Serving Llms Vllm

skill の情報
参考: SKILL.md 全文
使いどころ
使い始める
よくある進め方
進め方 1: 本番 API の配置
進め方 2: オフラインのバッチ推論
進め方 3: 量子化したモデルの配信
他の選択肢との使い分け
よくあるつまずき
さらに踏み込む
必要なハードウェア
関連リンク

vLLM による高スループットな LLM 配信、OpenAI API、量子化を扱う skill です。

skill の情報


提供元	追加インストール — `hermes skills install official/mlops/serving-llms-vllm` で入れます
パス	`optional-skills/mlops/inference/serving-llms-vllm`
バージョン	`1.0.1`
作者	Orchestra Research
ライセンス	MIT
依存関係	`vllm`, `torch`, `transformers`
対応プラットフォーム	linux, macos
タグ	`vLLM`, `Inference Serving`, `PagedAttention`, `Continuous Batching`, `High Throughput`, `Production`, `OpenAI API`, `Quantization`, `Tensor Parallelism`

参考: SKILL.md 全文

vLLM - 高性能な LLM 配信

使いどころ

本番用の LLM API を立てるとき、推論のレイテンシやスループットを詰めるとき、限られた GPU メモリでモデルを動かすときに使います。OpenAI 互換のエンドポイント、量子化（GPTQ/AWQ/FP8）、テンソル並列に対応しています。

使い始める

vLLM は PagedAttention（ブロック単位の KV キャッシュ）と継続的バッチ処理（prefill と decode のリクエストを混ぜて流す仕組み）によって、素の transformers の 24 倍のスループットを出します。

インストール:

pip install vllm

オフライン推論の基本形:

from vllm import LLM, SamplingParams

llm = LLM(model="meta-llama/Meta-Llama-3-8B-Instruct")
sampling = SamplingParams(temperature=0.7, max_tokens=256)

outputs = llm.generate(["Explain quantum computing"], sampling)
print(outputs[0].outputs[0].text)

OpenAI 互換サーバー:

vllm serve meta-llama/Meta-Llama-3-8B-Instruct

# Query with OpenAI SDK
python -c "
from openai import OpenAI
client = OpenAI(base_url='http://localhost:8000/v1', api_key='EMPTY')
print(client.chat.completions.create(
    model='meta-llama/Meta-Llama-3-8B-Instruct',
    messages=[{'role': 'user', 'content': 'Hello!'}]
).choices[0].message.content)
"

よくある進め方

進め方 1: 本番 API の配置

次のチェックリストを写して、進み具合を追ってください:

Deployment Progress:
- [ ] Step 1: Configure server settings
- [ ] Step 2: Test with limited traffic
- [ ] Step 3: Enable monitoring
- [ ] Step 4: Deploy to production
- [ ] Step 5: Verify performance metrics

手順 1: サーバーの設定を決める

モデルの規模に合わせて設定を選びます:

# For 7B-13B models on single GPU
vllm serve meta-llama/Meta-Llama-3-8B-Instruct \
  --gpu-memory-utilization 0.9 \
  --max-model-len 8192 \
  --port 8000

# For 30B-70B models with tensor parallelism
vllm serve meta-llama/Meta-Llama-3-70B-Instruct \
  --tensor-parallel-size 4 \
  --gpu-memory-utilization 0.9 \
  --quantization awq \
  --port 8000

# For production with caching (Prometheus metrics are exposed
# automatically at /metrics on the API port)
vllm serve meta-llama/Meta-Llama-3-8B-Instruct \
  --gpu-memory-utilization 0.9 \
  --enable-prefix-caching \
  --port 8000 \
  --host 0.0.0.0

手順 2: 少ないトラフィックで試す

本番に出す前に負荷試験をします:

# Install load testing tool
pip install locust

# Create test_load.py with sample requests
# Run: locust -f test_load.py --host http://localhost:8000

TTFT（最初のトークンが返るまでの時間）が < 500ms、スループットが 100 req/sec を超えていることを確かめます。

手順 3: 監視を有効にする

vLLM は API のポート（既定では 8000）の /metrics で Prometheus 用の指標を公開します:

curl http://localhost:8000/metrics | grep vllm

見ておきたい主な指標:

vllm:time_to_first_token_seconds - レイテンシ
vllm:num_requests_running - 処理中のリクエスト数
vllm:gpu_cache_usage_perc - KV キャッシュの使用率

手順 4: 本番へ配置する

環境差をなくすため Docker を使います:

# Run vLLM in Docker
docker run --gpus all -p 8000:8000 \
  vllm/vllm-openai:latest \
  --model meta-llama/Meta-Llama-3-8B-Instruct \
  --gpu-memory-utilization 0.9 \
  --enable-prefix-caching

手順 5: 性能の数値を確認する

配置したものが目標を満たしているか確かめます:

TTFT が < 500ms（短いプロンプトの場合）
スループットが目標の req/sec を超えている
GPU 使用率が 80% を超えている
ログに OOM のエラーが出ていない

進め方 2: オフラインのバッチ推論

サーバーを立てずに大きなデータセットを処理する場合の進め方です。

次のチェックリストを写してください:

Batch Processing:
- [ ] Step 1: Prepare input data
- [ ] Step 2: Configure LLM engine
- [ ] Step 3: Run batch inference
- [ ] Step 4: Process results

手順 1: 入力データを用意する

# Load prompts from file
prompts = []
with open("prompts.txt") as f:
    prompts = [line.strip() for line in f]

print(f"Loaded {len(prompts)} prompts")

手順 2: LLM エンジンを設定する

from vllm import LLM, SamplingParams

llm = LLM(
    model="meta-llama/Meta-Llama-3-8B-Instruct",
    tensor_parallel_size=2,  # Use 2 GPUs
    gpu_memory_utilization=0.9,
    max_model_len=4096
)

sampling = SamplingParams(
    temperature=0.7,
    top_p=0.95,
    max_tokens=512,
    stop=["</s>", "\n\n"]
)

手順 3: バッチ推論を走らせる

vLLM は効率よく処理するため、リクエストを自動でまとめます:

# Process all prompts in one call
outputs = llm.generate(prompts, sampling)

# vLLM handles batching internally
# No need to manually chunk prompts

手順 4: 結果を処理する

# Extract generated text
results = []
for output in outputs:
    prompt = output.prompt
    generated = output.outputs[0].text
    results.append({
        "prompt": prompt,
        "generated": generated,
        "tokens": len(output.outputs[0].token_ids)
    })

# Save to file

with open("results.jsonl", "w") as f:
    for result in results:
        f.write(json.dumps(result) + "\n")

print(f"Processed {len(results)} prompts")

進め方 3: 量子化したモデルの配信

限られた GPU メモリに大きなモデルを収めます。

Quantization Setup:
- [ ] Step 1: Choose quantization method
- [ ] Step 2: Find or create quantized model
- [ ] Step 3: Launch with quantization flag
- [ ] Step 4: Verify accuracy

手順 1: 量子化の方式を選ぶ

AWQ: 70B 級のモデルに向いていて、精度の低下がわずかです
GPTQ: 対応モデルが広く、圧縮率も良好です
FP8: H100 の GPU でいちばん速く動きます

手順 2: 量子化済みモデルを探すか、自分で作る

HuggingFace にある量子化済みのモデルを使います:

# Search for AWQ models
# Example: TheBloke/Llama-2-70B-AWQ

手順 3: 量子化のフラグを付けて起動する

# Using pre-quantized model
vllm serve TheBloke/Llama-2-70B-AWQ \
  --quantization awq \
  --tensor-parallel-size 1 \
  --gpu-memory-utilization 0.95

# Results: 70B model in ~40GB VRAM

手順 4: 精度を確かめる

出力が期待どおりの品質かを試します:

# Compare quantized vs non-quantized responses
# Verify task-specific performance unchanged

他の選択肢との使い分け

vLLM が向いている場面:

本番用の LLM API を立てる（100 req/sec 以上）
OpenAI 互換のエンドポイントを提供する
GPU メモリは限られているが、大きなモデルを使いたい
複数の利用者が同時に使うアプリ（チャットボット、アシスタント）
低レイテンシと高スループットを両立させたい

別のものを使ったほうがよい場面:

llama.cpp: CPU や端末側での推論、利用者が一人の場合
HuggingFace transformers: 研究、試作、一度きりの生成
TensorRT-LLM: NVIDIA 限定で、性能を極限まで引き出したい場合
Text-Generation-Inference: すでに HuggingFace のエコシステムを使っている場合

よくあるつまずき

症状: モデルの読み込み中にメモリが足りなくなる

メモリの使用量を下げます:

vllm serve MODEL \
  --gpu-memory-utilization 0.7 \
  --max-model-len 4096

または量子化を使います:

vllm serve MODEL --quantization awq

症状: 最初のトークンが遅い（TTFT が 1 秒超）

同じプロンプトが繰り返されるなら prefix キャッシュを有効にします:

vllm serve MODEL --enable-prefix-caching

長いプロンプトを扱うなら、prefill の分割を有効にします:

vllm serve MODEL --enable-chunked-prefill

症状: モデルが見つからないというエラーが出る

独自のモデルでは --trust-remote-code を付けます:

vllm serve MODEL --trust-remote-code

症状: スループットが伸びない（<50 req/sec）

同時に扱うシーケンス数を増やします:

vllm serve MODEL --max-num-seqs 512

nvidia-smi で GPU の使用率を確認します。80% を超えているのが望ましい状態です。

症状: 推論が思ったより遅い

テンソル並列で使う GPU の数が 2 のべき乗になっているか確かめます:

vllm serve MODEL --tensor-parallel-size 4  # Not 3

生成を速くするなら投機的デコードを有効にします（設定は JSON で渡します。--speculative-model は廃止され、--speculative-config に置き換わりました）:

vllm serve MODEL \
  --speculative-config '{"model": "DRAFT_MODEL", "num_speculative_tokens": 5, "method": "draft_model"}'

さらに踏み込む

サーバー配置のパターン: Docker、Kubernetes、負荷分散の設定は references/server-deployment.md を見てください。

性能の最適化: PagedAttention の調整、継続的バッチ処理の詳細、ベンチマーク結果は references/optimization.md を見てください。

量子化の手引き: AWQ/GPTQ/FP8 の設定、モデルの準備、精度の比較は references/quantization.md を見てください。

困ったとき: エラーメッセージの詳細、切り分けの手順、性能の診断は references/troubleshooting.md を見てください。

必要なハードウェア

小さめのモデル (7B-13B): A10 (24GB) 1 枚、または A100 (40GB) 1 枚
中くらいのモデル (30B-40B): A100 (40GB) 2 枚をテンソル並列で
大きなモデル (70B 以上): A100 (40GB) 4 枚、または A100 (80GB) 2 枚。AWQ/GPTQ を使います

対応プラットフォーム: NVIDIA（主軸）、AMD ROCm、Intel GPU、TPU