大语言模型能单卡多用户访问吗

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

• 请不要在回答技术问题时复制粘贴 AI 生成的内容

这是一个创建于 521 天前的主题，其中的信息可能已经有所发展或是发生改变。

如题，单卡部署了 api 服务，能多用户并发提问吗，还是说一张卡只能同时支持一个用户的回答

能单卡

API

并发

用户

17 条回复 • 2023-07-19 12:31:05 +08:00

lingyidxx

2023-07-17 09:01:18 +08:00

跑一下压测就知道了

lyang

2023-07-17 09:04:59 +08:00

@lingyidxx 多线程调用接口吗，但后端应该还是一个个排队回答的吧

paopjian

2023-07-17 09:33:48 +08:00

单卡都是蹦字出,负载都满了,能多用户?

laipidov

2023-07-17 10:31:50 +08:00

消息队列，至于消费者有几个，就看你这张卡的显存了

laipidov

2023-07-17 10:32:09 +08:00

卡显存够是 ok 的

thorneLiu

2023-07-17 11:09:42 +08:00 via Android

就 fastertransformer 而言
权重加载是共享的但用于推理的 modelinstance 可以构建多个
所以是支持多用户推理的

但理论上其实多用户输入进队列拼 batch 用一个 modelinstance 推理会比多 instance 单 batch 推理效果好一点

zooo

2023-07-17 11:10:50 +08:00

打听下 op 部署了什么模型

thorneLiu

2023-07-17 11:12:12 +08:00 via Android

取决于你后面部署的推理服务怎么个策略

wzwwzw

2023-07-17 11:50:46 +08:00

反正每秒吐出来的 token 数量是差不多的，用户量越多就每个人每秒收到的越少，用户量多的情况下，打 batch 效果会稍微好一点。

tanranran

2023-07-17 12:43:03 +08:00

可以多并发，但是你没法商用，你猜为什么大公司都在囤 A100 H100

kenvix

2023-07-17 12:58:20 +08:00

根据我部署模型的经验，并发量完全取决于你的显存大小

cbythe434

2023-07-17 14:55:12 +08:00

加载一份模型，多用户并发高可以缓存收集一个 batch 批量推理
吞吐量 = model 个数 * batch_size
单卡一般就一个 model ，低并发就一条一个 batch

lyang

2023-07-17 17:05:28 +08:00

@thorneLiu chatglm 这个，我看模型就一个 model ，没有多个实例，https://github.com/THUDM/ChatGLM-6B/blob/main/web_demo.py ，https://huggingface.co/THUDM/chatglm-6b/blob/main/modeling_chatglm.py ，但这个 stream_chat 听别人可以同时回答，这个是并发的吗

lyang

2023-07-17 17:07:35 +08:00

@zooo 没有什么特定模型，就是大语言那些

thorneLiu

2023-07-17 18:27:11 +08:00 via Android

@lyang 一个实例只能同时做一个推理因为 LLM 推理有很多跟本次推理相关的过程量

所以要么他服务端这里拼了 batch 要么是在排队

aleimu2

2023-07-17 18:58:16 +08:00

可以的,https://github.com/imClumsyPanda/langchain-ChatGLM/pull/869/files

lyang

2023-07-19 12:31:05 +08:00

@thorneLiu chatglm 的 stream_chat 可以，测过了
@aleimu2 同时提问的问题变多，时间也会变长，但确实可行