架构概览
本文档概述了 vLLM 的架构。
入口点¶
vLLM 提供了多个与系统交互的入口点。下图显示了它们之间的关系。
LLM 类¶
LLM 类提供了主要的 Python 接口，用于进行离线推理，即无需使用单独的模型推理服务器即可与模型进行交互。
以下是 LLM 类的使用示例
from vllm import LLM, SamplingParams
# Define a list of input prompts
prompts = [
"Hello, my name is",
"The capital of France is",
"The largest ocean is",
]
# Define sampling parameters
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)
# Initialize the LLM engine with the OPT-125M model
llm = LLM(model="facebook/opt-125m")
# Generate outputs for the input prompts
outputs = llm.generate(prompts, sampling_params)
# Print the generated outputs
for output in outputs:
prompt = output.prompt
generated_text = output.outputs[0].text
print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")
更多 API 详情可在 API 文档的离线推理部分找到。
LLM 类的代码可在 vllm/entrypoints/llm.py中找到。
兼容 OpenAI 的 API 服务器¶
与 vLLM 交互的第二个主要接口是其兼容 OpenAI 的 API 服务器。可以使用 vllm serve 命令启动此服务器。
vllm CLI 的代码可在 vllm/entrypoints/cli/main.py中找到。
有时您可能会看到直接使用 API 服务器入口点，而不是通过 vllm CLI 命令使用。例如
该代码可在 vllm/entrypoints/openai/api_server.py中找到。
关于 API 服务器的更多详情可在兼容 OpenAI 的服务器文档中找到。
LLM 引擎¶
LLMEngine 和 AsyncLLMEngine 类是 vLLM 系统运行的核心，负责处理模型推理和异步请求处理。
LLMEngine¶
LLMEngine 类是 vLLM 引擎的核心组件。它负责接收客户端请求并从模型生成输出。LLMEngine 包括输入处理、模型执行（可能分布在多个主机和/或 GPU 上）、调度和输出处理。
- 输入处理：使用指定的 tokenizer 处理输入文本的分词。
- 调度：选择在每个步骤中处理哪些请求。
- 模型执行：管理语言模型的执行，包括跨多个 GPU 的分布式执行。
- 输出处理：处理模型生成的输出，将语言模型中的 token ID 解码为人类可读的文本。
LLMEngine 的代码可在 vllm/engine/llm_engine.py中找到。
AsyncLLMEngine¶
AsyncLLMEngine 类是 LLMEngine 类的一个异步包装器。它使用 asyncio 创建一个后台循环，持续处理传入的请求。AsyncLLMEngine 专为在线服务设计，可以处理多个并发请求并将输出流式传输给客户端。
兼容 OpenAI 的 API 服务器使用 AsyncLLMEngine。还有一个作为更简单示例的 demo API 服务器，位于 vllm/entrypoints/api_server.py。
AsyncLLMEngine 的代码可在 vllm/engine/async_llm_engine.py中找到。
Worker¶
Worker 是运行模型推理的进程。vLLM 遵循惯例，使用一个进程控制一个加速设备，例如 GPU。例如，如果使用大小为 2 的张量并行和大小为 2 的流水线并行，总共有 4 个 Worker。Worker 通过其 rank 和 local_rank 标识。rank 用于全局协调，而 local_rank 主要用于分配加速设备和访问本地资源，如文件系统和共享内存。
Model Runner¶
每个 Worker 都有一个 Model Runner 对象，负责加载和运行模型。大部分模型执行逻辑位于此处，例如准备输入张量和捕获 cudagraphs。
模型¶
每个 Model Runner 对象都有一个模型对象，即实际的 torch.nn.Module 实例。参见huggingface_integration了解各种配置如何影响我们最终获得的类。
类层次结构¶
下图显示了 vLLM 的类层次结构
此类层次结构背后有几个重要的设计选择
1. 可扩展性：层次结构中的所有类都接受一个包含所有必要信息的配置对象。VllmConfig 类是主要传递的配置对象。类层次结构相当深，每个类都需要读取其感兴趣的配置。通过将所有配置封装在一个对象中，我们可以轻松地传递配置对象并访问所需的配置。假设我们要添加一个只涉及 Model Runner 的新功能（考虑到 LLM 推理领域的快速发展，这种情况经常发生）。我们将不得不在 VllmConfig 类中添加一个新的配置选项。由于我们传递的是整个配置对象，我们只需将配置选项添加到 VllmConfig 类中，Model Runner 就可以直接访问它。我们无需更改 Engine、Worker 或 Model 类的构造函数来传递新的配置选项。
2. 统一性：Model Runner 需要一个统一的接口来创建和初始化模型。vLLM 支持 50 多种流行的开源模型。每个模型都有自己的初始化逻辑。如果构造函数签名因模型而异，Model Runner 将不知道如何相应地调用构造函数，这将需要复杂且容易出错的检查逻辑。通过使模型类的构造函数统一，Model Runner 可以轻松创建和初始化模型，而无需知道具体的模型类型。这对于组合模型也很有用。视觉-语言模型通常由一个视觉模型和一个语言模型组成。通过使构造函数统一，我们可以轻松创建一个视觉模型和一个语言模型，并将它们组合成一个视觉-语言模型。
注意
为了支持此更改，所有 vLLM 模型的签名已更新为
为避免意外传递不正确的参数，构造函数现在仅接受关键字参数。这确保了如果传递旧的配置，构造函数会引发错误。vLLM 开发者已为 vLLM 内的所有模型进行了此更改。对于外部注册的模型，开发者需要更新其模型，例如添加 shim 代码以将旧的构造函数签名适配到新的签名。
class MyOldModel(nn.Module):
def __init__(
self,
config,
cache_config: Optional[CacheConfig] = None,
quant_config: Optional[QuantizationConfig] = None,
lora_config: Optional[LoRAConfig] = None,
prefix: str = "",
) -> None:
...
from vllm.config import VllmConfig
class MyNewModel(MyOldModel):
def __init__(self, *, vllm_config: VllmConfig, prefix: str = ""):
config = vllm_config.model_config.hf_config
cache_config = vllm_config.cache_config
quant_config = vllm_config.quant_config
lora_config = vllm_config.lora_config
super().__init__(config, cache_config, quant_config, lora_config, prefix)
if __version__ >= "0.6.4":
MyModel = MyNewModel
else:
MyModel = MyOldModel
这样，模型可以同时兼容 vLLM 的旧版本和新版本。
3. 初始化时的分片和量化：某些功能需要更改模型权重。例如，张量并行需要对模型权重进行分片，而量化需要对模型权重进行量化。有两种可能的方法实现此功能。一种是在模型初始化后更改模型权重。另一种是在模型初始化期间更改模型权重。vLLM 选择后者。第一种方法对于大型模型不可扩展。假设我们想使用 16 块 H100 80GB GPU 运行一个 405B 模型（权重约为 810GB）。理想情况下，每个 GPU 只应加载 50GB 权重。如果在模型初始化后更改模型权重，我们需要将完整的 810GB 权重加载到每个 GPU，然后再进行分片，这会导致巨大的内存开销。相反，如果在模型初始化期间对权重进行分片，每层只会创建其所需的权重分片，从而显著减少内存开销。同样的思想也适用于量化。请注意，我们还为模型的构造函数添加了一个额外的参数 prefix，以便模型可以根据 prefix 进行不同的初始化。这对于非均匀量化非常有用，其中模型的不同部分以不同方式进行量化。顶层模型的 prefix 通常是空字符串，而子模型通常是像 "vision" 或 "language" 这样的字符串。通常，它与检查点文件中模块状态字典的名称匹配。
此设计的一个缺点是难以对 vLLM 中的单个组件编写单元测试，因为每个组件都需要通过完整的配置对象进行初始化。我们通过提供一个默认初始化函数来解决这个问题，该函数创建一个所有字段都设置为 None 的默认配置对象。如果我们想要测试的组件只关心配置对象中的几个字段，我们可以创建一个默认配置对象并设置我们关心的字段。这样，我们就可以独立地测试该组件。请注意，vLLM 中的许多测试是端到端测试，测试整个系统，所以这不是一个大问题。
总之，完整的配置对象 VllmConfig 可以被视为一个引擎级别的全局状态，在所有 vLLM 类之间共享。