From b64993b96868effa5283400e4c089e02c894ee45 Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?=E6=B8=A9=E9=9F=B5=E6=B8=85?= Date: Mon, 25 Aug 2025 11:52:41 +0800 Subject: [PATCH] feature: chore --- README.md | 50 +++++++++++++++++++ .../iluvatar-bi100.dockerfile | 0 .../nvidia-a100.dockerfile | 0 {docker => docker-images}/server.py | 0 4 files changed, 50 insertions(+) create mode 100644 README.md rename {docker => docker-images}/iluvatar-bi100.dockerfile (100%) rename {docker => docker-images}/nvidia-a100.dockerfile (100%) rename {docker => docker-images}/server.py (100%) diff --git a/README.md b/README.md new file mode 100644 index 0000000..f41b765 --- /dev/null +++ b/README.md @@ -0,0 +1,50 @@ +# 天数智芯 天垓100 视觉理解多模态 +该模型测试框架在天垓100加速卡上，基于Transfomer框架，适配了 gemma-3-4b-it、MiniCPM-Llama3-V-2_5 、MiniCPM_V_2_6 这3个模型。 + +* Gemma 3-4B‑IT 是 Google 发布的 Gemma 3 系列中参数量为 4 B 的轻量 multimodal 模型，支持图文输入、128 K 长上下文、多语种（140+ 语言），专为嵌入设备快速部署设计 +* MiniCPM‑Llama3‑V 2.5 是 openbmb 的 8 B multimodal 模型，基于 SigLip‑400M 与 Llama3-8B-Instruct 构建，在 OCR 能力、多语言支持、部署效率等方面表现优秀，整体性能达到 GPT‑4V 级别 +* MiniCPM‑V 2.6 是 MiniCPM‑V 系列中最新且最强大的 8 B 参数模型，具备更优的单图、多图与视频理解能力、卓越 OCR 效果、低 hallucination 率，并支持端侧设备（如 iPad）实时视频理解 + + +## 模型测试服务原理 +尽管对于视觉多模态理解没有一个业界统一的API协议标准，但我们也可以基于目前比较流行的Transfomer框架**适配**各类视觉理解多模态模型。 +为了让我们的测试框架更通用一些，我们基于Transfomer框架对于不同类型的模型系列adpat了一层，方便对外提供http服务。 + +目前，测试框架要求用户首先测试时指定需要测试的模型的地址mount到本地文件系统中，如`/model`，之后通过unvicorn拉起服务。 + +测试过程中，外围测试环境，会首先调用“加载模型接口”: + +```bash +curl -X POST http://localhost:10086/load_model \ + -H "Content-Type: application/json" \ + -d '{"model_path":"/model","dtype":"auto"}' +``` + + +## 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 +base64 -w 0 demo.jpeg | \ +jq -Rs --arg mp "/model" --arg prompt "Describe the picture" \ + '{model_path: $mp, prompt: $prompt, images: ["data:image/jpeg;base64," + .], generation: {max_new_tokens: 50, temperature: 0.7}}' | \ +curl -X POST "http://localhost:10086/infer" \ + -H "Content-Type: application/json" \ + -d @- +``` + +以上，图片为`demo.jpeg`，问题为`Describe the picture`，可根据需要相应替换。 +## 如何使用视觉理解多模态测试框架 +由于VLM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/server.py`代码实现了一个接收图片和问题并返回回答文本和统计延迟信息的VLM HTTP 服务。测试框架集成了现成的可用的镜像`harbor.4pd.io/hardcore-tech/bi100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1`（`server.py`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/hardcore-tech/a100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1` +## 天垓100上视觉理解多模态模型运行测试结果 +在天垓100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 天垓100 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 | 天垓100运行时间/s | Nvidia A100运行时间/s | +| ---------- | ---------------------- | -------- | ----------------- | --------------------- | +| Gemma 3-4B‑IT | Gemma 3 系列 | 成功 | 30.9210 | 5.9024 | +| MiniCPM‑Llama3‑V 2.5 | openbmb 8 B multimodal | 成功 | 112.0708 | 6.5424 | +| MiniCPM‑V 2.6 | MiniCPM‑V 系列 | 成功 | 80.7702 | 3.7767 | \ No newline at end of file diff --git a/docker/iluvatar-bi100.dockerfile b/docker-images/iluvatar-bi100.dockerfile similarity index 100% rename from docker/iluvatar-bi100.dockerfile rename to docker-images/iluvatar-bi100.dockerfile diff --git a/docker/nvidia-a100.dockerfile b/docker-images/nvidia-a100.dockerfile similarity index 100% rename from docker/nvidia-a100.dockerfile rename to docker-images/nvidia-a100.dockerfile diff --git a/docker/server.py b/docker-images/server.py similarity index 100% rename from docker/server.py rename to docker-images/server.py