极客说｜重大发布：vLLM V1

作者：魏新宇 - 微软 AI 全球黑带高级技术专家

「极客说」 是一档专注 AI 时代开发者分享的专栏，我们邀请来自微软以及技术社区专家，带来最前沿的技术干货与实践经验。在这里，您将看到深度教程、最佳实践和创新解决方案。关注「极客说」，与行业顶尖专家一起探索科技的无限可能！

参考：https://blog.vllm.ai/2025/01/27/v1-alpha-release.html

从 vLLM V0 中学习

在过去的 1.5 年里，vLLM V0 成功地支持了各种模型、功能和硬件。然而，随着时间推移，系统变得越来越复杂：

• 功能碎片化：不同的功能是独立开发的，缺乏统一的架构。
• 难以整合：由于各个模块之间耦合度高，增加新功能或优化变得困难。
• 技术债累积：代码复杂，维护成本高。

V1 的目标

vLLM V1 的诞生是为了应对这些挑战。其设计目标是：

• 简化代码结构：使代码更加模块化，方便开发和维护。
• 提高性能：减少 CPU 开销，充分利用 GPU 资源。
• 统一架构：将关键优化整合到一个统一的系统中。
• 零配置：默认启用最佳的功能和优化，减轻用户负担。

vLLM V1 的新特性

优化的执行循环和 API 服务器

背景
在处理用户请求时，系统需要执行以下任务：

• 接收并解析请求。
• 准备输入数据（如分词）。
• 执行模型推理。
• 生成输出（如解码）。
• 返回结果给用户。

在 V0 中，CPU 需要处理大量任务，特别是在 GPU 执行时间很短的情况下（例如处理小模型或使用高性能 GPU），CPU 成为瓶颈。

V1 的改进

• 多进程架构：将 API 服务器和核心执行循环分离到不同的进程。
• 任务并行化：让 CPU 密集型任务（如分词、解码）与 GPU 推理并行进行。

实际场景举例
假设有大量用户同时向你的聊天机器人发送消息。V1 的多进程架构允许系统同时处理新的用户请求、准备输入数据，以及执行模型推理。这样，当 GPU 在处理一个请求的推理时，CPU 可以为下一个请求做好准备，减少了等待时间，提高了整体吞吐量。

简单且灵活的调度器

调度器的作用
决定哪些请求在何时被处理，以及每个请求处理多少个令牌（tokens）。

V1 的改进

• 统一处理方式：将用户输入的提示和模型生成的输出统一看待。
• 灵活调度策略：使用简单的数据结构（如 {request_id: num_tokens}）表示调度决策。
• 支持高级特性：如分块预填充、前缀缓存、推测性解码等。

实际场景
举例在处理长文本生成时，调度器可以动态分配资源。例如，对于需要生成长段落的请求，调度器可以决定一次处理更多的令牌，而对于短回复的请求，则少分配一些资源。这样，系统可以更有效地利用 GPU，满足不同请求的需求。

零开销的前缀缓存

什么是前缀缓存
当不同的请求有相同的输入前缀时，可以缓存这些前缀的计算结果，避免重复计算，提高效率。

V1 的改进

• 优化数据结构：实现常数时间的缓存插入和淘汰。
• 最小化开销：即使缓存命中率很低，也几乎不会带来额外的性能损失。

实际场景举例
在提供 API 服务时，可能会有多个用户发送相同的开头，例如“Once upon a time”。通过前缀缓存，系统可以复用之前的计算结果，加速响应。

针对张量并行推理的清晰架构

什么是张量
并行将模型的参数和计算分布在多个 GPU 上，以处理超大规模的模型。

V1 的改进

• 对称架构：调度器和每个 GPU 工作进程独立运行，架构清晰。
• 高效通信：在工作进程中缓存请求状态，只传输增量更新，减少通信开销。

实际场景举例
当你需要部署一个特别大的模型（如 70B 参数的模型），需要使用多张 GPU。V1 的架构使得多 GPU 之间的协作更加高效，确保模型能够以最佳性能运行。

高效的输入准备

问题所在
在 V0 中，每次执行模型推理都要重新准备输入数据，带来较高的 CPU 开销。

V1 的改进

• 持久化批次：缓存输入张量，只在需要时更新。
• 优化数据操作：使用高效的 Numpy 操作，减少 CPU 使用。

实际场景举例
对于连续的对话或多轮交互，用户的输入可能只有少量变化。V1 可以复用之前的输入数据，只处理变化的部分，提高响应速度。

torch.compile 和分段 CUDA 图

torch.compile 的作用
自动优化 PyTorch 模型的执行效率。

V1 的改进

• 自动优化模型：利用 torch.compile，减少手动优化的工作量。
• 让推理速度提升两倍：torch.compile分段
• CUDA 图：解决 CUDA 图在处理动态输入时的限制，提高灵活性。

实际场景举例
开发者可以专注于模型本身的改进，而无需花费大量时间在性能优化上。V1 自动确保模型以高效的方式运行。
CUDA 图是 CUDA 引入的一项高级特性。它的主要作用是：

• 将一系列 GPU 操作（如计算内核、数据传输等）预先记录下来，形成一个有向无环图（DAG，Directed Acyclic Graph）。
• 然后，可以一次性将整个图提交给 GPU 执行，而不是逐个操作地提交。

为什么要使用 CUDA 图？
在传统的 GPU 编程中，CPU 和 GPU 通常需要频繁通信：

• CPU 负责启动 GPU 的计算任务，例如内核启动、数据传输等。
• 每当需要执行一个 GPU 操作，CPU 都要向 GPU 发出指令，这会产生一定的开销，尤其是在操作较多或操作较小的情况下。

使用 CUDA 图有以下优势：

• 减少 CPU 和 GPU 之间的通信开销：
  由于提前将多个操作记录下来，一次性提交给 GPU，降低了 CPU 发出指令的频率。
  减轻了 CPU 的负担，使其可以处理其他任务。
• 提高 GPU 的执行效率：
  GPU 可以连续地执行预先定义好的操作序列，无需等待 CPU 的指令，提高了并行度。
  减少了 GPU 的空闲时间，更好地利用了计算资源。
• 优化性能：
  对于包含大量小型计算任务的应用，使用 CUDA 图可以显著提升性能。
  减少了指令的调度和同步开销。

在 vLLM V1 中的应用
在 vLLM V1 中，CUDA 图被用于优化大型语言模型的推理过程。具体来说：

• 挑战：
  大型语言模型在生成文本时，会进行大量的小规模计算步骤，每个步骤可能涉及到不同的 GPU 操作。
  如果每个操作都需要 CPU 发出指令，会导致大量的通信开销，降低整体性能。
• 解决方案：
  使用 CUDA 图，将推理过程中需要的多个 GPU 操作预先记录下来，形成一个执行图。
  一次性将整个图提交给 GPU，GPU 可以自主连续地执行这些操作，无需每次都等待 CPU 的指令。
• 效果：
  减少了 CPU 与 GPU 之间的通信，降低了延迟。
  提高了 GPU 的利用率，加速了模型的推理速度。
  提升了整体性能，为用户提供更快速的响应。

举个例子
为了更好地理解，我们可以把这个过程比作工厂的流水线生产：

• 传统方式：
  工人（GPU）在每完成一个步骤后，都需要等待主管（CPU）的下一道指令。
  这种方式下，工人可能会经常停下来等待指令，效率不高。
• 使用 CUDA 图的方式：
  主管（CPU）在开始前，就把整个生产流程（多个步骤）设计好，形成一个“流程图”。
  工人（GPU）按照这个流程图，连续地完成所有步骤，中间不需要再向主管请示。
  这样，工人可以一直忙碌，减少了等待时间，生产效率大大提高。

增强对多模态大型语言模型的支持

多模态大型语言模型（MLLM）

能够处理文本、图像等多种类型输入的模型。

V1 的改进优化

• 输入预处理：将图像等输入的预处理移到独立进程，避免阻塞 GPU。
• 多模态前缀缓存：支持对图像输入的缓存，加速重复处理。
• 灵活调度：允许将多模态输入的处理分散到多个步骤，提高效率。

实际场景举例
在一个需要处理图像问答的系统中，V1 可以快速处理用户上传的图像，并生成回答。如果同一张图像被多次询问，系统可以利用缓存，加速响应。

FlashAttention 3

FlashAttention 3 的作用
一种高性能的注意力机制计算方法，适用于 Transformer 模型。

V1 的改进

• 集成 FlashAttention 3：在高动态性计算中提供高效的注意力计算。
• 支持各种功能：在合并预填充和解码等动态批处理场景下表现出色。

实际场景举例
对于需要高吞吐量和低延迟的应用，如实时翻译或大规模聊天服务，FlashAttention 3 可以确保模型在高负载下保持良好性能。
重量选手：FlashAttention-3

性能提升

总体效果

• 吞吐量提升：相比 V0，V1 的吞吐量提升最高可达 1.7 倍。
• 延迟降低：更快的响应时间，改善用户体验。

具体示例

• 文本模型：在 Llama 3.1 8B 和 Llama 3.3 70B 上测试，V1 在高并发请求下表现出更好的性能。
• 视觉语言模型：在 Qwen2-VL 上，V1 的改进更加显著，特别是在处理图像输入时。

展望未来

• 持续优化：团队将继续改进 V1 的性能和功能。
• 扩展支持：增加对更多模型类型、功能和硬件的支持。

当前的限制和未来工作

模型支持

• 目前支持：仅解码器的 Transformer 模型（如 Llama）、MoE 模型（如 Mixtral）、部分视觉语言模型（如 Qwen2-VL）。
• 暂不支持：编码器-解码器架构（如多模态 Llama 3.2）、基于 Mamba 的模型（如 Jamba）、嵌入模型。

功能限制

• 缺少的功能：log probs、提示 log probs、流水线并行、结构化解码、推测性解码、Prometheus 指标、LoRA 等。
• 开发中：团队正在努力缩小功能差距，并添加新的优化。

硬件支持

• 当前支持：仅支持 NVIDIA Ampere 或更新的 GPU。
• 未来计划：扩展到其他硬件平台，如 TPU。

如何开始使用 vLLM V1

1. 安装最新版本的 vLLM：
   pip install vllm --upgrade
2. 设置环境变量：
   export VLLM_USE_V1=1
3. 使用 vLLM：
   通过 Python API 或命令行使用，无需更改现有代码。
   启动兼容 OpenAI 的服务器：
   vllm serve <模型名称>

总结

vLLM V1 通过重构架构、优化性能和扩展功能，显著提升了大型语言模型的推理效率。对于开发者和用户来说，这意味着更快的响应和更好的体验。

资料推荐

《智能 GitHub Copilot 副驾驶® 提示和技巧》

《Azure OpenAI 生成式人工智能白皮书》

《利用 AI 和 DevOps 重新定义开发人员体验》

《SAP on Microsoft Cloud》