vLLM vs Text Generation Interface：大型语言模型服务框架的比较

在大型语言模型（LLM）的世界中，有两个强大的框架用于部署和服务LLM：vLLM 和 Text Generation Interface (TGI)。这两个框架都有各自的优势，适用于不同的使用场景。在这篇博客中，我们将对这两个框架进行详细的比较。

vLLM

vLLM 是一个用于 LLM 推理和服务的高吞吐量和内存高效的库。它具有以下特点：

• 具有最先进的服务吞吐量。
• 通过 PagedAttention 高效管理注意力键和值内存。
• 对传入请求进行连续批处理。
• 支持 CUDA/HIP 图形的快速模型执行。
• 量化：GPTQ，AWQ，SqueezeLLM，FP8 KV 缓存。
• 优化的 CUDA 内核。

vLLM 也具有灵活性和易用性：

• 与流行的 Hugging Face 模型无缝集成。
• 使用各种解码算法进行高吞吐量服务，包括并行采样，波束搜索等。
• 支持分布式推理的张量并行性。
• 流式输出。
• 支持 OpenAI 兼容的 API 服务器。
• 支持 NVIDIA GPU 和 AMD GPU（实验性）。
• 支持前缀缓存（实验性）。
• 支持多 lora。

vLLM 无缝支持许多 Hugging Face 模型，包括以下架构：Aquila & Aquila2。

Text Generation Interface (TGI)

Text Generation Interface (TGI) 是一个多功能的选项，支持各种 LLMs，包括量化和微调。它适用于需要为核心模型增加多个 adapter 的场景。

比较

在选择使用哪个框架时，需要根据你的具体需求和应用场景来决定。如果你需要处理大量的 Prompt 输入，并且对推理速度有较高的要求，那么 vLLM 可能是一个更好的选择。如果你需要支持各种 LLMs，并且需要进行量化和微调，那么 TGI 可能更适合你。

在大型语言模型（LLM）的部署和服务框架方面，vLLM 和 Text Generation Interface (TGI) 是两个主流的选择。然而，是否有更好的框架取决于你的具体需求和应用场景。

根据网络上的一些讨论123，以下是一些可能的选择：

CTranslate22：如果你计划在 CPU 上运行推理，CTranslate2 可能是一个好选择

OpenLLM2：如果你打算为核心模型添加适配器并使用 HuggingFace Agents，尤其是不完全依赖 PyTorch，那么 OpenLLM 可能是一个好选择。

Ray Serve2：如果你需要稳定的 Pipeline 和灵活的部署，那么 Ray Serve 可能是一个好选择，它最适合更成熟的项目。

MLC LLM2：如果你打算在客户端（例如，在 Android 或 iPhone 平台上）本地部署 LLM，那么 MLC LLM 可能是一个好选择。

源码：

vllm:

:GitHub - vllm-project/vllm: A high-throughput and memory-efficient inference and serving engine for LLMs

text-generation-webui :

GitHub - oobabooga/text-generation-webui: A Gradio web UI for Large Language Models. Supports transformers, GPTQ, AWQ, EXL2, llama.cpp (GGUF), Llama models.