最大序列长度和最大令牌数,我们实际上可以将输入令牌连接/打包在一起(以相同的连续方式)。
给定:

  • 要打包的输入序列数量(amt_input_seq)
  • 最大序列长度(max_seq_len)
  • 要生成的最大令牌数(max_tokens)
  • 总输入令牌数(total_input_tokens),其中total_input_tokens是从不同输入序列一起打包的总令牌数(amt_input_seq)

优化打包的条件:(amt_input_seq * max_tokens) + total_input_tokens <= max_seq_len
基本上,与其进行连续批处理和填充,我们可以进行连续批处理和打包,以充分利用gpu。你怎么看?

368yc8dk

368yc8dk1#

旧版本的LLM确实支持连续批处理,但在v0.2.2之后,需要填充以处理不同长度的提示,请参考#1985

mitkmikd

mitkmikd2#

旧的llama确实支持连续批处理中的填充,但在v0.2.2之后,需要填充以处理不同长度的提示,参考#1985。因此,如果bs=1,则无需考虑这一点。此外,对于与llama模型相关的调度,是否有任何自定义优化方向?

z4bn682m

z4bn682m3#

旧版本的LLM确实支持连续批处理,但在v0.2.2之后,需要填充以处理不同长度的提示,参见#1985

我们是否有一个版本之间的基准比较?

相关问题