96f64650cf
变更: --max-num-seqs 8→1 (基础引擎原版值) --num-scheduler-steps 16→删除 (默认1) --preemption-mode recompute→删除 (默认) TRITON_CACHE_DIR/TRITON_PRINT_AUTOTUNING→删除 为什么 num-scheduler-steps=16 可能导致功能测试 fail: 1. 流式 SSE: 16 步才 flush → delta 粒度不对 2. stop 序列: 第 3 步出现 stop 但 scheduler 已安排 16 步 → 多生成 token 3. tool calling: <tool_call> tag 跨越 multi-step 边界 → parser 看到不完整 tag 4. reasoning: </think> tag 同理 为什么 max-num-seqs=8 可能导致功能测试 fail: 1. GQA head_mapping 在多序列下可能出错 2. 多序列下 prefix_cache_hit 的 block_tables 可能交叉 3. BI-V100 16 SMs 上 8 个并发序列可能导致 OOM 竞赛目标: 首个通过全部功能+效果+性能达标 → 基础奖 策略: 先用最保守配置通过功能测试, 再逐个放开性能参数 CCCL 启示 (dot_products_with_zip.cu): SoA vs AoS 的选择不影响正确性, 只影响性能。先保证正确性 (AoS/保守配置), 再优化性能 (SoA/激进配置)。
35 lines
707 B
YAML
35 lines
707 B
YAML
concurrency: 1
|
|
command:
|
|
- python3
|
|
- -m
|
|
- vllm.entrypoints.openai.api_server
|
|
- --model
|
|
- /model
|
|
- --served-model-name
|
|
- llm
|
|
- --max-model-len
|
|
- '100000'
|
|
- --gpu-memory-utilization
|
|
- '0.9'
|
|
- --trust-remote-code
|
|
- -tp
|
|
- '4'
|
|
- --max-num-seqs
|
|
- '1'
|
|
- --disable-log-requests
|
|
- --disable-frontend-multiprocessing
|
|
- --max-num-batched-tokens
|
|
- '8192'
|
|
- --enable-chunked-prefill
|
|
- --max-seq-len-to-capture
|
|
- '32768'
|
|
- --enable-auto-tool-choice
|
|
- --tool-call-parser
|
|
- qwen3_coder
|
|
- --reasoning-parser
|
|
- qwen3
|
|
- --enable-prefix-caching
|
|
env:
|
|
- name: VLLM_ENGINE_ITERATION_TIMEOUT_S
|
|
value: 3600
|