Optimizasyon öncesi ve sonrası benchmark sonuçlarının karşılaştırması:
Benchmark senaryosu
temel yapılandırma (optimizasyonsuz vLLM)
Optimize edilmiş
ShareGPT profili
Toplam TPS: 11527.14 Ortalama TPOT(ms): 15.12
Toplam TPS: 11768.22 (+2.09%) Ortalama TPOT(ms): 15.85
İşlem hacmi profili
Toplam TPS: 29822.16 Ortalama TPOT(ms): 34.63
Toplam TPS: 34470.14 (+15.59%) Ortalama TPOT(ms): 36.97
Uzun bağlam profili
Toplam TPS: 32416.84 Ortalama TPOT(ms): 10.21
Toplam TPS: 32658.73 (+0.75%) Ortalama TPOT(ms): 9.97
Yoğun üretim profili
Toplam TPS: 2973.42 Ortalama TPOT(ms): 0.33
Toplam TPS: 3025.11 (+1.74%) Ortalama TPOT(ms): 0.12
Not
Benchmark testlerimiz olası tüm optimizasyon birleşimlerini kapsamaz. Örneğin, varsayılan yapılandırmasında en iyi performansı gösteren çıkarım motorunu sonraki ayarlamalar için başlangıç noktası olarak seçeriz. Bu eleme yaklaşımı yerel bir optimum verir; bu, genel optimum olmayabilir.
En büyük toplu iş boyutu, zamanlama yapılandırması, genişletilmiş KV önbelleği, CUDA graph gibi belirli kullanım senaryolarına bağlı başka optimizasyonlar da vardır. Bu belgedeki sonuçlar, daha hedefli optimizasyonlar için başlangıç noktası olabilir.
Testler belirli donanım ve yazılım yapılandırmalarında yürütülmüştür. Çıkarım motorlarındaki gelişmeler sonuçları değiştirebilir.
Nicemleme doğruluğu etkileyebilir; ancak FP8 nicemleme çoğu modelde %1'den az doğruluk kaybı sağlayabilir. Ayrıntılar için değerlendirme sonuçlarına bakın. Bu nedenle düşük gecikmeli sunum senaryolarında FP8 nicemleme önemle önerilir.
Spekülatif kod çözme, düşük eş zamanlılıktaki isteklerin gecikmesini önemli ölçüde azaltabilir. Ancak hızlanma, benchmark veri dağılımına ve taslak model seçimine bağlıdır. Örneğin burada seçilen taslak model İngilizce verilerle eğitilmiştir; diğer dillerde en iyi performansı vermeyebilir.
Eksik noktalar veya yeni değişiklikleri yansıtacak güncellemeler varsa bize bildirin.
Deney kurulumu
Model
Qwen/Qwen3.5-9B
Donanım
NVIDIA H100 80GB HBM3
Motor sürümü
vLLM v0.17.1
SGLang v0.5.9
Benchmark yöntemi
Bu projede model sunum iş yükleri için GPUStack'in tek tıklamalı benchmark özelliği kullanılır. Bu belgedeki benchmark testleri bu akışla yürütülmüştür.
GPUStack'in benchmark uygulaması guidellm üzerine, sarmalayıcı benchmark-runner projesi aracılığıyla kurulmuştur.
Aşağıda listelenen benchmark yapılandırmalarında model dağıtımı, benchmark işinin gönderilmesi ve sonuçların toplanması GPUStack tarafından yapılır.
============ Serving Benchmark Result ============
Successful requests: 1000
Maximum request concurrency: 512
Benchmark duration (s): 96.01
Total input tokens: 342058
Total generated tokens: 281412
Request throughput (req/s): 10.42
Output token throughput (tok/s): 2933.60
Peak output token throughput (tok/s): 92831.68
Peak concurrent requests: 512.00
Total Token throughput (tok/s): 6499.41
----------------------Latency---------------------
Mean Latency(s): 39.08
Median Latency(s): 41.18
P99 Latency(s): 74.40
---------------Time to First Token----------------
Mean TTFT (ms): 26217.15
Median TTFT (ms): 34401.34
P95 TTFT (ms): N/A
P99 TTFT (ms): 41101.27
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms): 138.86
Median TPOT (ms): 112.19
P95 TPOT (ms): N/A
P99 TPOT (ms): 591.70
---------------Inter-token Latency----------------
Mean ITL (ms): 45.86
Median ITL (ms): 49.31
P95 ITL (ms): N/A
P99 ITL (ms): 59.71
==================================================
Özet: vLLM Toplam TPS = 11527.14, SGLang Toplam TPS = 6499.41. vLLM, 5027.72 tok/s daha hızlıdır (77.36%); Ortalama TPOT = 15.12 ms ile 138.86 ms, azalma: 123.74 ms (89.11%).
============ Serving Benchmark Result ============
Successful requests: 1000
Maximum request concurrency: 512
Benchmark duration (s): 55.28
Total input tokens: 342058
Total generated tokens: 281412
Request throughput (req/s): 18.09
Output token throughput (tok/s): 5140.19
Peak output token throughput (tok/s): 23553347.13
Peak concurrent requests: 512.00
Total Token throughput (tok/s): 11388.13
----------------------Latency---------------------
Mean Latency(s): 24.34
Median Latency(s): 22.16
P95 Latency(s): 48.86
P99 Latency(s): 51.63
---------------Time to First Token----------------
Mean TTFT (ms): 1853.85
Median TTFT (ms): 1166.25
P95 TTFT (ms): 5543.84
P99 TTFT (ms): 6126.03
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms): 16.91
Median TPOT (ms): 4.35
P95 TPOT (ms): 100.86
P99 TPOT (ms): 129.26
---------------Inter-token Latency----------------
Mean ITL (ms): 10.36
Median ITL (ms): 0.00
P95 ITL (ms): 94.30
P99 ITL (ms): 118.29
==================================================
Özet: Seqs 1024 Toplam TPS = 11532.64, Seqs 2048 Toplam TPS = 11388.13. Seqs 1024, 144.51 tok/s daha hızlıdır (1.27%); Ortalama TPOT = 16.87 ms ile 16.91 ms, azalma: 0.04 ms (0.25%).
============ Serving Benchmark Result ============
Successful requests: 1000
Maximum request concurrency: 512
Benchmark duration (s): 54.20
Total input tokens: 342058
Total generated tokens: 281412
Request throughput (req/s): 18.45
Output token throughput (tok/s): 5268.65
Peak output token throughput (tok/s): 29985425.61
Peak concurrent requests: 512.00
Total Token throughput (tok/s): 11672.72
----------------------Latency---------------------
Mean Latency(s): 23.72
Median Latency(s): 21.21
P99 Latency(s): 50.44
---------------Time to First Token----------------
Mean TTFT (ms): 1970.35
Median TTFT (ms): 1344.71
P95 TTFT (ms): N/A
P99 TTFT (ms): 5206.15
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms): 16.53
Median TPOT (ms): 5.04
P95 TPOT (ms): N/A
P99 TPOT (ms): 125.98
---------------Inter-token Latency----------------
Mean ITL (ms): 9.56
Median ITL (ms): 0.00
P95 ITL (ms): N/A
P99 ITL (ms): 111.59
==================================================
Özet: 32k Toplam TPS = 11672.72, 24k Toplam TPS = 11512.90. 32k, 159.82 tok/s daha hızlıdır (1.39%); Ortalama TPOT = 16.53 ms ile 15.83 ms, artış: 0.70 ms (4.43% daha yavaş).
============ Serving Benchmark Result ============
Successful requests: 1000
Maximum request concurrency: 512
Benchmark duration (s): 53.72
Total input tokens: 342058
Total generated tokens: 281412
Request throughput (req/s): 18.62
Output token throughput (tok/s): 5311.75
Peak output token throughput (tok/s): 23159852.52
Peak concurrent requests: 512.00
Total Token throughput (tok/s): 11768.22
----------------------Latency---------------------
Mean Latency(s): 23.50
Median Latency(s): 21.13
P99 Latency(s): 50.04
---------------Time to First Token----------------
Mean TTFT (ms): 1826.53
Median TTFT (ms): 1004.67
P95 TTFT (ms): N/A
P99 TTFT (ms): 5582.79
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms): 15.85
Median TPOT (ms): 4.49
P95 TPOT (ms): N/A
P99 TPOT (ms): 123.40
---------------Inter-token Latency----------------
Mean ITL (ms): 9.39
Median ITL (ms): 0.00
P95 ITL (ms): N/A
P99 ITL (ms): 112.55
==================================================
Özet: Max Num Seqs 512 Toplam TPS = 11768.22, Max Num Seqs 256 Toplam TPS = 11019.18. Max Num Seqs 512, 749.05 tok/s daha hızlıdır (6.80%); Ortalama TPOT = 15.85 ms ile 44.58 ms, azalma: 28.73 ms (64.45%).
============ Serving Benchmark Result ============
Successful requests: 1000
Maximum request concurrency: 512
Benchmark duration (s): 54.07
Total input tokens: 342058
Total generated tokens: 281412
Request throughput (req/s): 18.49
Output token throughput (tok/s): 5248.67
Peak output token throughput (tok/s): 36318641.50
Peak concurrent requests: 512.00
Total Token throughput (tok/s): 11628.47
----------------------Latency---------------------
Mean Latency(s): 23.72
Median Latency(s): 21.75
P95 Latency(s): N/A
P99 Latency(s): 50.48
---------------Time to First Token----------------
Mean TTFT (ms): 1817.87
Median TTFT (ms): 1821.59
P95 TTFT (ms): N/A
P99 TTFT (ms): 5041.22
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms): 15.65
Median TPOT (ms): 4.57
P95 TPOT (ms): N/A
P99 TPOT (ms): 123.59
---------------Inter-token Latency----------------
Mean ITL (ms): 9.23
Median ITL (ms): 0.00
P95 ITL (ms): N/A
P99 ITL (ms): 114.09
==================================================
Özet: Batch Token 48k and Seqs 768 Toplam TPS = 11628.47, Batch Token 32k and Seqs 512 Toplam TPS = 11333.89. Batch Token 48k and Seqs 768, 294.57 tok/s daha hızlıdır (2.60%); Ortalama TPOT = 15.65 ms ile 16.39 ms, azalma: 0.74 ms (4.51%).
Optimizasyon seçeneklerinin özeti
Benchmark senaryoları
Optimize edilmiş
Temel yapılandırma
Çıkarım motoru seçimi
Toplam TPS: 11527.14 (+0.00%) Ortalama TPOT(ms): 15.12
Toplam TPS: 11527.14 Ortalama TPOT(ms): 15.12
Önek önbelleği
Toplam TPS: 11224.70 (-2.62%) Ortalama TPOT(ms): 16.66
Toplam TPS: 11527.14 Ortalama TPOT(ms): 15.12
Spekülatif kod çözme
Toplam TPS: 15059.89 (Başarı oranı: 51.5%, optimizasyon atlandı) Ortalama TPOT(ms): 42.50
Toplam TPS: 11527.14 Ortalama TPOT(ms): 15.12
Performans modu
Toplam TPS: 11496.39 (-0.27%) Ortalama TPOT(ms): 16.41
Toplam TPS: 11527.14 Ortalama TPOT(ms): 15.12
En fazla dizi sayısı
Toplam TPS: 11532.64 (+0.05%) Ortalama TPOT(ms): 16.87
Toplam TPS: 11527.14 Ortalama TPOT(ms): 15.12
En fazla toplu iş token'ı && Performans modu
Toplam TPS: 11672.72 (+1.26%) Ortalama TPOT(ms): 16.53
Toplam TPS: 11527.14 Ortalama TPOT(ms): 15.12
En fazla dizi sayısı && Performans modu
Toplam TPS: 11768.22 (+2.09%) Ortalama TPOT(ms): 15.85
Toplam TPS: 11527.14 Ortalama TPOT(ms): 15.12
En fazla dizi sayısı && En fazla toplu iş token'ı
Toplam TPS: 11333.89 (-1.68%) Ortalama TPOT(ms): 16.39
Toplam TPS: 11527.14 Ortalama TPOT(ms): 15.12
En fazla dizi sayısı && En fazla toplu iş token'ı && Performans modu
Toplam TPS: 11628.47 (+0.88%) Ortalama TPOT(ms): 15.65