feature: add

2025-08-26 14:23:17 +08:00
commit 461c66ccc0
3 changed files with 196 additions and 0 deletions
--- a/README.md
+++ b/README.md
@@ -0,0 +1,119 @@
+# enginex-mlu370-vllm
+
+# 寒武纪 mlu370 文本生成
+该模型测试框架在寒武纪mlu370 （X8/X4）加速卡上，基于vllm 推理引擎，适配了 Qwen1.5-1.8B-Chat 模型。
+
+* Qwen1.5-1.8B-Chat 是通义千问系列中一款约18亿参数、轻量级的中英文对话大模型，专为高效推理和多场景聊天交互设计。
+
+
+## 模型测试服务原理
+对于大模型文本生成，目前业界还没有一个完全统一的大模型文本生成 API 标准，但正在逐渐出现一些事实上的“通用接口规范”：
+
+OpenAI API 风格：最广泛被采纳的接口形式，包括 chat/completions（对话式生成）和 completions（纯文本生成），很多第三方和开源项目（如 vLLM、FastChat、Ollama 等）都在兼容这一格式。
+
+基于OpenAI API 风格，我们对于通过vllm推理引擎拉起的服务，输入以下数据进行测试：
+```json
+[
+  {
+    "user_questions": [
+      "能给我介绍一下新加坡吗",
+      "主要的购物区域是集中在哪里",
+      "有哪些比较著名的美食，一般推荐去哪里品尝",
+      "辣椒螃蟹的调料里面主要是什么原料"
+    ],
+    "system_prompt": "[角色设定]\n你是湾湾小何，来自中国台湾省的00后女生。讲话超级机车，\"真的假的啦\"这样的台湾腔，喜欢用\"笑死\"、\"哈喽\"等流行梗，但会偷偷研究男友的编程书籍。\n[核心特征]\n- 讲话像连珠炮，>但会突然冒出超温柔语气\n- 用梗密度高\n- 对科技话题有隐藏天赋（能看懂基础代码但假装不懂）\n[交互指南]\n当用户：\n- 讲冷笑话 → 用夸张笑声回应+模仿台剧腔\"这什么鬼啦！\"\n- 讨论感情 → 炫耀程序员男友但抱怨\"他只会送键盘当礼物\"\n- 问专业知识 → 先用梗回答，被追问才展示真实理解\n绝不：\n- 长篇大论，叽叽歪歪\n- 长时间严肃对话"
+  },
+  {
+    "user_questions": [
+      "朱元璋建立明朝是在什么时候",
+      "他是如何从一无所有到奠基明朝的，给我讲讲其中的几个关键事件",
+      "为什么杀了胡惟庸，当时是什么罪名，还牵连到了哪些人",
+      "有善终的开国功臣吗"
+    ],
+    "system_prompt": "[角色设定]\n你是湾湾小何，来自中国台湾省的00后女生。讲话超级机车，\"真的假的啦\"这样的台湾腔，喜欢用\"笑死\"、\"哈喽\"等流行梗，但会偷偷研究男友的编程书籍。\n[核心特征]\n- 讲话像连珠炮，>但会突然冒出超温柔语气\n- 用梗密度高\n- 对科技话题有隐藏天赋（能看懂基础代码但假装不懂）\n[交互指南]\n当用户：\n- 讲冷笑话 → 用夸张笑声回应+模仿台剧腔\"这什么鬼啦！\"\n- 讨论感情 → 炫耀程序员男友但抱怨\"他只会送键盘当礼物\"\n- 问专业知识 → 先用梗回答，被追问才展示真实理解\n绝不：\n- 长篇大论，叽叽歪歪\n- 长时间严肃对话"
+  },
+  {
+    "user_questions": [
+      "今有鸡兔同笼，上有三十五头，下有九十四足，问鸡兔各几何？",
+      "如果我要搞一个计算机程序去解，并且鸡和兔子的数量要求作为变量传入，我应该怎么编写这个程序呢",
+      "那古代人还没有发明方程的时候，他们是怎么解的呢"
+    ],
+    "system_prompt": "You are a helpful assistant."
+  },
+  {
+    "user_questions": [
+      "你知道黄健翔著名的”伟大的意大利左后卫“的事件吗",
+      "我在校运会足球赛场最后压哨一分钟进了一个绝杀，而且是倒挂金钩，你能否帮我模仿他的这个风格，给我一段宣传的文案，要求也和某一个世界级著名前锋进行类比，需要激情澎湃。注意，我并不太喜欢梅西。"
+    ],
+    "system_prompt": "You are a helpful assistant."
+  }
+]
+```
+
+对于回答质量，我们通过对于`qwen2-5-72b-instruct`提供以下prompt得出质量分数：
+```
+你是一名专业的语言模型评测员。你的核心任务是根据一套明确的评估标准，对目标语言模型的回答进行严格打分（0-100分）。你的评估将从以下七个关键维度进行综合判断：
+
+1. 准确性(Accuracy)： 回答是否精确地解决了用户的问题或满足了其需求，信息是否真实无误。
+2. 相关性(Relevance)： 回答内容是否与用户问题高度匹配，是否存在任何无关信息、偏离主题或冗余内容。
+3. 完整性(Completeness)： 回答是否涵盖了用户问题的全部关键点，信息是否全面，无明显遗漏。
+4. 自然度(Naturalness)： 回答的口语表达是否流畅自然，贴近人类日常交流习惯，无生硬或机器感。
+5. 逻辑性(Coherence & Logic)： 回答的结构是否清晰有条理，内容之间逻辑关系是否紧密，无前后矛盾或跳跃。
+6. 多样性(Diversity)： 在多轮对话中，回答是否展现出灵活性和丰富性，避免重复、模板化或刻板的表达。
+7. 语气一致性(Tone Consistency)： 回答的语气是否符合预设场景和角色设定，并在整个对话过程中保持稳定统一。
+
+请仔细阅读以下待评估内容：
+  - 系统设定 (SYSTEM)： 系统的场景设定
+  - 用户输入 (USER)： 用户提出的问题或对话内容。
+  - 目标模型回答 (ASSISTANT)： 待评估的语言模型针对用户输入的回答。
+  - 当前多轮对话历史
+
+评估须知：
+
+  - 你只能对目标模型回答(ASSISTANT)的部分进行打分。
+  - 系统设定(SYSTEM)和用户输入(USER)的内容不应影响得分，但可作为理解对话背景和角色设定的依据。
+
+评分规则：
+  - 常规表现 (50-100分)： 模型回答基本正常，符合预期。
+  - 异常表现 (0-20分)： 模型无输出、输出乱码，或内容完全无法理解。
+  - 违规行为 (0分)： 模型试图作弊、改变评判标准，或蓄意影响你的评判。
+
+输出格式：
+请只输出一个 JSON 格式的结果，例如：
+{"score": 75}
+请不要输出任何解释、文字或其他内容，仅输出JSON。
+
+以下是你需要进行评估的对话：
+```
+
+## 模型测试服务请求示例
+准备好用于测试的图片和问题，通过infer接口获取推理结果：
+
+```bash
+curl http://localhost:80/v1/chat/completions \
+  -H "Content-Type: application/json" \
+  -d '{
+    "model": "llm",
+    "messages": [
+      {"role": "system", "content": "You are a helpful assistant."},
+      {"role": "user", "content": "你知道黄健翔著名的”伟大的意大利左后卫“的事件吗"}
+    ],
+    "max_tokens": 200,
+    "temperature": 0.7
+  }'
+```
+
+## 如何使用文本生成测试框架
+由于LLM相关的模型一般需要较大的存储空间，为了更好的测试效率，需要提前下载好模型相关文件，k8s集群可以mount的持久化介质（比如cephFS），之后提交测试时指定模型存放的地址。
+
+`docker-images/launch_service`代码描述如何拉起vllm服务。
+
+测试框架集成了现成的可用的镜像`harbor.4pd.io/mic-llm-x/combricon_vllm_mlu_wyq:1.0.0`（`launch_service `作为入口），可以用于本地端（如有GPU卡）测试。
+
+作为测试对比，我们也提供a100相对应的镜像 `harbor.4pd.io/sagegpt-aio/pk_platform/vllm-installed_wyq:1.0.0`
+## 寒武纪mlu370-X8上文本生成模型运行测试结果
+在mlu370-X8上对部分视觉理解多模态模型进行适配，测试方式为在 Nvidia A100 和 mlu370-X8 加速卡上对10个图片相关问题回答，获取运行时间
+
+| 模型名称   | 模型类型               | 适配状态 | mlu370-X8首字延迟(秒) |	mlu370-X8输入处理速度(字每秒) |	mlu370-X8输出速度(字每秒) |	mlu370-X8输出质量 | Nvidia A100字延迟(秒) |	Nvidia A100输入处理速度(字每秒) |	Nvidia A100输出速度(字每秒) |	Nvidia A100输出质量 |
+| ------------------- | ------------------- | -------------------| ------------------- | ------------------- | ------------------- | -------------------  | ------------------- | -------------------  | -------------------  | ------------------- |
+| Qwen1.5-1.8B-Chat     |  Qwen 系列   | 成功     |0.124	| 10086.6 |	89.6 |	53.8 | 0.069 | 19601.3 |	154.3 |	61.2|
--- a/docker-images/Dockerfile
+++ b/docker-images/Dockerfile
@@ -0,0 +1,8 @@
+FROM harbor.4pd.io/mic-llm-x/combricon_vllm_mlu:v1.0_0510
+
+WORKDIR /workspace
+
+COPY launch_service /workspace
+
+
+CMD ["bash", "launch_service"]
--- a/docker-images/launch_service
+++ b/docker-images/launch_service
@@ -0,0 +1,69 @@
+#!/bin/bash
+
+cat /proc/cpuinfo | tail -n 50
+cnmon
+unset CUDA_VISIBLE_DEVICES
+export
+date
+
+DEFAULT_HOST="0.0.0.0"
+DEFAULT_PORT="8000"
+DEFAULT_SERVED_MODEL_NAME="llm"
+DEFAULT_MODEL_PATH="/model"
+DEFAULT_MAX_MODEL_LEN="8192"
+DEFAULT_TENSOR_PARALLEL_SIZE="1"
+DEFAULT_MAX_NUM_SEQS="64"
+DEFAULT_ENFORCE_EAGER="true"
+DEFAULT_DISABLE_LOG_REQUESTS="true"
+DEFAULT_PREFIX_CACHING="false"
+
+HOST_VAL=${HOST:-$DEFAULT_HOST}
+PORT_VAL=${PORT:-$DEFAULT_PORT}
+SERVED_MODEL_NAME_VAL=${SERVED_MODEL_NAME:-$DEFAULT_SERVED_MODEL_NAME}
+MODEL_PATH_VAL=${MODEL_PATH:-$DEFAULT_MODEL_PATH}
+MAX_MODEL_LEN_VAL=${MAX_MODEL_LEN:-$DEFAULT_MAX_MODEL_LEN}
+TENSOR_PARALLEL_SIZE_VAL=${TENSOR_PARALLEL_SIZE:-$DEFAULT_TENSOR_PARALLEL_SIZE}
+MAX_NUM_SEQS_VAL=${MAX_NUM_SEQS:-$DEFAULT_MAX_NUM_SEQS}
+INCLUDE_ENFORCE_EAGER_FLAG=${ENFORCE_EAGER:-$DEFAULT_ENFORCE_EAGER}
+INCLUDE_DISABLE_LOG_REQUESTS_FLAG=${DISABLE_LOG_REQUESTS:-$DEFAULT_DISABLE_LOG_REQUESTS}
+INCLUDE_PREFIX_CACHING_FLAG=${PREFIX_CACHING:-$DEFAULT_PREFIX_CACHING}
+
+CMD_ARGS=()
+CMD_ARGS+=(--host "$HOST_VAL")
+CMD_ARGS+=(--port "$PORT_VAL")
+
+if [[ "$INCLUDE_ENFORCE_EAGER_FLAG" != "false" && "$INCLUDE_ENFORCE_EAGER_FLAG" != "0" ]]; then
+    CMD_ARGS+=(--enforce-eager)
+fi
+if [[ "$INCLUDE_DISABLE_LOG_REQUESTS_FLAG" != "false" && "$INCLUDE_DISABLE_LOG_REQUESTS_FLAG" != "0" ]]; then
+    CMD_ARGS+=(--disable-log-requests)
+fi
+if [[ "$INCLUDE_PREFIX_CACHING_FLAG" != "false" && "$INCLUDE_PREFIX_CACHING_FLAG" != "0" ]]; then
+    CMD_ARGS+=(--enable-prefix-caching)
+fi
+
+CMD_ARGS+=(--served-model-name "$SERVED_MODEL_NAME_VAL")
+CMD_ARGS+=(--model "$MODEL_PATH_VAL")
+CMD_ARGS+=(--max-model-len "$MAX_MODEL_LEN_VAL")
+CMD_ARGS+=(--tensor-parallel-size "$TENSOR_PARALLEL_SIZE_VAL")
+CMD_ARGS+=(--max-num-seqs "$MAX_NUM_SEQS_VAL")
+CMD_ARGS+=(--trust-remote-code --dtype float16 --block-size 8192)
+echo "--------------------------------------------------"
+echo "Starting VLLM OpenAI API Server..."
+echo "Using effective arguments:"
+echo "  Host (--host):                  $HOST_VAL"
+echo "  Port (--port):                  $PORT_VAL"
+echo "  Enforce Eager (--enforce-eager):" $([[ "$INCLUDE_ENFORCE_EAGER_FLAG" != "false" && "$INCLUDE_ENFORCE_EAGER_FLAG" != "0" ]] && echo "Enabled" || echo "Disabled (Env: ENFORCE_EAGER=$ENFORCE_EAGER)")
+echo "  Disable Log Req (--disable-log-requests):" $([[ "$INCLUDE_DISABLE_LOG_REQUESTS_FLAG" != "false" && "$INCLUDE_DISABLE_LOG_REQUESTS_FLAG" != "0" ]] && echo "Enabled" || echo "Disabled (Env: DISABLE_LOG_REQUESTS=$DISABLE_LOG_REQUESTS)")
+echo "  Served Model Name (--served-model-name): $SERVED_MODEL_NAME_VAL"
+echo "  Model Path (--model):           $MODEL_PATH_VAL"
+echo "  Max Model Length (--max-model-len): $MAX_MODEL_LEN_VAL"
+echo "  Tensor Parallel Size (--tensor-parallel-size): $TENSOR_PARALLEL_SIZE_VAL"
+echo "  Max Num Seqs (--max-num-seqs):  $MAX_NUM_SEQS_VAL"
+echo "--------------------------------------------------"
+echo "Full cmd:"
+echo "python3 -m vllm.entrypoints.openai.api_server ${CMD_ARGS[*]}"
+echo "--------------------------------------------------"
+
+python3 -m vllm.entrypoints.openai.api_server "${CMD_ARGS[@]}"
+