简介

DashInfer采用C++ Runtime编写，提供C++和Python语言接口。DashInfer具有生产级别的高性能表现，适用于多种CPU架构，包括x86和ARMv9。DashInfer支持连续批处理（Continuous Batching）和多NUMA推理（NUMA-Aware），能够充分利用服务器级CPU的算力，为推理14B及以下的LLM模型提供更多的硬件选择。

DashInfer的主要特征

• 轻量级架构：仅需要最小程度的第三方依赖，并采用静态链接的方式引用依赖库。提供C++和Python接口，让DashInfer可以轻松集成到您的系统和其他编程语言中。
• 提供高精度实现：DashInfer经过严格的精度测试，能够提供与PyTorch、GPU引擎（vLLM）一致的推理精度。
• 行业标准LLM推理技术：采用行业标准的LLM推理技术，例如：
  • 连续批处理（Continuous Batching），能够进行即时插入新请求，支持流式输出；
  • 基于请求的异步接口允许对每个请求的生成参数、请求状态等进行单独控制。
• 支持主流LLM开源模型：支持主流的开源LLM模型，包括Qwen、LLaMA、ChatGLM等，支持Huggingface格式的模型读取。
• PTQ量化：使用DashInfer的InstantQuant（IQ），无需训练微调即可实现weight-only量化加速，提高部署效率。经过精度测试，IQ对模型精度不会产生影响。目前版本支持ARM CPU上的weight-only 8-bit量化。
• 优化的计算Kernel：结合OneDNN和自研汇编kernel，DashInfer能够在ARM和x86上发挥硬件的最大性能。
• NUMA-Aware：支持多NUMA的tensor并行推理，充分发挥服务器级CPU的算力。通过numactl和多进程架构，精准控制计算线程的NUMA亲和性，充分利用多节点CPU的性能，并且避免跨NUMA访存带来性能下降问题。关于多NUMA的性能指导可以参考：Optimizing Applications for NUMA - Intel, What is NUMA?。
• 上下文长度（Context Length）：目前版本支持32k的Context Length，未来还会继续支持更长Context Length。
• 提供多语言API接口：提供C++和Python接口，能够直接使用C++接口对接到Java、Rust等其他编程语言。
• 操作系统支持：支持Centos7、Ubuntu22.04等主流Linux服务器操作系统，并提供对应的Docker镜像。

DashInfer Demo

DashInfer Demo on ModelScope

Demo信息：

• 模型: Qwen1.5-7B-Chat
• 推理引擎: DashInfer
• 硬件: x86, Emerald Rapids, 96 vCPU @ 3.2GHz, 16GBx24 DDR
• 阿里云实例: ecs.g8i.24xlarge

文档

• 安装
• C++示例
• Python示例
• 性能测试
• 使用魔搭notebook部署

硬件支持和数据类型

硬件支持

• x86 CPU：要求硬件至少需要支持AVX2指令集。对于第五代至强（Xeon）处理器（Emerald Rapids）、第四代至强（Xeon）处理器（Sapphire Rapids）等（对应于阿里云第8代ECS实例，如g8i），采用AMX矩阵指令加速计算。
• ARMv9 CPU：要求硬件支持SVE指令集。支持如倚天（Yitian）710等ARMv9架构处理器（对应于阿里云第8代ECS实例，如g8y），采用SVE向量指令加速计算。

数据类型

• x86 CPU：支持FP32、BF16。
• ARM Yitian710 CPU：FP32、BF16、InstantQuant。

InstantQuant

InstantQuant是一种weight-only量化技术。

在Yitian710 CPU（ARMv9）上，DashInfer支持weight-only量化。

要进行weight-only量化，需要修改模型配置文件的do_dynamic_quantize_convert和quantization_config字段，参数的详细说明参考文档。

weight-only量化，会在GroupSize的范围内求取weight的最大、最小值，并将weight数值映射到uint8的值域范围，计算公式如下：

$scale = \frac {x_{fp32_{max}} - x_{fp32_{min}}} {255 - 0}$$zeropoint = 0 - \frac {x_{fp32_{min}}} {scale}$$x_{u8} = x_{fp32} / scale + zeropoint$

推理过程中，量化的weight会被恢复成bfloat16进行矩阵乘法计算。

模型支持

Architecture	Models	DashInfer model_type	HuggingFace Models	ModelScope Models	DashInfer Models
QWenLMHeadModel	Qwen	Qwen_v10	Qwen/Qwen-1_8B-Chat, Qwen/Qwen-7B-Chat, Qwen/Qwen-14B-Chat, etc.	qwen/Qwen-1_8B-Chat, qwen/Qwen-7B-Chat, qwen/Qwen-14B-Chat, etc.	/
Qwen2ForCausalLM	Qwen1.5	Qwen_v15	Qwen/Qwen1.5-0.5B-Chat, Qwen/Qwen1.5-1.8B-Chat, Qwen/Qwen1.5-4B-Chat, Qwen/Qwen1.5-7B-Chat, Qwen/Qwen1.5-14B-Chat, etc.	qwen/Qwen1.5-0.5B-Chat, qwen/Qwen1.5-1.8B-Chat, qwen/Qwen1.5-4B-Chat, qwen/Qwen1.5-7B-Chat, qwen/Qwen1.5-14B-Chat, etc.	/
ChatGLMModel	ChatGLM	ChatGLM_v2	THUDM/chatglm2-6b, THUDM/chatglm2-6b-32k	ZhipuAI/chatglm2-6b, ZhipuAI/chatglm2-6b-32k	/
ChatGLMModel	ChatGLM	ChatGLM_v3	THUDM/chatglm3-6b, THUDM/chatglm3-6b-32k	ZhipuAI/chatglm3-6b, ZhipuAI/chatglm3-6b-32k	/
ChatGLMModel	ChatGLM	ChatGLM_v4	THUDM/glm-4-9b-chat	ZhipuAI/glm-4-9b-chat	dash-infer/glm-4-9b-chat-DI
LlamaForCausalLM	LLaMA-2	LLaMA_v2	meta-llama/Llama-2-7b-chat-hf, meta-llama/Llama-2-13b-chat-hf	modelscope/Llama-2-7b-chat-ms, modelscope/Llama-2-13b-chat-ms	/

软件框架

推理流程

1. 模型加载与序列化：此过程负责读取模型权重、配置模型转换参数及量化参数，并根据这些信息对模型进行序列化，并生成DashInfer格式（.dimodel、.ditensors）的模型。此功能仅提供Python接口，并依赖于PyTorch和transformers库来访问权重。不同模型对PyTorch和transformers的版本要求可能有所不同，DashInfer本身并没有特殊的版本要求。

2. 模型推理：此步骤负责执行模型推理，使用DashInfer推理序列化后的模型，不依赖PyTorch等组件。DashInfer采用DLPack格式的tensor来实现与外部框架（如PyTorch）的交互。DLPack格式的tensor，可以通过手动创建或由深度学习框架的tensor转换函数产生。对于C++接口，由于已经将几乎所有依赖静态编译，仅对openmp运行时库以及C++系统库的有依赖。我们进行了链接符号处理，以确保只有DashInfer的API接口符号可见，避免与客户系统中已有的公共库（如protobuf等）发生版本冲突。

说明：

• .dimodel、.ditensors是由DashInfer内核定义的一种特殊的模型格式。
• 使用Python接口时，可以将步骤1和2的代码放在一起。由于缺少C++层面加载Huggingface模型的功能，C++接口只能进行DashInfer格式的模型推理，因此在使用C++接口前，必须先用Python接口先对模型进行序列化。

单NUMA架构图

在模型推理阶段，可以通过StartRequest传入请求输入token和生成参数发起推理请求，当请求成功后，DashInfer engine会返回一个输出队列ResultQueue和控制句柄RequestHandle。

• ResultQueue用来获取输出token以及生成的状态，推理引擎会异步地把生成的token放到该队列中，可以阻塞（ResultQueue.Get()）或非阻塞（ResultQueue.GetNoWait()）地获取队列中的token。

• RequestHandle是用来管理请求的句柄，DashInfer engine根据传入的RequestHandle实现对指定request的同步（Sync）、停止（Stop）和释放（Release）操作。其中SyncRequest操作，会在生成结束（生成的token数达到上限，或产生结束符）后返回，用来模拟同步接口的行为。

在单NUMA的模式下，DashInfer Runtime采用多线程和线程池的结构做调度。

多NUMA架构图

由于部分Linux内核无法在线程级别控制CPU亲和性，在多NUMA的CPU上采用单进程推理可能会出现跨NUMA访问内存访问，从而导致性能下降。为了能够精确地控制程序的CPU亲和性，DashInfer的多NUMA方案采用了多进程的client-server架构，实现tensor parallel的模型推理。在每个NUMA节点上，都有一个独立的进程运行DashInfer server，每个server负责一部分的tensor parallel推理，进程间使用OpenMPI进行协同（例如allreduce操作）。DashInfer client通过gRPC与server交互，提供唯一的对外接口，避免在调用DashInfer接口时，需要对多进程进行管理。

在API使用上，多NUMA和单NUMA的推理需要引用不同的头文件、.so库（或调用不同的python接口）。除了引用阶段外，其余接口一致，无需修改代码。具体可以参考examples中的示例。

• 单NUMA
  • 头文件：allspark/allspark.h
  • .so库：liballspark_framework.so
  • python接口：allspark.Engine()
• 多NUMA
  • 头文件：allspark/allspark_client.h
  • .so库：liballspark_client.so
  • python接口：allspark.ClientEngine()

注意：C++的liballspark_framework.so（单NUMA推理时调用）和liballspark_client.so（多NUMA推理时调用）是互斥的，不能同时链接两个库。

性能测试

详细的性能测试结果请参考文档。

该性能测试结果可用<path_to_dashinfer>/examples/python/1_performance中的脚本复现。

精度测试

测试模型：Qwen/Qwen-7B-Chat

Engine	DataType	MMLU	C-Eval	GSM8K	HumanEval
transformers	BF16	55.8	59.7	50.3	37.2
DashInfer	A16W8	55.78	61.10	51.25	37.19

• A16W8：指weight采用8-bit量化，在推理过程中恢复为bfloat16进行矩阵乘法计算；
• 该精度评测结果，可用<path_to_dashinfer>/examples/python/2_evaluation中的脚本复现。

示例代码

在<path_to_dashinfer>/examples下提供了C++、python接口的调用示例，请参考<path_to_dashinfer>/documents/CN目录下的文档运行示例。

• 基础Python示例
• 所有Python示例文档
• C++示例文档

依赖库

本小节列出了DashInfer不同阶段的第三方依赖。

注：这些依赖包通过conan管理，在编译DashInfer时自动下载。

代码编译阶段

• conan (1.60.0): For managing C++ third-party dependencies.
• cmake (3.18+): Build system.

模型转换阶段

• PyTorch (CPU): For reading model files, no special version requirements.
• transformers: For loading model parameters and tokenizer.

模型推理阶段

• protobuf(3.18): For parsing model files.
• pybind11(2.8): For binding python interfaces.
• onednn, mkl: BLAS libraries, for accelerating GEMM calculations.
• openmp: A standard parallel programming library.
• openmpi: For implementing multi-NUMA service architecture.
• grpc: For implementing multi-NUMA service architecture.

未来规划

• 首包加速：加入CPU实现的Flash-Attention等Attention加速技术；
• Context Length：扩展到32k以上；
• 低bit量化支持：支持4-bit量化；
• QAT量化支持：支持GPTQ算法量化微调过的模型；
• MoE：支持MoE模型和架构。

License

DashInfer源代码采用Apache 2.0协议授权，您可在该仓库根目录找到协议全文。