跳到内容

生成模型

vLLM 为生成模型提供一流的支持，这涵盖了大多数 LLM。

在 vLLM 中，生成模型实现了 VllmModelForTextGeneration 接口。基于输入的最终隐藏状态，这些模型输出要生成的 token 的对数概率，然后通过 Sampler 进行处理以获得最终文本。

配置

模型运行器 (--runner)

通过选项 --runner generate 以生成模式运行模型。

提示

在绝大多数情况下，无需设置此选项，因为 vLLM 可以通过 --runner auto 自动检测要使用的模型运行器。

离线推理

LLM 类提供了各种离线推理方法。有关初始化模型时的选项列表，请参阅 配置。

LLM.generate

vLLM 中所有生成模型都可以使用 generate 方法。它与 HF Transformers 中的对应方法 类似，不同之处在于 tokenization 和 detokenization 也被自动执行。

from vllm import LLM

llm = LLM(model="facebook/opt-125m")
outputs = llm.generate("Hello, my name is")

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

您可以通过传递 SamplingParams 来选择性地控制语言生成。例如，可以通过设置 temperature=0 来使用贪婪采样。

from vllm import LLM, SamplingParams

llm = LLM(model="facebook/opt-125m")
params = SamplingParams(temperature=0)
outputs = llm.generate("Hello, my name is", params)

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

重要

默认情况下，vLLM 将使用模型创建者推荐的采样参数，方法是应用 huggingface 模型存储库中的 generation_config.json（如果存在）。在大多数情况下，如果未指定 SamplingParams，这将在默认情况下为您提供最佳结果。

但是，如果您偏好 vLLM 的默认采样参数，请在创建 LLM 实例时传递 generation_config="vllm"。

代码示例可以在这里找到： examples/offline_inference/basic/basic.py

beam_search 方法在 generate 的基础上实现了 beam search。例如，使用 5 个 beam 进行搜索并输出最多 50 个 token。

from vllm import LLM
from vllm.sampling_params import BeamSearchParams

llm = LLM(model="facebook/opt-125m")
params = BeamSearchParams(beam_width=5, max_tokens=50)
outputs = llm.beam_search([{"prompt": "Hello, my name is "}], params)

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

LLM.chat

chat 方法在 generate 的基础上实现了聊天功能。特别是，它接受类似于 OpenAI Chat Completions API 的输入，并自动应用模型的 chat template 来格式化 prompt。

重要

通常，只有经过指令微调的模型才有 chat template。基础模型可能表现不佳，因为它们没有针对聊天对话进行训练。

代码 
from vllm import LLM

llm = LLM(model="meta-llama/Meta-Llama-3-8B-Instruct")
conversation = [
    {
        "role": "system",
        "content": "You are a helpful assistant",
    },
    {
        "role": "user",
        "content": "Hello",
    },
    {
        "role": "assistant",
        "content": "Hello! How can I assist you today?",
    },
    {
        "role": "user",
        "content": "Write an essay about the importance of higher education.",
    },
]
outputs = llm.chat(conversation)

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

代码示例可以在这里找到： examples/offline_inference/basic/chat.py

如果模型没有 chat template 或者您想指定一个不同的，您可以显式地传递一个 chat template。

from vllm.entrypoints.chat_utils import load_chat_template

# You can find a list of existing chat templates under `examples/`
custom_template = load_chat_template(chat_template="<path_to_template>")
print("Loaded chat template:", custom_template)

outputs = llm.chat(conversation, chat_template=custom_template)

在线服务

我们的 OpenAI 兼容服务器 提供了与离线 API 相对应的端点。