Inférence par batch avec Ray Data et vLLM

info

Aperçu

Cette fonctionnalité est en aperçu public.

Cet exemple exécute l'inférence LLM par batch hors ligne avec Ray Data et vLLM sur 8 GPU H100 sur un seul nœud. Un script d'amorçage start un cluster Ray sur le nœud, puis le driver utilise l'API LLM de Ray Data (ray.data.llm) pour lancer un réplica vLLM par GPU et stream un dataset d'invites à travers ceux-ci, en écrivant le texte généré dans un volume Unity Catalog au format Parquet.

Il utilise un modèle public (Qwen2.5-7B-Instruct), de sorte qu’il s’exécute tel quel sans jeton Hugging Face.

La charge de travail réalise les étapes suivantes :

• Importe le projet local avec code_source: snapshot.
• Démarre une tête Ray avec les 8 GPU, puis exécute le driver d'inférence par batch.
• Utilise ray.data.llm pour exécuter un réplica vLLM par GPU et traiter les invites en parallèle.
• Écrit les invites et les sorties générées vers un volume Unity Catalog au format Parquet.

Prérequis

• Le CLI air est installé et authentifié. Voir Installer le CLI AI Runtime.
• Un volume Unity Catalog dans lequel vous pouvez écrire. Vous définissez son chemin dans le fichier YAML de la charge de travail ci-dessous.

Project Layout

Créez un répertoire avec les fichiers suivants.

Text

ray_batch_inference/
├── train.yaml            # air workload config (inline dependencies + Ray bootstrap)
└── batch_inference.py    # Ray Data + vLLM batch inference driver

Étape 1 : Rédiger le YAML de la charge de travail

train.yaml demande un seul nœud GPU_8xH100. Les dépendances sont déclarées en ligne sous environment (avec l'image client version), et le command démarre un cluster Ray sur le nœud, puis exécute le Driver. La charge de travail n'a donc pas besoin d'un fichier de dépendance distinct ni d'un script de lancement.

vLLM n'est pas dans l'image de base, il est donc installé en ligne avec trois pins dont les nœuds GPU ont besoin : hf_transfer (l'image de base permet des downloads rapides depuis Hugging Face et s'attend à ce que ce package soit présent), un fsspec plus récent (l'image de base contient une ancienne version qui interrompt les downloads), et un opencv-python-headless pins (vLLM intègre OpenCV, dont la roue par default fait planter l'autotest FIPS d'OpenSSL sur les nœuds GPU).

Définissez OUTPUT_PATH sur un volume Unity Catalog sur lequel vous pouvez écrire.

YAML

experiment_name: air-ray-batch-inference

environment:
  version: '4'
  dependencies:
    - ray[data]>=2.44
    - vllm
    - datasets>=3.0
    - huggingface_hub>=0.34
    # The base image sets HF_HUB_ENABLE_HF_TRANSFER=1; install the package it expects
    # so model and dataset downloads don't error out.
    - hf_transfer
    # The base image ships fsspec 2023.5.0, which is too old for modern
    # huggingface_hub and breaks dataset/model downloads. Pin a newer fsspec.
    - fsspec>=2024.6.1
    # vLLM pulls in opencv; its default wheel crashes the OpenSSL FIPS self-test
    # on the GPU nodes. This pinned headless build avoids the crash.
    - opencv-python-headless==4.12.0.88

# 8 H100 on a single node. Ray Data runs one vLLM replica per GPU.
compute:
  num_accelerators: 8
  accelerator_type: GPU_8xH100

code_source:
  type: snapshot
  snapshot:
    root_path: .

command: |
  cd $CODE_SOURCE_PATH
  RAY_HEAD_PORT=6379
  GPUS_PER_NODE=${LOCAL_WORLD_SIZE:-8}
  if [ "${NODE_RANK:-0}" = "0" ]; then
    echo "NODE_RANK=0: starting Ray head with $GPUS_PER_NODE GPU(s)..."
    ray start --head --port=$RAY_HEAD_PORT --num-gpus="$GPUS_PER_NODE" --dashboard-host=0.0.0.0
    python batch_inference.py
    ray stop
  else
    echo "NODE_RANK=$NODE_RANK: connecting to Ray head at $MASTER_ADDR:$RAY_HEAD_PORT..."
    for i in $(seq 1 12); do
      if ray start --address="$MASTER_ADDR:$RAY_HEAD_PORT" --num-gpus="$GPUS_PER_NODE" --block 2>/dev/null; then
        break
      fi
      echo "Attempt $i failed, retrying in 5s..."
      sleep 5
    done
  fi

max_retries: 0
timeout_minutes: 60
env_variables:
  NCCL_SOCKET_IFNAME: eth0
  # Unity Catalog volume where results land as Parquet. Replace with your volume.
  OUTPUT_PATH: /Volumes/main/default/air_examples/ray_batch_inference

Le command en ligne démarre une tête Ray avec tous les GPU sur le nœud, exécute le Driver avec python batch_inference.py, puis arrête le cluster. Il comprend également une branch worker qui rejoint la tête, ainsi la même commande continue de fonctionner si vous montez en charge le Job sur plusieurs nœuds.

Étape 2 : Définir le driver d'inférence par batch

batch_inference.py crée un Ray dataset de prompts, configure un processeur vLLM avec ray.data.llm, et écrit les résultats. concurrency est le nombre de répliques vLLM que Ray Data exécute en parallèle. Le paramétrer au nombre de GPU du cluster donne une réplique par GPU, de sorte que les invites sont traitées sur chaque GPU à la fois et l'exemple monte en charge à mesure que vous ajoutez des nœuds :

Python

from ray.data.llm import build_llm_processor, vLLMEngineProcessorConfig

# Read the GPU count from the live Ray cluster so concurrency scales with the cluster.
total_gpus = int(ray.cluster_resources().get("GPU", 0))

config = vLLMEngineProcessorConfig(
    model_source="Qwen/Qwen2.5-7B-Instruct",
    engine_kwargs={"max_model_len": 4096, "tensor_parallel_size": 1},
    concurrency=total_gpus,   # one vLLM replica per GPU in the cluster
    batch_size=64,
)

processor = build_llm_processor(
    config,
    preprocess=lambda row: dict(
        messages=[{"role": "user", "content": row["instruction"]}],
        sampling_params=dict(max_tokens=256, temperature=0.7),
    ),
    postprocess=lambda row: dict(instruction=row["instruction"], output=row["generated_text"]),
)

out = processor(ds)       # ds is a Ray Dataset with an "instruction" column
out.write_parquet(OUTPUT_PATH)

preprocess transforme chaque ligne d'entrée en une requête de chat, et postprocess conserve les colonnes à persister. Ray Data ajoute une colonne generated_text avec la sortie du modèle. Le script complet se trouve dans Script complet du driver à la fin de cette page.

Pour les modèles plus grands, définissez tensor_parallel_size pour fragmenter une réplique sur plusieurs GPU, et divisez total_gpus par cette valeur afin que les répliques remplissent toujours le cluster, par exemple concurrency=total_gpus // 2 avec tensor_parallel_size=2.

Étape 3 : Soumettre l'exécution

Bash

air run -f train.yaml --dry-run
air run -f train.yaml --watch

Étape 4 : Inspecter l'exécution

Bash

air get run <run-id>
air logs <run-id>

Les Logs affichent le prompt et le throughput de génération du moteur vLLM pendant l'exécution du batch, puis une ligne Wrote <n> rows lorsque la sortie est écrite.

Où les résultats aboutissent

Le Driver écrit un dataset Parquet dans le volume OUTPUT_PATH, avec une colonne instruction et une colonne output. Relisez-le avec Spark ou pandas, par exemple spark.read.parquet(OUTPUT_PATH).

Script de driver complet

Le batch_inference.py complet pour le copier-coller :

Python

#!/usr/bin/env python3
"""Offline batch inference with Ray Data + vLLM on a single 8x H100 node.

The workload `command` starts a Ray head with 8 GPUs and runs this script. Ray Data's
LLM API (`ray.data.llm`) launches one vLLM replica per GPU and streams a dataset of
prompts through them, then writes the generated text to a Unity Catalog volume as
Parquet.

Uses a public model (no Hugging Face token required) so the example runs as-is.
"""

import os

import ray
from datasets import load_dataset
from ray.data.llm import build_llm_processor, vLLMEngineProcessorConfig

MODEL_SOURCE = "Qwen/Qwen2.5-7B-Instruct"
NUM_PROMPTS = 1000
# Unity Catalog volume path where results land as Parquet. Set this in train.yaml.
OUTPUT_PATH = os.environ.get("OUTPUT_PATH", "/Volumes/main/default/air_examples/ray_batch_inference")


def build_prompts():
    """Build a Ray Dataset of prompts from a public instruction dataset."""
    raw = load_dataset("tatsu-lab/alpaca", split=f"train[:{NUM_PROMPTS}]")
    items = []
    for row in raw:
        instruction = row["instruction"]
        if row.get("input"):
            instruction = f"{instruction}\n\n{row['input']}"
        items.append({"instruction": instruction})
    return ray.data.from_items(items)


def main():
    ray.init(address="auto")
    # Derive replicas from the live cluster so the example scales when nodes are added.
    total_gpus = int(ray.cluster_resources().get("GPU", 0))
    print(f"Ray cluster ready: {total_gpus} GPU(s)", flush=True)

    ds = build_prompts()

    # vLLM engine config. concurrency = number of replicas Ray Data runs in parallel;
    # one per GPU in the cluster here. engine_kwargs are passed through to the vLLM engine.
    config = vLLMEngineProcessorConfig(
        model_source=MODEL_SOURCE,
        engine_kwargs={
            "max_model_len": 4096,
            "tensor_parallel_size": 1,
            "enable_chunked_prefill": True,
        },
        concurrency=total_gpus,
        batch_size=64,
    )

    # preprocess maps each input row to a chat request; postprocess keeps the columns
    # we want to persist. ray.data.llm adds a `generated_text` column.
    processor = build_llm_processor(
        config,
        preprocess=lambda row: dict(
            messages=[
                {"role": "system", "content": "You are a helpful assistant."},
                {"role": "user", "content": row["instruction"]},
            ],
            sampling_params=dict(max_tokens=256, temperature=0.7),
        ),
        postprocess=lambda row: dict(
            instruction=row["instruction"],
            output=row["generated_text"],
        ),
    )

    # materialize once so the write and the sample print don't re-run inference.
    out = processor(ds).materialize()
    out.write_parquet(OUTPUT_PATH)
    print(f"Wrote {out.count()} rows to {OUTPUT_PATH}", flush=True)

    for row in out.take(2):
        print("INSTRUCTION:", row["instruction"][:120], flush=True)
        print("OUTPUT:", row["output"][:200], flush=True)

    ray.shutdown()


if __name__ == "__main__":
    main()

Étapes suivantes

• Formation distribuée avec Ray Train
• Référence YAML Workload