56 lines
1.9 KiB
Markdown
56 lines
1.9 KiB
Markdown
# BI-150 Tokenizer 配置修复补丁
|
||
|
||
基于 BI-150 vLLM 0.8.3 镜像，修复以下两类 tokenizer 配置问题：
|
||
|
||
1. `tokenizer_class` 指向当前 `transformers` 中不存在的类，例如：
|
||
|
||
```text
|
||
ValueError: Tokenizer class TokenizersBackend does not exist or is not currently imported.
|
||
```
|
||
|
||
2. `extra_special_tokens` 使用 list，而当前 `transformers` 要求该字段为 dict。
|
||
|
||
## 工作方式
|
||
|
||
镜像构建时用 wrapper 接管 `vllm` 命令。执行 `vllm serve <model_dir>` 时：
|
||
|
||
1. 读取模型的 `tokenizer_config.json`。
|
||
2. 检查 `tokenizer_class` 是否存在于当前 `transformers`，并检查 `extra_special_tokens` 是否为 list。
|
||
3. 发现任一问题时，将 tokenizer 文件复制到 `/tmp/fixed_tokenizer`。
|
||
4. 对不存在的 `tokenizer_class`，根据已有文件选择替代类：`tokenizer.json` 使用 `PreTrainedTokenizerFast`，`tokenizer.model` 使用 `LlamaTokenizer`，`vocab.json` 与 `merges.txt` 使用 `GPT2TokenizerFast`；无法判断时回退到 `PreTrainedTokenizerFast`。
|
||
5. 将 list 格式的 `extra_special_tokens` 转换为 `{token: token}` 形式的 dict。
|
||
6. 向原始 vLLM 命令追加 `--tokenizer /tmp/fixed_tokenizer`。
|
||
|
||
原模型目录不会被修改，仅处理以上两类 tokenizer 配置问题。
|
||
|
||
## 构建
|
||
|
||
```bash
|
||
docker build -t iluvatar-bi150-vllm-tokenizer-fix:0.8.3 .
|
||
```
|
||
|
||
使用时仅替换原 BI-150 镜像名，`vllm serve` 参数保持不变。以下命令中的 `<this-image>` 表示打好补丁的镜像。
|
||
|
||
## 启动
|
||
|
||
```bash
|
||
docker run -dit \
|
||
--name iluvatar_sut_submit_325811 \
|
||
-p 38047:8000 \
|
||
--privileged \
|
||
-v /lib/modules:/lib/modules \
|
||
-v /dev:/dev \
|
||
-v /usr/src:/usr/src \
|
||
-v /path/to/model:/model \
|
||
-e CUDA_VISIBLE_DEVICES=0 \
|
||
--entrypoint vllm \
|
||
<this-image> \
|
||
serve /model \
|
||
--port 8000 \
|
||
--served-model-name llm \
|
||
--max-model-len 2048 \
|
||
--enforce-eager \
|
||
--trust-remote-code \
|
||
-tp 1
|
||
```
|