一文搞清楚大模型推理框架vLLM是如何工作的？一文看懂！

1、小模型推理框架

在小模型领域推理框架发展已经比较成熟，从 NCNN，TNN，到后来的 MNN，TVM 整体推理引擎的架构比较完善。

如上图，来源于 MNN 的介绍文档，借此图简单介绍整个 CNN 模型框架主要功能。

https://mnn-docs.readthedocs.io/en/latest/intro/about.html

（1）Tools 模块

1. Converter 模块：

a. 主要实现 Torch 模型/ONNX 模型到框架上层 IR 或者框架自定义图的转换，包括模型解析，图生成，算子替换等主要功能。

b. 主要实现自定义图的优化，包括常量折叠，算子融合，模型结构优化，静态显存管理等主要功能。

2. Compress 模块：

在满足一定精度守护的前提，实现比如模型后量化，模型剪枝等模型压缩类处理。

3. Express 模块：

支持带控制流的模型运行，比如一些跳转 OP 的实现，支持自定义算子 Plug-IN 等。

4. CV 模块：

负责实现常见的 CV 类前后处理函数，支持框架跑模型完整的 PipeLine 流程，比如一些 Resize 函数 。

（2）Runtime 模块

1. Pre-Inference 模块：

比如实现模型的内存分配与管理，动态 Shape 推导以支持模型动态 Shape 推理，进一步提升模型性能。

2. 后端设备与算子模块：

a. 各类不同算子极致优化，包括 Stressen 矩阵乘，Winograd 卷积，低精度推理等。

b. 各类不同芯片的异构执行，CPU 上的 Neon/Avx 优化，GPU 上的 OpenCL/CUDA 优化等。

2、大模型推理框架

在大模型领域推理领域这几年也出现一批推理引擎，比如 LightLLM，vLLM，LM-Deploy 等。

这里以 vLLM 的推理逻辑为例简单介绍下大模型引擎如何工作。

大模型推理框架在整个模型 Build 阶段或者说初始化阶段与小模型框架有很多相似之处，比如需要算子融合，显存复用，算子替代，模型压缩。

但是大语言模型因其自回归推理的特点，又有很多推理的特性实现，包括 Continuous Batching，Paged Attention，Packing，Chunked Prefill 等。

这些特性的核心都是提升组 Batch 的并发能力，这也导致框架有其自有特点。

1. vLLM 以服务框架的形式提供一整套的API接口给调用者使用，针对不同应用场景分为 Chat 接口与 Completion 接口。

2. 在推理模块分为两大块，调度器模块与执行器模块，调度器模块主要负责组Batch的特性实现比如 Continuous Batching，Chunked Prefill，Paged Attentntion。

执行器模块主要负责模型的具体推理，包括不同 Rank 上的 Worker 执行，模型的首 Token 推理与 Decode 推理。

3. 其中 Scheduler 的 Block Manager/Block Allocate 主要负责 KVCache 的管理与分配。

总得来说，CNN 领域小模型的推理更聚焦于与芯片上模型推理加速，大模型领域因为模型结构统一推理更多侧重于动态 Batch，服务调度。

3、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】