Ray Data と vLLM を使用したバッチ推論

備考

プレビュー

この機能は パブリック プレビュー段階です。

この例では、8 台の A10 ノード全体で Ray Data と vLLM を使用してオフラインの LLM バッチ推論を実行します。ブートストラップ スクリプトがノード全体で Ray クラスターを起動し、ドライバーが Ray Data の LLM API (ray.data.llm) を使用してノードごとに 1 つの vLLM レプリカを起動し、プロンプトのデータセットをそれらを通じて Stream し、生成されたテキストを Parquet として Unity Catalog ボリュームに書き込みます。

パブリック モデル (Qwen2.5-7B-Instruct) を使用します。そのため、Hugging Face トークンなしでそのまま実行できます。

ワークロードでは、次の処理を行います：

• ローカルプロジェクトを code_source: snapshot でアップロードします。
• ノード 0 で Ray ヘッドを起動し、7 つのワーカーノードを結合してから、バッチ推論ドライバーを実行します。
• ray.data.llm を使用して、ノードごとに 1 つの vLLM レプリカを実行し、プロンプトを並列処理します。
• プロンプトと生成された出力を Parquet として Unity Catalog ボリュームに書き込みます。

前提条件

• air CLI がインストールされ、認証されています。「AI Runtime CLI のインストール」を参照してください。
• 書き込み可能な Unity Catalog ボリューム。以下でワークロード YAML 内のそのパスを設定します。

プロジェクト レイアウト

次のファイルを含むディレクトリを作成します。

Text

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

ステップ 1: ワークロード YAML を記述する

train.yaml 8つの GPU_1xA10 ノードを要求します。environment の下で依存関係がインラインで宣言され（クライアントイメージ version を使用）、command がノード全体で Ray クラスターを起動してからドライバーを実行するため、ワークロードに個別の依存関係ファイルやランチャースクリプトは必要ありません。

vLLM はベース イメージに含まれていないため、GPU ノードに必要な 3 つのピン留め対象と一緒にインラインでインストールされます：hf_transfer（ベース イメージは Hugging Face の高速ダウンロードを有効にし、このパッケージを想定しています）、新しい fsspec（ベース イメージには古いバージョンが含まれており、ダウンロードが失敗します）、およびピン留めされた opencv-python-headless（vLLM により OpenCV が導入されますが、そのデフォルトの wheel は GPU ノード上で OpenSSL FIPS 自己テストをクラッシュさせます）。

OUTPUT_PATH を、書き込み可能な Unity Catalog ボリュームに設定します。NUM_GPUS を num_accelerators と同じ値に設定します。

YAML

experiment_name: air-ray-batch-inference

environment:
  version: '5'
  dependencies:
    - ray[data]==2.56.1
    - 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 A10 nodes, one GPU each. Ray Data runs one vLLM replica per node.
compute:
  num_accelerators: 8
  accelerator_type: GPU_1xA10

code_source:
  type: snapshot
  snapshot:
    root_path: .

command: |
  cd $CODE_SOURCE_PATH
  RAY_HEAD_PORT=6379
  GPUS_PER_NODE=${LOCAL_WORLD_SIZE:-1}
  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
  NUM_GPUS: '8' # must match num_accelerators

インライン command は、ノード 0 のノードの GPU を使用して Ray ヘッドを起動し、python batch_inference.py でドライバーを実行してから、クラスターを停止します。ワーカーノードは、プラットフォームが自動的に設定する MASTER_ADDR および NODE_RANK を使用してヘッドに結合します。

ステップ2: バッチ推論ドライバーを定義する

batch_inference.py プロンプトの Ray データセットを構築し、ray.data.llm で vLLM プロセッサを構成して、結果を書き込みます。concurrency は、Ray Data が並列で実行する vLLM レプリカの数です。ドライバーは GPU 数を読み取る前にすべてのノードが参加するのを待機するため、すべてのノードが使用されます：

Python

import os
import time

import ray
from ray.data.llm import build_processor, vLLMEngineProcessorConfig

ray.init(address="auto")
num_gpus = int(os.environ["NUM_GPUS"])
for _ in range(60):
    if int(ray.cluster_resources().get("GPU", 0)) >= num_gpus:
        break
    time.sleep(5)
total_gpus = int(ray.cluster_resources().get("GPU", 0))
if total_gpus < num_gpus:
    raise SystemExit(f"Expected {num_gpus} GPU(s) but Ray only sees {total_gpus}.")

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

processor = build_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 各入力行をチャットリクエストに変換し、postprocess が保持する列を維持します。Ray Data はモデルの出力を含む generated_text 列を追加します。完全なスクリプトは、このページの最後にある「Full driver script」にあります。

大規模なモデルの場合、tensor_parallel_size を設定して1つのレプリカを複数のGPUにシャーディングし、レプリカが引き続きクラスターを埋めるように、その値で total_gpus を除算します（たとえば、tensor_parallel_size=2 を使用して concurrency=total_gpus // 2）。

ステップ3：実行を送信する

Bash

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

ステップ 4: 実行を確認する

Bash

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

ログには、バッチの実行中に vLLM エンジンのプロンプトと生成スループットが表示され、その後出力が書き込まれると Wrote <n> rows 行が表示されます。

結果の保存場所

ドライバーは、OUTPUT_PATH ボリュームに 1 つの Parquet データセットを書き込み、instruction 列と output 列を含めます。たとえば、Spark または pandas で読み戻します。 spark.read.parquet(OUTPUT_PATH)。

完全なドライバー スクリプト

コピー/貼り付けの完全なbatch_inference.py

Python

#!/usr/bin/env python3
"""Offline batch inference with Ray Data + vLLM across 8 A10 nodes.

The workload `command` starts a Ray head on node 0 and joins 7 worker nodes, each
contributing 1 GPU. 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 time

import ray
from datasets import load_dataset
from ray.data.llm import build_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")
    num_gpus = int(os.environ["NUM_GPUS"])
    for _ in range(60):
        if int(ray.cluster_resources().get("GPU", 0)) >= num_gpus:
            break
        time.sleep(5)
    total_gpus = int(ray.cluster_resources().get("GPU", 0))
    if total_gpus < num_gpus:
        raise SystemExit(
            f"Expected {num_gpus} GPU(s) but Ray only sees {total_gpus}; "
            "check GPU discovery / node join on all nodes."
        )
    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={
            &quot;max_model_len&quot;: 4096,
            &quot;tensor_parallel_size&quot;: 1,
            &quot;enable_chunked_prefill&quot;: 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_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()

次のステップ

• Ray Train による分散トレーニング
• ワークロード YAML リファレンス