跳转至

FastDeploy参数说明

在使用FastDeploy部署模型(包括离线推理、服务化部署),涉及如下参数配置,其实需要注意,在使用离线推理时,各参数配置即为如下参数名;而在使用命令行启动服务时,相应参数中的分隔符需要从_修改为-,如max_model_len在命令行中则为--max-model-len

参数名 类型 说明
port int 仅服务化部署需配置,服务HTTP请求端口号,默认8000
metrics_port int 仅服务化部署需配置,服务监控Metrics端口号,默认8001
max_waiting_time int 仅服务化部署需配置,服务请求建立连接最大等待时间,默认-1 表示无等待时间限制
max_concurrency int 仅服务化部署需配置,服务实际建立连接数目,默认512
engine_worker_queue_port int FastDeploy内部引擎进程通信端口, 默认8002
cache_queue_port int FastDeploy内部KVCache进程通信端口, 默认8003
max_model_len int 推理默认最大支持上下文长度,默认2048
tensor_parallel_size int 模型默认张量并行数,默认1
data_parallel_size int 模型默认数据并行数,默认1
block_size int KVCache管理粒度(Token数),推荐默认值64
max_num_seqs int Decode阶段最大的并发数,默认为8
mm_processor_kwargs dict[str] 多模态处理器参数配置,如:{"image_min_pixels": 3136, "video_fps": 2}
tokenizer str tokenizer 名或路径,默认为模型路径
use_warmup int 是否在启动时进行warmup,会自动生成极限长度数据进行warmup,默认自动计算KV Cache时会使用
limit_mm_per_prompt dict[str] 限制每个prompt中多模态数据的数量,如:{"image": 10, "video": 3},默认都为1
enable_mm bool [已废弃] 是否支持多模态数据(仅针对多模模型),默认False
quantization str 模型量化策略,当在加载BF16 CKPT时,指定wint4或wint8时,支持无损在线4bit/8bit量化
gpu_memory_utilization float GPU显存利用率,默认0.9
num_gpu_blocks_override int 预分配KVCache块数,此参数可由FastDeploy自动根据显存情况计算,无需用户配置,默认为None
max_num_batched_tokens int Prefill阶段最大Batch的Token数量,默认为None(与max_model_len一致)
kv_cache_ratio float KVCache块按kv_cache_ratio比例分给Prefill阶段和Decode阶段, 默认0.75
enable_prefix_caching bool 是否开启Prefix Caching,默认False
swap_space float 开启Prefix Caching时,用于swap KVCache的CPU内存大小,单位GB,默认None
enable_chunked_prefill bool 开启Chunked Prefill,默认False
max_num_partial_prefills int 开启Chunked Prefill时,Prefill阶段的最大并发数,默认1
max_long_partial_prefills int 开启Chunked Prefill时,Prefill阶段并发中包启的最多长请求数,默认1
long_prefill_token_threshold int 开启Chunked Prefill时,请求Token数超过此值的请求被视为长请求,默认为max_model_len*0.04
static_decode_blocks int 推理过程中,每条请求强制从Prefill的KVCache分配对应块数给Decode使用,默认2
reasoning_parser str 指定要使用的推理解析器,以便从模型输出中提取推理内容,详见思考链输出
use_cudagraph bool 是否使用cuda graph,默认False。开启前建议仔细阅读 graph_optimization.md,在多卡场景需要同时开启 Custom all-reduce。
graph_optimization_config dict[str] 可以配置计算图优化相关的参数,默认值为'{"use_cudagraph":false, "graph_opt_level":0, "cudagraph_capture_sizes": null }',详细说明参考 graph_optimization.md
disable_custom_all_reduce bool 关闭Custom all-reduce,默认False
splitwise_role str 是否开启splitwise推理,默认值mixed, 支持参数为["mixed", "decode", "prefill"]
innode_prefill_ports str prefill 实例内部引擎启动端口 (仅单机PD分离需要),默认值None
guided_decoding_backend str 指定要使用的guided decoding后端,支持 autoxgrammaroff, 默认为 off
guided_decoding_disable_any_whitespace bool guided decoding期间是否禁止生成空格,默认False
speculative_config dict[str] 投机解码配置,仅支持标准格式json字符串,默认为None
dynamic_load_weight int 是否动态加载权重,默认0
enable_expert_parallel bool 是否启用专家并行
enable_logprob bool 是否启用输出token返回logprob。如果未使用 logrpob,则在启动时可以省略此参数。
served_model_name str API 中使用的模型名称,如果未指定,模型名称将与--model参数相同
revision str 自动下载模型时,用于指定模型的Git版本,分支名或tag
chat_template str 指定模型拼接使用的模板,支持字符串与文件路径,默认为None,如未指定,则使用模型默认模板
tool_call_parser str 指定要使用的function call解析器,以便从模型输出中抽取 function call内容
tool_parser_plugin str 指定要注册的tool parser文件路径,以便注册不在代码库中的parser,parser中代码格式需遵循代码库中格式
lm_head_fp32 bool 指定lm_head层的类型为 FP32

1. KVCache分配与num_gpu_blocks_overrideblock_size的关系?

FastDeploy在推理过程中,显存被模型权重预分配KVCache块模型计算中间激活值占用。其中预分配KVCache块由num_gpu_blocks_override决定,其单位为block_size(默认64),即一个块可以存储64个Token的KVCache。

在实际推理中,用户很难知道num_gpu_blocks_override到底该配置到多少合适,因此FastDeploy采用如下方式来自动推导并配置这个值,流程如下: - 加载模型,在完成模型加载后,记录当前显存占用情况total_memory_after_load和FastDeploy框架占用的显存值fd_memory_after_load; 注意前者为GPU实际被占用显存(可能有其它进程也占用),后者是FD框架本身占用显存;

  • 根据用户配置的max_num_batched_tokens(默认为max_model_len),Fake相应长度的输入数据进行Prefill计算,记录当前FastDeploy框架显存最大分配值fd_memory_after_prefill,因此可以认为模型计算中间激活值fd_memory_after_prefill - fd_memory_after_load;
  • 截止当前,认为GPU卡可以剩分配KVCache的显存(以A800 80G为例)为80GB * gpu_memory_utilization - total_memory_after_load - (fd_memory_after_prefill - fd_memory_after_load)
  • 根据模型KVCache的精度(如8bit/16bit),计算一个block占用的KVCache大小,从而计算出总共可分配的block数量,赋值给num_gpu_blocks_override

在服务启动日志中,我们可以在log/fastdeploy.log中找到Reset block num, the total_block_num:17220, prefill_kvcache_block_num:12915,其中total_block_num即为自动计算出来的KVCache block数量,将其乘以block_size即可知道整个服务可以缓存多少Token的KV值。

2. kv_cache_ratioblock_sizemax_num_seqs的关系?

  • FastDeploy里面将KVCache按照kv_cache_ratio分为Prefill阶段使用和Decode阶段使用,在配置这个参数时,可以按照kv_cache_ratio = 平均输入Token数/(平均输入+平均输出Token数)进行配置,常规情况输入是输出的3倍,因此可以配置成0.75
  • max_num_seqs是Decode阶段的最大并发数,一般而言可以配置成最大值128,但用户也可以根据KVCache情况作调用,例如输出的KVCache Token量为decode_token_cache = total_block_num * (1 - kv_cache_ratio) * block_size,为了防止极端情况下的显存不足问题,可以配置max_num_seqs = decode_token_cache / 平均输出Token数,不高于128即可。

3. enable_chunked_prefill参数配置说明

当启用 enable_chunked_prefill 时,服务通过动态分块处理长输入序列,显著提升GPU资源利用率。在此模式下,原有 max_num_batched_tokens 参数不再约束预填充阶段的批处理token数量(限制单次prefill的token数量),因此引入 max_num_partial_prefills 参数,专门用于限制同时处理的分块批次数。

为优化短请求的调度优先级,新增 max_long_partial_prefillslong_prefill_token_threshold 参数组合。前者限制单个预填充批次中的长请求数量,后者定义长请求的token阈值。系统会优先保障短请求的批处理空间,从而在混合负载场景下降低短请求延迟,同时保持整体吞吐稳定。