当前位置：首页 > news >正文

【vLLM 学习】Neuron

news 2025/10/11 5:26:56

vLLM 是一款专为大语言模型推理加速而设计的框架，实现了 KV 缓存内存几乎零浪费，解决了内存管理瓶颈问题。

更多 vLLM 中文文档及教程可访问 →vllm.hyper.ai/

*在线运行 vLLM 入门教程：零基础分步指南

源码 examples/offline_inference/neuron.py

# SPDX-License-Identifier: Apache-2.0from vllm import LLM, SamplingParams# 样本提示。
prompts = ["Hello, my name is","The president of the United States is","The capital of France is","The future of AI is",
]
# 创建一个采样参数对象。
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)# 创建一个 LLM。
llm = LLM(model="TinyLlama/TinyLlama-1.1B-Chat-v1.0",max_num_seqs=8,# max_model_len 和 block_size 参数必须与# 定位神经元设备时的最大序列长度。# 目前，这是连续批处理支持的已知限制# 在 transformers-Neuronx 中。# TODO(liangfu): 在 transformers-Neuronx 中支持分页。max_model_len=1024,block_size=1024,# 安装 AWS 神经元 SDK 时可以自动检测到该设备。# 设备参数可以被未指定用于自动检测，# 或明确分配。device="neuron",tensor_parallel_size=2)
# 从提示中生成文本。输出是 RequestOutput 对象的包含提示，生成的文本和其他信息的对象列表。
outputs = llm.generate(prompts, sampling_params)
# 打印输出。
for output in outputs:prompt = output.promptgenerated_text = output.outputs[0].textprint(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

查看全文

http://www.dtcms.com/a/464727.html