AI宝库

AI宝库首页 › AI 资讯 › Show HN: Spinf-serve — 用于批量评分和决定的推论服务器

Show HN: Spinf-serve — 用于批量评分和决定的推论服务器

来源:Hacker News · 发布时间:10-31 · 由 AI宝库每小时自动聚合

文章 URL:https://github.com/spinfinc/spinf-serve 评论 URL:https://news.ycombinator.com/item?id=50306815 要点:10#评论:0

对一个GPU进行批量分类和决定推论。

spinf-serve读取了一段内容一次,并在同道中解答了许多关于它的问题。 每个答案都是你给出的选项的概率,而不是生成的文本。 它运行于一款24GB NVIDIA GPU上并服务于OpenAI相容的API,与主机spinf服务相同的API. 阿帕奇2.0 (英语).

我们为自己的工作建造了这个引擎:每天的市场指数从数百万篇新闻文章中读出,每篇文章都问了几十个狭义,校正的问题。 为聊天而建造的一款服务引擎重新读取每个问题的内容,一次生成一个符号,这使得这项工作缓慢而昂贵。 spinf-serve将每个问题都排出一个读取内容的分支,并将许多内容打入一个前传。 分出分出分出是始发地和最强地。

同样的机制是现在所谓的决定模型:一个模型,它通过一组固定的答案返回概率(是或否,标签,级别)而不是一段落。 任何开放的指令模型都以这种方式在spinf-serve中工作,专用的决策模型按原样运行。 主机spinf API是从这个引擎中发展出来的;我们正在出版它,因为人们要求用自己的硬件运行它。

这不是聊天服务器。 除非您要求,否则任何事物都无法产生,它是为了吞吐量而建造的,而不是为了单一请求的暂时性而建造的。

Linux,NVIDIA GPU配有24个GB和fp8的拉力核心(Ada,Hopper或Blackwell:RTX 4090 / 5090,L4,L40S,RTX 6000 Ada,H100),是支持CUDA 13,Python 3.12的驱动程序。 安佩尔牌以倒数8克重来跑取(配置).

pip 安装 “ spinf- serve [server] ”

spinf-serve service sinf/gemma-4-12b-fp8# 首发时下载检查点;服务于港口 8000

或图像,安装了 NVIDIA 集装箱工具包(容量保存模型并编译缓存);

图像名称后面的参数是spinf-serve serve serve:

docker 运行 -- gpus 全部 -p 8000: 8000 -v spinf-cache:/root/.cache ghcr.io/spinfinc/spinf-serve

便问。 两种分类和一种取自单一读取的内容:

校对:Soup

-H"Content-Type:应用程序/json"\?

-d '{

"模型":"平克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克克

"灵枢": [

{"作用":"用户".

"内容":"客户支持信息:\n I被收取了两次9月的费用,请退还其中一项费用" }

],

"评分":{

"泻":[

{"id":"论".

"通":"\ntopic (billing, technical, account, limiting,或取消):{?}"

"选项": ["计费","技术","账户","航运","注销"]}

{"id":"还".

"通":"客所求还?曰:?曰:?

"可选": ["是","否"]

{"id":"月"作"月".

"通鉴":"\:取出一月取取出二分?曰:"取出一月取出一分,取出一分。

]

}

}'

对于每个得分问题,答案给出了每个选项的概率,对于空内容(从12B模型得到的实际数字)的概率相同:

{"id":"退款","合并":[{"价值":}"可选":

{"文本":"是","日志":-0.90,"p":0.72,"地板 p":0.60}

{"文字":"否","日志":-1.86,"p":0.28,"地板":0.40}]

"余":"0.44}}] }.

p 是您选项中的概率。 地板 p是同一个问题,没有内容,所以p-地板 p是什么

添加的内容(这里的题目是“计费”从0.47移到0.91)。 剩余是用到文字上的概率

在你的选择之外。 对于月份,答复列出了最可能的答案及其概率("九月"第一).

同一机身有 API 键,运行于 api.spinf.com; OpenAI SDKs 工作通过 /v1/chat/ 完成

附加体中的分数块(快速启动)。

- 一个读,许多问题。 内容读取一次;每个问题都是同一个通行证的分支,只花费自己的代币。 占位符将一个模板变成一个问题网格。

- 得分数,你可以门槛。 每个选项的概率及其下限和日志概率;决定是您在自己的数据(校正)上选择的阈值。

- 从同一案文中提取的数值为:正文、{n}数字和{$}按其概率解码的数额

或生成到槽中的免费文本。

- 同样的分数无论其他的在批。 有了fp8检查站,一个内容的分数是比特-同

独自一人或与数以千计的其他人打包,跨越电话、天数和服务器。 二时的系统指印称

答复不具有可比性。

- 内容中的图像,音频和视频帧,用于读取它们的模型。

- 快速包。 一项工作(内容节制、分类、产品上市、评论、品牌、娱乐)的准备、校正问题集,预先装入并在请求中取名(以下)。

- 主办或自主办。 客户端在此服务器和 api. spinf.com 之间切换,方法是更改基址和

钥匙互通客户谈话;

agent技巧教给一个编码agent的API,这个服务器和包格式。

在一款RTX 4090上用Gemma 4 12B在fp8中测量:24个维基新闻文章,约470个令牌,56个双选题

每一个,总共1,344个问题(固定装置/设置的公共工作),通过HTTP发送到spinf-serve和vLLM 0.26

前缀缓存。 剧本和完整结果以基准测试/为单位。

vLLM 已经通过前缀缓存重用每篇文章的56个问题。 它不能做的是用一个前传来回答他们:它运行着1,344个单托请求,而spinf-serve将56个问题作为一个读取的分支来放出,并将24篇文章打入两个16k-tok的口。 差距随着每个内容的提问次数而增加。

实际上,每4090个12B型:自旋/调试包(每条电文106个问题,22个类别)

每小时得分约2万条;一篇新闻文章问了74个问题,每秒读取近700个问题。

提取槽增加了解码工作(搜索槽的费用高达200至600个记分符,生成)

大约两千),但分享阅读。

一个工作很少是一个问题:内容温和度是106个,每个都与正常流量相适应,并结合

进入类分和决定。 一个即时包就是一个持有问题的文件,内容是如何呈现的

对模型,答案是如何变成分数的以及分数是如何变成决定的。 服务器预装包和

请求名称 1 ("packs": [{"id": "spinf/ modelation" }]),获取包的类别和下个决定

从同一字读作

官方的包以回旋为快取,默认加载。 服务器

从任何 GitHub 寄存器或本地文件夹中装入包,并带有 -- packs; PACKS. md 列表

包我们知道,我们的和别人的,一个问题

新增你的,我给你的。 格式,请求字段和来源:docs/即时包.md.

每个都是一个检查站,我们量化和校准,发布在Hugging Face枢纽上

其配方(数量化/);引擎支撑着它经过对等测试的修订。 任何其他中央检查站

一个被支持的建筑家族按其路径运行,在负载时间被量化。

docs/:快速起动,实例,评分API,配置,写出问题,校正,即时包,FAQ;指向(决定模型,你能够采取行动的概率,几发分级,情绪,勘测编码,节制,意向路由);以及关于引擎如何工作的工程文件(architecture,批量变化,精度,Qwen堆,提取).

第0.1版 (中文(简体) ). 发动机(得分,取出,生成,介质,批量变异,两个模型堆栈)是完整的,对所记录的参考文献进行等同测试;服务器会讲主机服务的公共API;四个检查站是公开的。 文件/README.md中列出了仍然缺失的内容。

问题、想法和错误都涉及这个寄存器的问题。 没有论坛或聊天,没有什么太小。

spinf serve/ 持有引擎(protocol,编译器,打包器,计分器,提取器,服务),服务型号'.

列表,包模块(纯Python,客户端和主机API也使用),每个架构一个模型堆栈

型号/ 中的家族,型号/ 中的量化方案,服务器/ 中的 HTTP 服务器和 spinf- serve 命令。

量化/ 每个公布的检查点有一个文件夹(检索、校正输出、型号卡)、固定/公众

等同固定和参考,基准测试/吞吐量比较。 代码地图是

医生/教师

uv 同步 -- 外部服务器

uv 运行 pytest # CPU 测试(官方包的黄金固定装置需要。/spinf-prompts 或 SPINF PROMPTS DIR)

uv 运行 ruff 检查。 uv 运行 ruff 格式 - 检查。

CUDA VISIBLE DEVICES=0 uv 运行自旋-serve 等同 -- -- 固定装置/wikinews 20261024.json.gz \

--参考定着/wikinews 20261024. spinf-gemma-4-12b-fp8.json.gz --passes 2

触及一个内核,一个编译边界或以GPU等分的量化计划船运行的每个变化:每个已公布的检查点(fixtures/)记录的参考文献上的位同日志概率。 依赖性是完全固定的;它们只随着对等运行而改变。 见捐款.md。

Apache 2.0 (英语:LICENSE, Notice). 我们运行和重新量化的模型,我们开发的项目,我们的技术

数据记入ACKNOWLEDGEMENS.md。

本文由 AI宝库自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(github.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI宝库首页 · 提交工具 · 商务合作 · 关于本站 · 599 款 AI 工具分类导航 · 每日 AI 热门项目与动态