隐状态提取¶

隐状态提取功能允许 vLLM 在推理过程中保存目标模型的中间层激活。这对于训练 EAGLE 风格的草稿模型、知识蒸馏或对模型内部进行离线分析非常有用。

注意

可以通过传递 num_hidden_layers 作为层 ID 来保存最后一层的输出隐状态。请注意，这些内容没有经过输出归一化（output norm）。

离线示例¶

import tempfile

from vllm import LLM, SamplingParams
from vllm.config.kv_transfer import KVTransferConfig
from vllm.distributed.kv_transfer.kv_connector.v1 import (
    example_hidden_states_connector,
)

with tempfile.TemporaryDirectory() as tmpdir:
    llm = LLM(
        model="Qwen/Qwen3-8B",
        speculative_config={
            "method": "extract_hidden_states",
            "num_speculative_tokens": 1,
            "draft_model_config": {
                "hf_config": {
                    "eagle_aux_hidden_state_layer_ids": [1, 2, 3, 4],
                },
            },
        },
        kv_transfer_config=KVTransferConfig(
            kv_connector="ExampleHiddenStatesConnector",
            kv_role="kv_producer",
            kv_connector_extra_config={
                "shared_storage_path": tmpdir,
            },
        ),
    )

    outputs = llm.generate(
        ["The future of AI is"],
        SamplingParams(max_tokens=1),
    )

    for output in outputs:
        path = output.kv_transfer_params["hidden_states_path"]
        obj = example_hidden_states_connector.load_hidden_states(path)
        print(f"token_ids: {obj['token_ids'].shape}")
        print(f"hidden_states: {obj['hidden_states'].shape}")

完整的示例可以在 examples/features/speculative_decoding/extract_hidden_states_offline.py 找到。

在线示例¶

为了提高性能，对于在线用法，建议使用挂载在 RAM 的文件系统（如 /dev/shm/），客户端应在文件生成后立即清理这些文件。

vllm serve Qwen/Qwen3-8B \
    --speculative_config '{"method": "extract_hidden_states", "num_speculative_tokens": 1, "draft_model_config": {"hf_config": {"eagle_aux_hidden_state_layer_ids": [1, 2, 3, 4]}}}' \
    --kv_transfer_config '{"kv_connector": "ExampleHiddenStatesConnector", "kv_role": "kv_producer", "kv_connector_extra_config": {"shared_storage_path": "/dev/shm/hidden_states"}}'

逐请求选项¶

离线和在线模式都支持通过 kv_transfer_params 进行逐请求选项配置。

参数	默认值	描述
`hidden_states_path`	自动生成	用于保存隐状态的自定义文件路径。如果未设置，文件将保存到 `<shared_storage_path>/<request_id>.safetensors`。需要在服务器配置中启用 `allow_custom_save_path`。
`include_output_tokens`	`False`	当为 `True` 时，同时保存 Prompt 和生成输出 Token 的隐状态。当为 `False` 时，仅保存 Prompt Token 的隐状态。

离线用法¶

通过 SamplingParams 上的 extra_args 传递逐请求选项。

SamplingParams(
    max_tokens=32,
    extra_args={
        "kv_transfer_params": {
            "hidden_states_path": "/tmp/my_output.safetensors",
            "include_output_tokens": True,
        }
    },
)

在线用法¶

在 API 请求中将 kv_transfer_params 作为顶层字段传递。

{
    "model": "Qwen/Qwen3-8B",
    "messages": [{"role": "user", "content": "Hello"}],
    "max_tokens": 32,
    "kv_transfer_params": {
        "hidden_states_path": "/tmp/my_output.safetensors",
        "include_output_tokens": true
    }
}

配置¶

kv_connector_extra_config 字典接受以下服务器级选项：

参数	默认值	描述
`shared_storage_path`	`/tmp`	保存隐状态文件的目录（在未按请求设置 `hidden_states_path` 时使用）。
`allow_custom_save_path`	`False`	允许 API 客户端通过 `hidden_states_path` 指定自定义文件路径。禁用时，客户端提供的路径将被忽略并发出警告。仅对受信任的客户端启用——自定义路径可以写入服务器上的任意位置。
`num_writer_threads`	`8`	用于异步磁盘写入的线程池大小。
`use_synchronization_lock`	`True`	使用文件锁，使并发读取者在写入完成前阻塞。对于不需要同步的批量生成，可以禁用此功能。

输出格式¶

每个请求会生成一个包含以下内容的 .safetensors 文件：

hidden_states — 形状 [num_tokens, num_extracted_layers, hidden_size]
token_ids — 形状 [num_tokens]

文件路径在 output.kv_transfer_params["hidden_states_path"] 中返回。使用连接器（connector）模块中的 load_hidden_states() 来进行带有适当同步的文件读取。

注意

分块预填充（Chunked prefill）与此功能不兼容，必须禁用。