本项目依托fastchat的基础能力来提供openai server的能力.
- 在此基础上完美适配了更多的模型，优化了fastchat兼容较差的模型
- 重新适配了vllm对模型适配较差，导致解码内容和hf不对齐的问题。
- 支持了vllm、LMDeploy和hf的加载方式
- 支持所有兼容sentence_transformers的语义向量模型（Embedding和Reranker）
- 支持了Infinity后端，推理速度大于onnx/tensorrt，支持动态组批
- Chat模板无角色限制，使其完美支持了LangGraph Agent框架
- 支持了Function Calling (Tools) 能力（现阶段支持Qwen/ChatGLM，对Qwen支持更好）
- 支持多模态大模型
- 降低了模型适配的难度和项目使用的难度(新模型的适配仅需修改低于5行代码)，从而更容易的部署自己最新的模型。
（仓库初步构建中，构建过程中没有经过完善的回归测试，可能会发生已适配的模型不可用的Bug,欢迎提出改进或者适配模型的建议意见。）
- 支持多种推理后端引擎，vLLM和LMDeploy，LMDeploy后端引擎，每秒处理的请求数是 vLLM 的 1.36 ~ 1.85 倍
- 支持了Infinity后端，推理速度大于onnx/tensorrt，支持动态组批
- 全球唯一完美支持Tools（Function Calling）功能的开源框架。兼容LangChain的 bind_tools、AgentExecutor、with_structured_output写法（目前支持Qwen系列、GLM系列）
- 全球唯一扩展了openai库,实现Reranker模型。(代码样例见gpt_server/tests/test_openai_rerank.py)
- 支持多模态大模型
- 与FastChat相同的分布式架构
8-14 支持了 InternVL2 系列多模态模型
7-28 支持embedding/reranker 的动态组批加速（infinity后端, 比onnx/tensorrt更快）
7-19 支持了多模态模型 glm-4v-gb 的LMDeploy PyTorch后端
6-22 支持了 Qwen系列、ChatGLM系列 function call (tools) 能力
6-12 支持了 qwen-2
6-5 支持了 Yinka、zpoint_large_embedding_zh 嵌入模型
6-5 支持了 glm4-9b系列（hf和vllm）
4-27 支持了 LMDeploy 加速推理后端
4-20 支持了 llama-3
4-13 支持了 deepseek
4-4 支持了 embedding模型 acge_text_embedding
3-9 支持了 reranker 模型 （ bge-reranker，bce-reranker-base_v1）
3-3 支持了 internlm-1.0 ,internlm-2.0
3-2 支持了 qwen-1.5 0.5B, 1.8B, 4B, 7B, 14B, and 72B
2-4 支持了 vllm 实现
1-6 支持了 Yi-34B
12-31 支持了 qwen-7b, qwen-14b
12-30 支持了 all-embedding(理论上支持所有的词嵌入模型)
12-24 支持了 chatglm3-6b
- 支持HF后端
- 支持vLLM后端
- 支持LMDeploy后端
- 支持 function call 功能 (tools)（Qwen系列、ChatGLM系列已经支持,后面有需求再继续扩展）
- 支持多模态模型（初步支持glm-4v,其它模型后续慢慢支持）
- 支持Embedding模型动态组批(实现方式：infinity后端)
- 支持Reranker模型动态组批(实现方式：infinity后端)
- 内置部分 tools (image_gen,code_interpreter,weather等)
- 并行的function call功能（tools）
# 1. 创建conda 环境
conda create -n gpt_server python=3.10
# 2. 激活conda 环境
conda activate gpt_server
# 3. 安装仓库（一定要使用 install.sh 安装,否则无法解决依赖冲突）
sh install.sh修改模型后端方式（vllm,lmdeploy等）
config.yaml中：
work_mode: vllm # vllm hf lmdeploy-turbomind lmdeploy-pytorch修改embedding/reranker后端方式（embedding或embedding_infinity）
config.yaml中：
model_type: embedding # embedding 或 embedding_infinity embedding_infinity后端速度远远大于 embeddingcd gpt_server/script
vim config.yamlserve_args:
host: 0.0.0.0
port: 8082
models:
- chatglm4: #自定义的模型名称
alias: null # 别名 例如 gpt4,gpt3
enable: true # false true
model_name_or_path: /home/dev/model/THUDM/glm-4-9b-chat/
model_type: chatglm # qwen chatglm3 yi internlm
work_mode: vllm # vllm hf lmdeploy-turbomind lmdeploy-pytorch
device: gpu # gpu / cpu
workers:
- gpus:
# - 1
- 0
- qwen: #自定义的模型名称
alias: gpt-4,gpt-3.5-turbo,gpt-3.5-turbo-16k # 别名 例如 gpt4,gpt3
enable: true # false true
model_name_or_path: /home/dev/model/qwen/Qwen1___5-14B-Chat/
model_type: qwen # qwen chatglm3 yi internlm
work_mode: vllm # vllm hf lmdeploy-turbomind lmdeploy-pytorch
device: gpu # gpu / cpu
workers:
- gpus:
- 1
# - gpus:
# - 3
# Embedding 模型
- bge-base-zh:
alias: null # 别名
enable: true # false true
model_name_or_path: /home/dev/model/Xorbits/bge-base-zh-v1___5/
model_type: embedding # embedding_infinity
work_mode: hf
device: gpu # gpu / cpu
workers:
- gpus:
- 2
# reranker 模型
- bge-reranker-base:
alias: null # 别名
enable: true # false true
model_name_or_path: /home/dev/model/Xorbits/bge-reranker-base/
model_type: embedding # embedding_infinity
work_mode: hf
device: gpu # gpu / cpu
workers:
- gpus:
- 2cd gpt_server/script
sh start.sh推理速度： LMDeploy TurboMind > vllm > LMDeploy PyTorch > HF
| Models / BackEnd | HF | vllm | LMDeploy TurboMind | LMDeploy PyTorch |
|---|---|---|---|---|
| chatglm4-9b | √ | √ | √ | √ |
| chatglm3-6b | √ | √ | × | √ |
| Qwen (7B, 14B, etc.)) | √ | √ | √ | √ |
| Qwen-1.5 (0.5B--72B) | √ | √ | √ | √ |
| Qwen-2 | √ | √ | √ | √ |
| Yi-34B | √ | √ | √ | √ |
| Internlm-1.0 | √ | √ | √ | √ |
| Internlm-2.0 | √ | √ | √ | √ |
| Deepseek | √ | √ | √ | √ |
| Llama-3 | √ | √ | √ | √ |
VLM (视觉大模型榜单 https://rank.opencompass.org.cn/leaderboard-multimodal)
| Models / BackEnd | HF | vllm | LMDeploy TurboMind | LMDeploy PyTorch |
|---|---|---|---|---|
| glm-4v-9b | × | × | × | √ |
| InternVL2 | × | × | √ | √ |
原则上支持所有的Embedding/Rerank 模型
推理速度： Infinity >> HF
以下模型经过测试：
| Embedding/Rerank | HF | Infinity |
|---|---|---|
| bge-reranker | √ | √ |
| bce-reranker | √ | √ |
| bge-embedding | √ | √ |
| bce-embedding | √ | √ |
| piccolo-base-zh-embedding | √ | √ |
| acge_text_embedding | √ | √ |
| Yinka | √ | √ |
| zpoint_large_embedding_zh | √ | √ |
| xiaobu-embedding | √ | √ |
目前 xiaobu-embedding C-MTEB榜单排行第一(MTEB: https://huggingface.co/spaces/mteb/leaderboard)
见 gpt_server/tests 目录 样例测试代码: https://github.com/shell-nlp/gpt_server/tree/main/tests
cd gpt_server/tests
python web_demo.pyWebUI界面:
docker build --rm -f "Dockerfile" -t gpt_server:latest "." docker-compose -f "docker-compose.yml" up -d --build gpt_serverFastChat : https://github.com/lm-sys/FastChat
vLLM : https://github.com/vllm-project/vllm
LMDeploy ： https://github.com/InternLM/lmdeploy
infinity ： https://github.com/michaelfeil/infinity
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent