01.引言
DashInfer-VLM是一个针对于视觉多模态大模型VLM的推理架构，特别优化了Qwen VL模型的推理加速，DashInfer-VLM和其他的VLM的推理加速框架最大的区别是， 它把VIT部分和LLM部分进行了分离，并且VIT和LLM的运行是并行运行，不互相干扰。
这样做的特点是，在VLM中的图片，视频预处理，以及VIT的特征抽取部分，不会打断LLM的生成，也可以成为VIT/LLM分离的架构，是目前开源社区首个使用该架构的VLM 服务框架。
在多卡部署下，它在每张卡上都有一个ViT的处理单元，这样在视频，多图的场景下，有非常显著的性能优势。
另外，ViT部分，它支持了内存缓存，这样在多轮对话下，不需要重复计算ViT。
下面是它的架构图, 以及按照4卡部分72B的进行的配置。
架构图描述了流程和架构：
- 在ViT部分，可以使用很多推理引起进行推理，比如TensorRT 或者 onnxruntime（在框架内会对模型的ViT部分进行onnx模型导出，）目前框架内默认支持了TensorRT。
- 在LLM部分，使用DashInfer进行推理。
- Cache部分，支持ViT结果 Memory Cache， LLM部分Prerfix Cache， LLM 部分多模态 Prefix Cache（默认未开启）
代码地址：
https://github.com/modelscope/dash-infer
文档地址：
https://dashinfer.readthedocs.io/en/latest/vlm/vlm_offline_inference_en.html
02.最佳实践
我们在魔搭社区免费GPU算力上体验DashInfer：
首先是dashinfer-vlm和TensorRT的安装。
# 首先安装package import os #!pip install https://github.com/modelscope/dash-infer/releases/download/v2.0.0-rc2/dashinfer-2.0.0rc2-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl !wget https://modelscope.oss-cn-beijing.aliyuncs.com/releases/TensorRT-10.6.0.26.Linux.x86_64-gnu.cuda-12.6.tar.gz !tar -xvzf TensorRT-10.6.0.26.Linux.x86_64-gnu.cuda-12.6.tar.gz # download to local, replace this url to modelscope url. # install dashinfer, package too large, download to local. !wget https://modelscope.oss-cn-beijing.aliyuncs.com/releases/dashinfer-2.0.0rc3-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl !pip install ./dashinfer-2.0.0rc3-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl # install dashinfer vlm !pip install dashinfer-vlm # install openai client !pip install pip install openai==1.56.2 # open tensorrt python pkg in download package. !pip install TensorRT-10.6.0.26/python/tensorrt-10.6.0-cp310-none-linux_x86_64.whl
TensorRT 需要进行环境变量配置。
import os trt_runtime_path = os.getcwd() + "/TensorRT-10.6.0.26/lib/" # 获取当前的 LD_LIBRARY_PATH 环境变量值 current_ld_library_path = os.environ.get('LD_LIBRARY_PATH', '') # 将新路径添加到现有值中 # 如果 LD_LIBRARY_PATH 已存在，则在其后添加 ':new_path' # 如果不存在，则直接设置为 new_path if current_ld_library_path: updated_ld_library_path = f"{current_ld_library_path}:{trt_runtime_path}" else: updated_ld_library_path = trt_runtime_path # 更新环境变量 os.environ['LD_LIBRARY_PATH'] = updated_ld_library_path os.environ["TRT_LIBPATH"] = trt_runtime_path
环境安装完成， 启动 dashinfer vlm对模型进行推理，并且形成一个 openai兼容的server， 模型可以换成 7B, 72B等。
默认会使用环境里面所有的GPU显存
!dashinfer_vlm_serve --model qwen/Qwen2-VL-2B-Instruct --port 8000 --host 127.0.0.1
这个过程会初始化DashInfer，以及ViT用的外部引擎（这里是TensorRT），并且起一个openai的service。
看到这些日志表示TRT初始化成功：
看到这些日志，表示DashInfer初始化成功：
看到这些日志，表示openai服务初始化成功：
到这里全部初始化成功， 可以打开另一个notebook进行client和benchmark
Notebook地址：https://modelscope.cn/notebook/share/ipynb/6ea987c5/vl-start-server.ipynb
图片理解Demo
展示一个多张图片的图片理解的demo
# client !pip install openai==1.56.2 # vl support require a recently openai client. from openai import OpenAI client = OpenAI( base_url=f"http://localhost:8000/v1", api_key="EMPTY" ) response = client.chat.completions.create( model="model", messages=[{ "role": "user", "content": [ {"type": "text", "text": "Are these images different?"}, { "type": "image_url", "image_url": { "url": "https://farm4.staticflickr.com/3075/3168662394_7d7103de7d_z_d.jpg", } }, { "type": "image_url", "image_url": { "url": "https://farm2.staticflickr.com/1533/26541536141_41abe98db3_z_d.jpg", } }, ], }], stream=True, max_completion_tokens=1024, temperature=0.1, ) full_response = "" for chunk in response: # print(chunk) # print(chunk.choices[0].delta.content) full_response += chunk.choices[0].delta.content print(".", end="") print(f"\nImage: Full Response: \n{full_response}")
视频理解demo
由于openai没有定义标准的视频接口，本文提供了一个video_url的type， 会自动进行视频下载，抽帧，分析的工作。
# video example !pip install openai==1.56.2 # vl support require a recently openai client. from openai import OpenAI client = OpenAI( base_url=f"http://localhost:8000/v1", api_key="EMPTY" ) response = client.chat.completions.create( model="model", messages=[ { "role": "user", "content": [ { "type": "text", "text": "Generate a compelling description that I can upload along with the video.", }, { "type": "video_url", "video_url": { "url": "https://cloud.video.taobao.com/vod/JCM2awgFE2C2vsACpDESXZ3h5_iQ5yCZCypmjtEs2Ck.mp4", "fps": 2, }, }, ], } ], max_completion_tokens=1024, top_p=0.5, temperature=0.1, frequency_penalty=1.05, stream=True, ) full_response = "" for chunk in response: # print(chunk) # print(chunk.choices[0].delta.content) full_response += chunk.choices[0].delta.content print(".", end="") print(f"\nFull Response: \n{full_response}")
benchmark
使用上面的图片理解example，简单的做一个多并发的测试进行吞吐测试。
# benchmark !pip install openai==1.56.2 import time import concurrent.futures from openai import OpenAI # 初始化OpenAI客户端 client = OpenAI( base_url="http://localhost:8000/v1", api_key="EMPTY" ) # 请求参数 model = "model" messages = [ { "role": "user", "content": [ {"type": "text", "text": "Are these images different?"}, { "type": "image_url", "image_url": { "url": "https://farm4.staticflickr.com/3075/3168662394_7d7103de7d_z_d.jpg", } }, { "type": "image_url", "image_url": { "url": "https://farm2.staticflickr.com/1533/26541536141_41abe98db3_z_d.jpg", } }, ], } ] # 并发请求函数 def send_request(): start_time = time.time() response = client.chat.completions.create( model=model, messages=messages, stream=False, max_completion_tokens=1024, temperature=0.1, ) end_time = time.time() latency = end_time - start_time return latency # 基准测试函数 def benchmark(num_requests, num_workers): latencies = [] start_time = time.time() with concurrent.futures.ThreadPoolExecutor(max_workers=num_workers) as executor: futures = [executor.submit(send_request) for _ in range(num_requests)] for future in concurrent.futures.as_completed(futures): latencies.append(future.result()) end_time = time.time() total_time = end_time - start_time qps = num_requests / total_time average_latency = sum(latencies) / len(latencies) throughput = num_requests * 1024 / total_time # 假设每个请求的响应大小为1024字节 print(f"Total Time: {total_time:.2f} seconds") print(f"QPS: {qps:.2f}") print(f"Average Latency: {average_latency:.2f} seconds") if __name__ == "__main__": num_requests = 100 # 总请求数 num_workers = 10 # 并发工作线程数 benchmark(num_requests, num_workers)
测试结果：
Notebook地址：https://modelscope.cn/notebook/share/ipynb/5560603a/vl-test-and-benchmark.ipynb
全面和vLLM的性能对比：
为了更加全面和准确的对比和vLLM的性能，我们在不同size的模型上使用 OpenGVLab/InternVL-Chat-V1-2-SFT-Data 进行了单并发，多并发，以及多轮对话的benchmark，详细的复现脚本见链接， 结果如下：
可以看到DashInfer在各个情况下均有一定的性能优势，尤其在多轮对话中优势更加明显。
