浅谈语言模型推理框架 vLLM 0.6.0性能优化

在此前的大模型技术实践中，我们介绍了加速并行框架Accelerate、DeepSpeed及Megatron-LM。得益于这些框架的助力，大模型的分布式训练得以化繁为简。

然而，企业又该如何将训练完成的模型实际应用部署，持续优化服务吞吐性能？我们不仅要考量模型底层的推理效率，还需从请求处理的调度策略上着手，确保每一环节都能发挥出最佳效能。

本期内容，优刻得将为大家带来vLLM[1]，一款高性能推理服务框架的相关内容。vLLM于近期推出了0.6.0版本[2]。那么，相比旧版本推出了什么新功能，又做了哪些优化呢？

优刻得模型服务平台UModelVerse现已同步上线vLLM0.6.0。仅需几步，即刻畅享新版vLLM带来的极速推理体验。文末为您带来详细的使用教程。

01

API服务端-推理引擎进程分离

推理服务框架需要考虑服务部署的两个要素：面向客户请求的服务端，以及背后的模型推理端。在vLLM中，分别由API服务端 (API Server)和模型推理引擎 (vLLM Engine)执行相应任务。

1.1 进程共用 vs. 进程分离

根据旧版vLLM设计，负责处理请求的API服务端与负责模型推理的推理引擎，共用同一个python进程；

0.6.0版本将API服务端和推理引擎分离，分别由两个python进程运行。进程之间的信息交互由ZeroMQ socket进行传输 [3]。

上：API服务端与推理引擎共用同一个python进程；
下：API服务端与推理引擎各自独用python进程。

API服务端需要承担一系列处理HTTP请求等任务。通过对旧版本的性能分析，vLLM团队发现API服务端消耗大量CPU资源。

举个例子，在推理引擎端，轻负载下使用Llama3 8B模型推理生成1个token的耗时约为13ms；而相对应地，API服务端需要能够每秒处理76个token才能跟上推理引擎的速度。由于python GIL的存在，推理引擎还会与服务端争抢CPU资源。CPU端负载巨大无法及时处理计算，则会使得GPU端因等待CPU而产生空闲，无法充分利用性能[3]。

在0.6.0版本中，将API服务端与推理引擎端分离为两个进程后，两个进程可以各自专注于份内职责，而不会受GIL的影响。而在分离后，团队后续可以更好地对两端分别进行更细致的性能优化和打磨。

1.2 TTFT、TPOT和ITL

在进入测试对比前，先了解一下衡量语言模型服务推理效率通常参照的三个指标，即：

首个token响应时长 (Time to first token, TTFT）

每个token输出时长 (Time per output token, TPOT)

跨token延迟 (Inter-token latency, ITL)

TTFT顾名思义，就是从客户端发出请求后开始计时，直到服务端返回第一个输出token的耗时。过程中，由服务端收到请求后着手处理，交由调度器准备推理。推理引擎需要完成prefill任务。基于prefill得到的kv值，decode得到第一个输出token后返回。

而TPOT和ITL概念相对接近，表达的都是后续一连串decode的耗时。根据vLLM测试代码 [4]，我们定义如下：

TPOT是在一个请求从发出后，不纳入TTFT的耗时 (主要是为了排除prefill耗时)，到所有token全部decode完成并返回的整体耗时除以一共返回的token数量，即每个token输出的平均时长；

而ITL是在计算每次请求返回部分token时所需的时长，即服务端每次decode后返回一个或一批token所需的时长。

举个例子，如