PaddleFormers 后端

PaddleFormers 后端是 FastDeploy 的 fallback 机制，允许快速部署 PaddleFormers 兼容的模型，无需等待 FastDeploy 原生实现。

环境安装

源码安装 PaddleFormers（通过 paddlefleet 自动安装 PaddlePaddle）：

git clone https://github.com/PaddlePaddle/PaddleFormers.git
cd PaddleFormers

# 根据 CUDA 版本选择
# CUDA 12.6
pip install -e '.[paddlefleet]' --extra-index-url https://www.paddlepaddle.org.cn/packages/stable/cu126/
# CUDA 12.9
pip install -e '.[paddlefleet]' --extra-index-url https://www.paddlepaddle.org.cn/packages/stable/cu129/
# CUDA 13.0
pip install -e '.[paddlefleet]' --extra-index-url https://www.paddlepaddle.org.cn/packages/stable/cu130/

注意：如果出现包不存在的情况，可以通过 --index-url https://mirrors.ustc.edu.cn/pypi/simple 解决

更多选项参考 PaddleFormers 官方安装文档。

快速开始

在线服务模式

python -m fastdeploy.entrypoints.openai.api_server \
    --model Qwen/Qwen3-4B \
    --host 0.0.0.0 \
    --port 8582 \
    --engine-worker-queue-port 18582 \
    --metrics-port 28582 \
    --max-model-len 32768 \
    --max-num-seqs 256 \
    --kv-cache-ratio 0.75 \
    --tensor-parallel-size 1 \
    --gpu-memory-utilization 0.9 \
    --model-impl paddleformers

测试：

curl -X POST "http://0.0.0.0:8582/v1/chat/completions" \
-H "Content-Type: application/json" \
-d '{"messages": [{"role": "user", "content": "把李白的静夜思改写为现代诗"}]}'

离线推理模式

from fastdeploy import LLM, SamplingParams

llm = LLM(
    model="Qwen/Qwen3-4B",
    model_impl="paddleformers",
    max_model_len=32768,
)

sampling_params = SamplingParams(max_tokens=4096, temperature=0.7)
messages = [[{"role": "user", "content": "将李白的静夜思改为现代诗歌"}]]
outputs = llm.chat(messages, sampling_params)

for output in outputs:
    print(output.outputs.text)

参数说明

参数	值	说明
--model-impl	auto	默认值。优先原生实现，无则回退 PaddleFormers
--model-impl	fastdeploy	仅用原生实现，无则报错
--model-impl	paddleformers	强制使用 PaddleFormers 后端

支持情况

模型类型	状态
Dense 文本生成 (Qwen3/Llama3/ERNIE)	✅ 支持
VLM 视觉语言模型	开发中
MOE 混合专家模型	开发中

加速策略	状态
Tensor Parallel (TP)	✅
CUDA Graph	✅
Prefix Caching	✅
Chunked Prefill	✅
QKV/Gate+Up 融合	✅

注意事项

暂不支持：Expert Parallel (EP)、量化推理 (INT4/INT8)、Speculative Decoding

性能说明：PaddleFormers 后端性能优于原生 PaddleFormers，略低于 FastDeploy 原生实现。