伯克利vLLM开源：性能碾压SOTA，推理快24倍GPU减半

2023-06-22 07:43:09 互联网 80 次阅读

小羊驼和排位赛的「幕后英雄」

编者按：本文来自微信公众号新智元（ID：AI_era），作者：桃子好困，微新创想经授权发布。在激烈的「排位赛」中，大模型们背后的秘密武器终于揭晓！UC伯克利重磅开源了神级LLM推理系统——vLLM，它凭借创新的PagedAttention技术，将性能提升至HuggingFace/Transformers的24倍，同时将GPU数量减半。过去两个月，UC伯克利的研究团队在Chatbot Arena平台上，为GPT-4等顶尖大语言模型搭建了一个公平竞技的擂台。这些模型通过随机对决，依据Elo评分体系进行排名。在比赛过程中，每当有用户访问网站，系统就需要同时启动两个不同的模型进行运算。他们是如何实现这一高并发操作的？答案就在UC伯克利最新开源的vLLM系统中。

vLLM是一个开源的LLM推理和服务引擎，它通过全新的注意力算法「PagedAttention」实现了对注意力键和值的智能管理。配备这一创新算法的vLLM，重新定义了LLM服务的性能标准：与HuggingFace Transformers相比，它实现了高达24倍的吞吐量提升，且无需对模型架构进行任何调整。值得一提的是，「小羊驼」Vicuna在demo演示中，正是采用了FastChat和vLLM的集成方案。正如研究者所强调，vLLM最大的优势在于提供易用、高效且成本经济的LLM服务。这意味着，未来即使是计算资源有限的小型研究团队，也能轻松部署自己的LLM服务。项目地址：https://github.com/vllm-project/vllm，相关论文也即将发布。

vLLM的性能表现全面超越了当前最先进的SOTA技术。LMSYS开放研究组织介绍道：「让我们一起见证vLLM：Chatbot Arena背后的秘密武器。FastChat-vLLM的集成使LMSYS使用的GPU数量减少了一半，同时每天平均处理高达3万次请求。」vLLM的具体性能如何？UC伯克利团队将其吞吐量与HuggingFace Transformers（HF）和HuggingFace文本生成推理（TGI）等主流LLM库进行了对比。测试设置包括在NVIDIA A10G GPU上运行LLaMA-7B模型，以及在NVIDIA A100 GPU（40GB）上运行LLaMA-13B模型。研究人员从ShareGPT数据集中随机抽样，获取请求的输入/输出长度数据进行评估。

实验结果显示，vLLM的吞吐量比HF高出高达24倍，比TGI高出3.5倍。在服务吞吐量测试中（每个请求只需一个输出完成时），vLLM比HF高出14-24倍，比TGI高出2.2-2.5倍。而在更复杂的场景下（每个请求需要3个并行输出完成时），vLLM依然比HF高出8.5-15倍，比TGI高出3.3-3.5倍。

vLLM的秘密武器：PagedAttention

在vLLM中，团队发现LLM服务的性能瓶颈主要在于内存限制。在自回归解码过程中，LLM会为每个输入token生成注意力键（key）和值（value）张量，并将这些张量缓存于GPU内存中，用于生成下一个token。这些缓存的键和值张量被称为KV缓存，具有以下特点：

1. 内存占用大：在LLaMA-13B模型中，单个序列的KV缓存可高达1.7GB。
2. 动态化：其大小取决于序列长度，而序列长度具有高度不确定性，难以预测。

因此，有效管理KV缓存成为一大挑战。研究团队发现，现有系统因内存碎片化和过度保留，浪费了高达60%-80%的内存。正如团队导师Joey Gonzalez所言：「GPU内存碎片化=慢。」为解决这一问题，团队创新性地提出了PagedAttention算法，该算法灵感来源于操作系统中虚拟内存和分页的经典概念。

与传统的注意力算法不同，PagedAttention允许在非连续的内存空间中存储连续的键和值。具体来说，PagedAttention将每个序列的KV缓存分割为若干固定大小的块，每个块包含一定数量的token的键和值。在注意力计算过程中，PagedAttention内核能够高效地识别和提取这些块。由于这些块在内存中无需连续存储，因此可以像操作系统的虚拟内存一样，以更灵活的方式管理键和值——将块视为页，token视为字节，序列视为进程。序列的连续逻辑块通过块表映射到非连续的物理块。随着新token的生成，物理块会按需分配。

PagedAttention将内存浪费严格控制在序列的最后一个块中，实践中内存使用效率接近最优，仅有不到4%的浪费。这种内存效率的提升，使得系统能够处理更多序列，提高GPU利用率，从而显著提升吞吐量。此外，PagedAttention还具有高效的内存共享能力。例如在并行采样场景中，可以从相同提示生成多个输出序列。此时，提示的计算和内存可以在不同输出序列间共享。PagedAttention通过块表自然地实现了内存共享，类似于进程共享物理页的方式，不同序列可以通过将它们的逻辑块映射到相同的物理块来共享块。为确保安全，PagedAttention会跟踪物理块的引用计数，并实现了写时复制机制。

PagedAttention的内存共享特性极大降低了复杂采样算法（如并行采样和束搜索）的内存开销，将它们的内存使用量减少了高达55%，同时将吞吐量提高了2.2倍。

总结而言，PagedAttention是vLLM的核心技术，作为LLM推理和服务的引擎，它支持多种模型架构，具有高性能和易用性。GitHub上，团队也展示了vLLM对HuggingFace模型的兼容性，包括：

– GPT-2（gpt2、gpt2-xl等）
– GPTNeoX（EleutherAI/gpt-neox-20b、databricks/dolly-v2-12b、stabilityai/stablelm-tuned-alpha-7b等）
– LLaMA（lmsys/vicuna-13b-v1.3、young-geng/koala、openlm-research/open_llama_13b等）
– OPT（facebook/opt-66b、facebook/opt-iml-max-30b等）

小羊驼和排位赛的「幕后英雄」

4月初，UC伯克利学者联合UCSD、CMU等顶尖高校，率先开源了130亿参数的全新模型——Vicuna，俗称「小羊驼」。自推出以来，Vicuna已在Chatbot Arena为数百万用户提供服务。最初，LMSYS的FastChat采用基于HF Transformers的服务后端来展示聊天demo。但随着demo的普及，峰值流量激增数倍，HF后端逐渐成为性能瓶颈。为解决这一挑战，LMSYS与vLLM团队紧密合作，开发了全新的FastChat-vLLM集成方案——通过将vLLM作为新的后端，满足日益增长的高并发需求（流量提升达5倍）。根据LMSYS内部微基准测试，vLLM服务后端的吞吐量比初始HF后端高出30倍。4-5月期间，Chatbot Arena已全面切换至FastChat-vLLM集成。实际上，超过一半的Chatbot Arena请求都由该集成提供支持。

自4月中旬以来，Vicuna、Koala和LLaMA等热门语言模型都已成功采用FastChat-vLLM集成提供服务。FastChat作为多模型聊天服务前端，vLLM作为推理后端，LMSYS利用有限的学校赞助GPU，以高吞吐量和低延迟为数百万用户提供Vicuna服务。目前，LMSYS正将vLLM扩展到更多模型，包括Databricks Dolly、LAION的OpenAssistant和Stability AI的StableLM等。

vLLM使用教程

安装vLLM（查看完整安装指南）：$ pip install vllm

vLLM支持离线推理和在线服务：

离线推理：
“`python
from vllm import LLM
prompts = [“Hello, my name is”, “The capital of France is”]
llm = LLM(model=”lmsys/vicuna-7b-v1.3″)
outputs = llm.generate(prompts)
“`

在线服务：
$ python -m vllm.entrypoints.openai.api_server –model lmsys/vicuna-7b-v1.3
查询服务器：
$ curl http://localhost:8000/v1/completions \
-H “Content-Type: application/json” \
-d ‘{“model”: “lmsys/vicuna-7b-v1.3″,”prompt”: “San Francisco is a”,”max_tokens”: 7,”temperature”: 0}’