开源模型应用落地-Qwen2.5-7B-Instruct与vllm实现离线推理-降本增效（一）

一、前言

    离线推理能够在模型训练完成后，特别是在处理大规模数据时，利用预先准备好的输入数据进行批量推理，从而显著提高计算效率和响应速度。通过离线推理，可以在不依赖实时计算的情况下，快速生成预测结果，从而优化决策流程和提升用户体验。此外，离线推理还可以降低云计算成本，允许在资源使用高效的时间段进行计算，进一步提高经济效益。

    在本篇中，将学习如何将Qwen2.5-7B-Instruct模型与vLLM框架进行有效整合，通过离线推理为实际项目带来更大的价值。

二、术语

2.1. vLLM

    vLLM是一个开源的大模型推理加速框架，通过PagedAttention高效地管理attention中缓存的张量，实现了比HuggingFace Transformers高14-24倍的吞吐量。

2.2. Qwen2.5

    Qwen2.5系列模型都在最新的大规模数据集上进行了预训练，该数据集包含多达 18T tokens。相较于 Qwen2，Qwen2.5 获得了显著更多的知识（MMLU：85