休眠模式指南

休眠模式指南#

概述#

休眠模式 (Sleep Mode) 是一种 API，旨在将模型权重卸载并从 NPU 内存中丢弃 KV 缓存。此功能对于强化学习 (RL) 的训练后 (post-training) 工作负载至关重要，尤其是在 PPO、GRPO 或 DPO 等在线算法中。在训练过程中，策略模型通常会使用 vLLM 等推理引擎进行自回归生成，然后进行优化所需的前向和后向计算。

由于生成和训练阶段可能采用不同的模型并行策略，因此在训练期间释放 vLLM 中存储的 KV 缓存，甚至卸载模型参数变得至关重要。这确保了内存的高效利用，并避免了 NPU 上的资源争用。

入门#

当启用 enable_sleep_mode=True 时，vllm 中内存的管理方式（malloc, free）将遵循特定的内存池。在模型加载和 KV 缓存初始化期间，我们会将内存标记为一个映射：{"weight": data, "kv_cache": data}。

引擎（v0/v1）支持两种休眠级别来管理空闲期间的内存。

级别 1 休眠
- 操作：卸载模型权重并丢弃 KV 缓存。
- 内存：模型权重移动到 CPU 内存；KV 缓存被丢弃。
- 用例：适用于稍后重用同一模型的情况。
- 注意：确保有足够的 CPU 内存来容纳模型权重。
级别 2 休眠
- 操作：丢弃模型权重和 KV 缓存。
- 内存：模型权重和 KV 缓存的内容均被丢弃。
- 用例：适用于切换到不同模型或更新当前模型的情况。

由于此功能使用了低级别 API AscendCL，因此在使用休眠模式时，您应遵循安装指南并从源代码进行构建。如果您使用的是 v0.12.0rc1 及更早版本，请记住设置 export COMPILE_CUSTOM_KERNELS=1。

用法#

以下是使用休眠模式的简单示例。

离线推理

import os

import torch
from vllm import LLM, SamplingParams
from vllm.utils.mem_constants import GiB_bytes


os.environ["VLLM_USE_MODELSCOPE"] = "True"
os.environ["VLLM_WORKER_MULTIPROC_METHOD"] = "spawn"
os.environ["VLLM_ASCEND_ENABLE_NZ"] = "0"

if __name__ == "__main__":
    prompt = "How are you?"

    free, total = torch.npu.mem_get_info()
    print(f"Free memory before sleep: {free / 1024 ** 3:.2f} GiB")
    # record npu memory use baseline in case other process is running
    used_bytes_baseline = total - free
    llm = LLM("Qwen/Qwen2.5-0.5B-Instruct", enable_sleep_mode=True)
    sampling_params = SamplingParams(temperature=0, max_tokens=10)
    output = llm.generate(prompt, sampling_params)

    llm.sleep(level=1)

    free_npu_bytes_after_sleep, total = torch.npu.mem_get_info()
    print(f"Free memory after sleep: {free_npu_bytes_after_sleep / 1024 ** 3:.2f} GiB")
    used_bytes = total - free_npu_bytes_after_sleep - used_bytes_baseline
    # now the memory usage should be less than the model weights
    # (0.5B model, 1GiB weights)
    assert used_bytes < 1 * GiB_bytes

    llm.wake_up()
    output2 = llm.generate(prompt, sampling_params)
    # cmp output
    assert output[0].outputs[0].text == output2[0].outputs[0].text

在线服务

注意

考虑到可能存在恶意访问的风险，请确保您处于开发者模式 (dev-mode) 下，并显式指定开发环境 VLLM_SERVER_DEV_MODE 以暴露这些端点（休眠/唤醒）。

export VLLM_SERVER_DEV_MODE="1"
export VLLM_WORKER_MULTIPROC_METHOD="spawn"
export VLLM_USE_MODELSCOPE="True"
export VLLM_ASCEND_ENABLE_NZ="0"

vllm serve Qwen/Qwen2.5-0.5B-Instruct --enable-sleep-mode

# after serving is up, post to these endpoints

# sleep level 1
curl -X POST http://127.0.0.1:8000/sleep \
    -H "Content-Type: application/json" \
    -d '{"level": "1"}'

curl -X GET http://127.0.0.1:8000/is_sleeping

# sleep level 2
curl -X POST http://127.0.0.1:8000/sleep \
    -H "Content-Type: application/json" \
    -d '{"level": "2"}'

# wake up
curl -X POST http://127.0.0.1:8000/wake_up

# wake up with tag, tags must be in ["weights", "kv_cache"]
curl -X POST "http://127.0.0.1:8000/wake_up?tags=weights"

curl -X GET http://127.0.0.1:8000/is_sleeping

# after sleep and wake up, the serving is still available
curl https://:8000/v1/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "Qwen/Qwen2.5-0.5B-Instruct",
        "prompt": "The future of AI is",
        "max_tokens": 7,
        "temperature": 0
    }'

休眠模式指南

目录

休眠模式指南#

概述#

入门#

用法#