Speculative Decoding¶

警告

請注意，vLLM 中的推測性解碼尚未最佳化，通常不會為所有提示資料集或採樣引數帶來顯著的 token 間延遲降低。最佳化工作正在進行中，您可以在此處關注： Issue #4630

警告

目前，vLLM 中的推測性解碼與流水線並行不相容。

本文件展示瞭如何將 Speculative Decoding 與 vLLM 一起使用。推測性解碼是一種提高記憶體密集型 LLM 推理中 token 間延遲的技術。

使用草稿模型進行推測¶

以下程式碼將 vLLM 配置為離線模式，使用草稿模型進行推測性解碼，一次推測 5 個 token。

警告

在 vllm v0.10.0 中，不支援使用草稿模型進行推測性解碼。如果您使用以下程式碼，將會得到一個 NotImplementedError。

程式碼

from vllm import LLM, SamplingParams

prompts = [
    "The future of AI is",
]
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

llm = LLM(
    model="facebook/opt-6.7b",
    tensor_parallel_size=1,
    speculative_config={
        "model": "facebook/opt-125m",
        "num_speculative_tokens": 5,
    },
)
outputs = llm.generate(prompts, sampling_params)

for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

要在線上模式下執行相同的操作，請啟動伺服器

vllm serve facebook/opt-6.7b \
    --host 0.0.0.0 \
    --port 8000 \
    --seed 42 \
    -tp 1 \
    --gpu_memory_utilization 0.8 \
    --speculative_config '{"model": "facebook/opt-125m", "num_speculative_tokens": 5}'

警告

注意：請使用 --speculative_config 設定所有與推測性解碼相關的配置。之前單獨指定模型（--speculative_model）並新增相關引數（例如 --num_speculative_tokens）的方法已被棄用。

然後使用客戶端

程式碼

from openai import OpenAI

# Modify OpenAI's API key and API base to use vLLM's API server.
openai_api_key = "EMPTY"
openai_api_base = "https://:8000/v1"

client = OpenAI(
    # defaults to os.environ.get("OPENAI_API_KEY")
    api_key=openai_api_key,
    base_url=openai_api_base,
)

models = client.models.list()
model = models.data[0].id

# Completion API
stream = False
completion = client.completions.create(
    model=model,
    prompt="The future of AI is",
    echo=False,
    n=1,
    stream=stream,
)

print("Completion results:")
if stream:
    for c in completion:
        print(c)
else:
    print(completion)

透過匹配提示中的 n-grams 進行推測¶

以下程式碼將 vLLM 配置為推測性解碼，其中建議透過匹配提示中的 n-grams 來生成。有關更多資訊，請閱讀此執行緒。

程式碼

from vllm import LLM, SamplingParams

prompts = [
    "The future of AI is",
]
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

llm = LLM(
    model="facebook/opt-6.7b",
    tensor_parallel_size=1,
    speculative_config={
        "method": "ngram",
        "num_speculative_tokens": 5,
        "prompt_lookup_max": 4,
    },
)
outputs = llm.generate(prompts, sampling_params)

for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

使用 Suffix Decoding 進行推測¶

以下程式碼將 vLLM 配置為推測性解碼，其中建議使用 Suffix Decoding (技術報告) 生成。

與 n-gram 類似，Suffix Decoding 可以透過匹配最後一個 n 個生成 token 的模式來生成草稿 token。與 n-gram 不同的是，Suffix Decoding (1) 可以匹配提示和先前的生成內容，(2) 使用頻率計數來建議最可能的續寫，以及 (3) 為每個請求在每次迭代中推測自適應數量的 token 以獲得更好的接受率。

Suffix Decoding 在重複性高的任務中可以實現更好的效能，例如程式碼編輯、代理迴圈（如自我反思、自我一致性）和 RL 回滾。

安裝 Arctic Inference

Suffix Decoding 需要 Arctic Inference。您可以使用 pip install arctic-inference 安裝它。

Suffix Decoding 推測 token

Suffix Decoding 將為每個請求在每個解碼步驟推測動態數量的 token，因此 num_speculative_tokens 配置指定的是推測 token 的最大數量。建議使用較高的數字，例如 16 或 32（預設值）。

程式碼

from vllm import LLM, SamplingParams

prompts = [
    "The future of AI is",
]
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

llm = LLM(
    model="facebook/opt-6.7b",
    tensor_parallel_size=1,
    speculative_config={
        "method": "suffix",
        "num_speculative_tokens": 32,
    },
)
outputs = llm.generate(prompts, sampling_params)

for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

使用 MLP 推斷器進行推測¶

以下程式碼將 vLLM 配置為推測性解碼，其中建議透過草稿模型生成，這些模型將草稿預測條件化在上下文向量和取樣 token 上。有關更多資訊，請參閱此部落格或此技術報告。

程式碼

from vllm import LLM, SamplingParams

prompts = [
    "The future of AI is",
]
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

llm = LLM(
    model="meta-llama/Meta-Llama-3.1-70B-Instruct",
    tensor_parallel_size=4,
    speculative_config={
        "model": "ibm-ai-platform/llama3-70b-accelerator",
        "draft_tensor_parallel_size": 1,
    },
)
outputs = llm.generate(prompts, sampling_params)

for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

請注意，這些推測模型目前需要獨立執行，不能與張量並行一起使用，儘管主模型可以使用張量並行執行（參見上面的示例）。由於推測模型相對較小，我們仍然看到了顯著的速度提升。然而，此限制將在將來的版本中修復。

HF hub 上提供了各種此類推測模型

使用基於 EAGLE 的草稿模型進行推測¶

以下程式碼將 vLLM 配置為推測性解碼，其中建議由基於 EAGLE (Extrapolation Algorithm for Greater Language-model Efficiency) 的草稿模型生成。有關離線模式的更詳細示例，包括如何提取請求級別的接受率，可以在此處找到。

程式碼

from vllm import LLM, SamplingParams

prompts = [
    "The future of AI is",
]
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

llm = LLM(
    model="meta-llama/Meta-Llama-3-8B-Instruct",
    tensor_parallel_size=4,
    speculative_config={
        "model": "yuhuili/EAGLE-LLaMA3-Instruct-8B",
        "draft_tensor_parallel_size": 1,
        "num_speculative_tokens": 2,
        "method": "eagle",
    },
)

outputs = llm.generate(prompts, sampling_params)

for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

使用基於 EAGLE 的草稿模型時需要考慮的幾個重要事項

HF 上的 EAGLE 模型倉庫中提供的 EAGLE 草稿模型應該可以直接被 vLLM 載入和使用，經過 Pull Request #12304。如果您使用的是 vllm 早於 Pull Request #12304 的版本，請使用指令碼轉換推測模型，並在 speculative_config 中指定 "model": "path/to/modified/eagle/model"。如果在使用最新版本的 vLLM 時仍然出現權重載入問題，請留下評論或提出問題。
基於 EAGLE 的草稿模型需要獨立執行，不能使用張量並行（即在 speculative_config 中將 draft_tensor_parallel_size 設定為 1），儘管主模型可以使用張量並行執行（參見上面的示例）。
當使用基於 EAGLE 的推斷器與 vLLM 時，觀察到的加速比低於參考實現此處報告的加速比。此問題正在調查中，並在此處跟蹤： Issue #9565。
當使用基於 EAGLE-3 的草稿模型時，選項 "method" 必須設定為 "eagle3"。也就是說，在 speculative_config 中指定 "method": "eagle3"。

Hugging Face hub 上提供了各種 EAGLE 草稿模型

基礎模型	EAGLE on Hugging Face	# EAGLE 引數
Vicuna-7B-v1.3	yuhuili/EAGLE-Vicuna-7B-v1.3	0.24B
Vicuna-13B-v1.3	yuhuili/EAGLE-Vicuna-13B-v1.3	0.37B
Vicuna-33B-v1.3	yuhuili/EAGLE-Vicuna-33B-v1.3	0.56B
LLaMA2-Chat 7B	yuhuili/EAGLE-llama2-chat-7B	0.24B
LLaMA2-Chat 13B	yuhuili/EAGLE-llama2-chat-13B	0.37B
LLaMA2-Chat 70B	yuhuili/EAGLE-llama2-chat-70B	0.99B
Mixtral-8x7B-Instruct-v0.1	yuhuili/EAGLE-mixtral-instruct-8x7B	0.28B
LLaMA3-Instruct 8B	yuhuili/EAGLE-LLaMA3-Instruct-8B	0.25B
LLaMA3-Instruct 70B	yuhuili/EAGLE-LLaMA3-Instruct-70B	0.99B
Qwen2-7B-Instruct	yuhuili/EAGLE-Qwen2-7B-Instruct	0.26B
Qwen2-72B-Instruct	yuhuili/EAGLE-Qwen2-72B-Instruct	1.05B