8 种 LLM 推理部署方案

引言

本文是对一些主要的机器学习模型部署和推理服务的概述和关键特性总结。这里是一些需要考虑的关键点:

1. Triton Inference Server - 一个强大的平台，用于在生产环境中部署和扩展机器学习模型。设置 Triton Inference Server 可能是一个复杂的过程。

2. 文本生成推理 - 需要原生支持 HuggingFace，且不打算为核心模型使用多个适配器。

3. vLLM - 需要最大速度来批量传递提示。

4. DeepSpeed-MII - 有使用 DeepSpeed 库的经验，希望继续使用它来部署大型语言模型。

5. OpenLLM - 希望将适配器连接到核心模型，并利用 HuggingFace Agents，尤其是在不完全依赖 PyTorch 的情况下。

6. MLC LLM - 希望在客户端(边缘计算)上本地部署大型语言模型例如 Android 或 iPhone 平台。

7. Ray Serve - 稳定的管道和灵活的部署。它最适合于更成熟的项目。

8. CTranslate2 - 如果速度对您很重要，并且您计划在 CPU 上运行推理，那就使用它。

1. Triton 推理服务

Triton 是一个强大的平台，用于在生产环境中部署和扩展机器学习模型。设置 Triton 推理服务可能是一个复杂的过程。

Triton 支持从多个深度学习和机器学习框架部署任何 AI 模型，包括 TensorRT、TensorFlow、PyTorch、ONNX、OpenVINO、Python、RAPIDS FIL 等。Triton 推理服务支持在 NVIDIA GPU、x86 和 ARM CPU 或 AWS Inferentia 上进行云、数据中心、边缘和嵌入式设备的推理。Triton的关键特性:

• 支持各种深度学习框架

• 同时执行

• 动态调度和批处理

• 后端可扩展性

• 模型集成

• 各种指标

2. TGI 文本生成推理

文本生成推理（简称 TGI）是一个由 HuggingFace 创建的 Rust、Python、gRPC 模型服务器，可用于托管特定的大型语言模型。文本生成推理适合部署基于 NLP 的大型语言模型，如 Falcon、LLaMA、T5 等。文本生成推理的关键特性:

• 张量并行化

• 优化的Transformers代码

• 量化

• 加速权重加载

• Logits扭曲

• 自定义提示生成

• 微调支持

3. vLLM：通用大型语言模型

vLLM 是一个高性能库，旨在用于大型语言模型的推理和服务。它以其出色的服务吞吐量、使用分页注意力进行高效内存管理，以及灵活地服务各种 Hugging Face 模型而闻名。vLLM 的关键特性:

• 高吞吐量

• 分页注意力（Paged Attention）

• 连续批处理

• 优化的 CUDA 内核

• 解码算法

• 张量并行

• 流式输出

4. DeepSpeed MII

DeepSpeed Model 实现用于推理(MII)旨在使强大模型的低延迟、低成本推理不仅可行，而且也易于访问。

DeepSpeed MII 的关键特性:

• 用于 Transformers 的 DeepFusion

• 多 GPU 推理与张量切片

• 通过 ZeroQuant 进行 INT8 推理

• 用于资源受限系统的 ZeRO 推理

• 编译器优化

5. OpenLLM

使用 OpenLLM，您可以对任何开源大型语言模型进行推理，将它们部署在云或本地，并构建强大的 AI 应用程序。OpenLLM 的关键特性:

• 最先进的大型语言模型

• 灵活的 API

• 自由构建

• 简化部署

• 自带大型语言模型

• 量化

• 流式传输

• 连续批处理

6. MLC LLM

大型语言模型的机器学习编译(MLC LLM)是一种高性能的通用部署解决方案，允许在各种硬件后端(包括 CPU 和 GPU)以及本机应用程序上部署任何大型语言模型。MLC LLM的关键特性:

• 通用部署

• 平台本地运行时

• 内存优化

7. Ray Serve

Ray Serve 是一个可扩展的模型服务库，用于构建在线推理 API。Serve 与框架无关，因此您可以使用单一工具包来服务从深度学习模型到传统 ML 模型的所有内容。Ray Serve的关键特性:

• 批量推理

• 多模型训练

• 跨多个副本自动扩展

• 监控仪表板和 Prometheus 指标

8. CTranslate2

CTranslate2 是一个 C++ 和 Python库，用于高效地对 Transformer 模型进行推理。CTranslate2 的关键特性:

• 在 CPU 和 GPU 上快速高效地执行

• 动态内存使用

• 支持多个 CPU 架构

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】