大模型部署解決方案之TorchServe+vLLM
TorchServe 是PyTorch 中將模型部署到生產環境的一個解決方案。它用HTTP 或HTTPS API 封裝模型，可以處理多種任務，包括為部署模型分配workers、負責客戶端和服務器之間通信等。
10月份發布的TorchServe 0.12 增加了對GenAI的支持，簡化了大語言模型的部署，增加了對主流模型引擎的內置支持，如 vLLM 和 TRT-LLM。
vLLM 引擎是目前執行LLM的最佳方式之一，TorchServe為vLLM部署到生產環境中提供了必要的一些功能，比如自定義metric、模型版本控制等。并且TorchServe能夠通過靈活的自定義處理程序設計，集成RAG等功能或者Llama Guard（Meta發布的大模型，集成了多種安全檢測技術，能夠在模型處理輸入之前，對潛在的風險進行預判和攔截，從而保護模型免受惡意輸入的侵害。）等保護措施。所以集成了vLLM的TorchServe可以創建用于生產環境的LLM服務。
TorchServe還引入了一種異步模式，用以提高硬件利用率。它將傳入的請求直接轉發到后端，供vLLM使用，而不是之前的同步模式，需要等待預定義的時間或者有足夠的請求時才傳到后端。這樣vLLM可以自主決定何時處理哪些請求，有助于優化資源分配，實現高效的負載管理。并且在流式模式下，一旦生成首個token，結果可以立即返回并持續輸出，減少用戶的等待時間。
目前TorchServe實現了單節點多GPU的分布式推理，未來計劃實現多節點推理，并提供預構建的Docker image以簡化部署過程。
參考鏈接：??https://pytorch.org/blog/deploying-llms-torchserve-vllm/??
本文轉載自公眾號AI時代窗口 作者：郁愈
