开源模型应用落地-qwen1.5-7b-chat与vllm实现推理加速的正确姿势（八）

一、前言

    就在前几天开源社区又发布了qwen1.5版本，它是qwen2模型的测试版本。在本篇学习中，将集成vllm实现模型推理加速，现在，我们赶紧跟上技术发展的脚步，去体验一下新版本模型的推理质量。

---

二、术语

2.1. vLLM

    vLLM是一个开源的大模型推理加速框架，通过PagedAttention高效地管理attention中缓存的张量，实现了比HuggingFace Transformers高14-24倍的吞吐量。

2.2. qwen1.5

    Qwen1.5是Qwen2的测试版，这是一个基于转换器的纯解码器语言模型，在大量数据上进行了预训练。

    In comparison with the previous released Qwen, the improvements include:

• 6 model sizes, including 0.5B, 1.8B, 4B, 7B, 14B, and 72B;
• Significant performance improvement in human preference for chat models;
• Multilingual support of both base and chat models;
• Stable support of 32K context length for models of all sizes
• No need of trust_remote_code.

---

三、前提条件 

    3.1. 基础环境