浅谈语言模型推理框架 0.6.0性能优化 vLLM 大模型技术实践 (浅谈语言模型设计)

作者 | UCloud 优刻得

得益于加速并行框架 Accelerate、DeepSpeed 及 Megatron-LM 等框架的助力，大模型的分布式训练得以化繁为简。然而，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，成为了新企业所面临的问题。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。

优刻得模型服务平台 UModelVerse 现已同步实装上线 vLLM0.6.0。仅需点击几下，就能即刻畅享新版 vLLM 带来的极速推理体验，文末带来详细的使用教程。

1 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：旧版，API 服务端与推理引擎共用同一个 python 进程；下：新版，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 LlLama3 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，如果每次服务端返回 1 个 token，则 ITL 耗时应与 TPOT 接近；而当每次服务端返回 5 个 token，则 ITL 耗时应接近于 5 倍的 TPOT 耗时 (因为 ITL 计算单次的时长，而 TPOT 计算单 token 的时长)。

1.3 测试 &对比

在 优刻得云主机 上开展对比测试。

利用 vLLM 官方提供的 benchmark_serving 基准测试，我们可以模拟真实的客户端请求，从而对比 vLLM 0.6.0 与旧版 vLLM (0.5.5)在进程分离上的优化导致的性能差异。关闭其他优化方法后，在保持其他参数不变的情况下，在 opt-125m 模型上开展测试。在服务端，我们分别在 0.6.0 和旧版本上使用以下的参数：

而在客户端，我们统一采用以下脚本。我们模拟 100 个请求同时发出，请求数据随机取自 ShareGPT v3 数据集。

--request-rate inf \ #所有请求无间隔同时发送 --dataset-path>

经过测试，结果如下 (上旧版本 0.5.5；下新版本 0.6.0)：

进程分离以牺牲 TTFT 指标为代价 (笔者推测进程间 ZeroMQ 通信带来开销)，测试整体时长(Benchmark duration)比进程共用快近 14 秒，提速约 40%。该模型参数量较小，GPU 压力较小，瓶颈主要在于 CPU。进程分离消除了 CPU 争抢造成的开销。

2 多步调度 (Multi-step scheduling)

在请求调度层面，vLLM 0.6.0 的更新中引入了 多步调度 (Multi-step scheduling)的方法 [2]，使得请求处理的调度更高效。为了更好地理解多步调度的意义，我们简单了解一下 vLLM 调度器。

2.1 调度器 (Scheduler)

vLLM 推理引擎 LLMEngine 中存在调度器 (Scheduler)的概念。调度器控制来自服务端的输入请求会以什么顺序送入模型执行推理。对于一个输入请求，我们需要首先对输入的句子执行 prefill 计算，并基于 prefill 得到的 kv 值开展 decode 计算，即预测下一个 token。而调度器的职责就是以合理的调度策略，安排模型执行 prefill 或是 decode 的顺序 (篇幅限制，具体调度细节这里不展开)。

2.2 单步调度 vs. 多步调度

在旧版 vLLM 中，每次调度器只会为下一次的模型推理安排优先顺序，即每次调度对应一次模型推理。该方法被称为单步推理；

0.6.0 引入多步推理，每次调度器调度会安排接下来的多次模型推理，即每次调度对应 n 次推理。多步推理可以减少调度次数，降低 CPU 开销，从而让模型推理充分利用 GPU 资源，尽量保持运行。

上：一次调度后执行 1 步推理；下：一次调度后执行 3 步推理。

据 vLLM 团队测试，4 张 H100 环境下运行 Llama 70B，多步推理的吞吐量比单步推理提升了 28% [3]。

2.3 测试 &对比

利用上述基准测试，对比单步调度与多步调度的性能差异。这次我们统一使用 0.6.0 版本。在保持其他设置相同的情况下，设置服务端启动参数分别如下。而客户端方面设置与上文相同，在此不再赘述。

以下为测试结果 (上单步调度，下多步调度 step=10)：

多步调度(step=10)的情况下，基准测试仅耗时 7.69 秒；而单步调度耗时 21.68 秒，整体速度上快近 3 倍。（由于 opt-125m 模型的参数量较小，计算瓶颈主要位于 CPU 端，因此对 CPU 端的优化效果极其显著；对于更大规模的模型，瓶颈位于 GPU 端，加速效果相对没有这么明显。）

使用 NVIDIA Nsight systems [5]进一步分析 profile (NVTX 中绿色块表明执行调度)。多步调度中每个绿色块之间有 10 组 CPU epoll_pwait 和 read，即执行 10 次 GPU 上的模型推理，并读取结果；而单步推理中每个绿色块之间仅有 1 组 epoll_pwait 和 read，即 1 次模型推理。

细心的同学可能发现了，上述测试中，尽管多步调度的整体耗时降低了很多，但是 ITL 远大于单步调度。这是因为多步调度(step=10)将 10 步推理整合到了一起。因此，ITL (69.87 秒)正好约为 10 倍 TPOT (7.41 秒)。增加一场多步调度(step=5)的测试进行验证，可以看到 ITL 约为 41.76 秒，约 5 倍于 TPOT 的 8.79 秒。

在旧版 vLLM 中，GPU 端模型推理输出 token 后，必须在 CPU 端对输出 token 进行处理并判断是否符合停止条件 (stopping criteria），从而决定是否继续推理，这个操作会产生时间开销；

在异步输出处理中，我们把模型输出从 GPU 端取到 CPU 端进行停止条件判定时，并不会让模型停止推理，等待判定结果从而导致空闲。在 CPU 端对第 n 个输出进行处理并判定是否停止的同时，我们在 GPU 端假设第 n 个输出尚不符合停止条件，并继续推理预测第 n+1 个输出。这样的设计可能会使得每条请求都多了一次推理，造成些许耗时，但与 GPU 空闲等待所浪费的时间相比就显得很划算了。