vLLM

vLLM是一个快速且易于使用的LLM推理和服务库

vLLM的快速性体现在：

• 最先进的服务吞吐量
• 通过PagedAttention有效管理注意力机制KV的内存
• 连续的批次处理请求
• 使用CUDA/HIP图快速执行模型
• 量化：GPTQ、AWQ、INT4、INT8、FP8
• CUDA内核优化，包括FlashAttention和FlashInfer的集成
• 推测行解码
• 分块预填充

vLLM的灵活、易使用体现在：

• 与HuggingFace模型无缝集成
• 高吞吐量服务与各种解码算法，包括并行采样、波束搜索等
• 用于分布式推理的张量并行性和管道并行性支持
• 流式输出
• OpenAI兼容的API服务器
• 支持NVIDIA GPU、AMD CPU和GPU、Intel CPU和GPU、PowerPC CPU、TPU和AWS Neuron
• 前缀缓存支持
• 多lora支持

vLLM的安装

安装需求

• Linux操作环境，目前vLLM仅支持Linux
• 
• Python：3.8 - 3.12
• GPU：算力7.0以上的设备（V100、T4、A100、L4、H100等）

使用pip安装

conda create -n my_env python=3.10
conda activate my_env

pip install vLLM

vLLM推理 

使用vLLM库实现LLM的简单推理部署，代码如下

从vLLM类中导入LLM和SamplingParams，LLM类是使用vLLM引擎进行离线推理的主要类，SamplingParams类用于指定采样过程的参数

from vllm import LLM, SamplingParams

llm = LLM(model=model_dir)    # 模型名称或存储路径

# 定义输入提示列表和生成的采样参数，采样温度设置为0.8，核采样概率设置为0.95, 最大输出长度设置为128

prompts = [
    "Hello, my name is",
    "The president of the United States is",
    "The capital of France is",
    "The future of AI is",
]
sampling_params = SamplingParams(temperature=0.8, top_p=0.95, max_token=128)　

outputs = llm.generate(prompts, sampling_params)

for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

...