batch-infer-lora-sglang
إكمالات المحادثة على دفعات باستخدام محوّل LoRA الخاص بك على SGLang
batch-infer-lora على SGLang: يشغّل ملف دفعات بتنسيق OpenAI من طلبات /v1/chat/completions (أو /v1/completions) مع تطبيق محوّل LoRA (مثل adapter.tar.gz الذي أنتجته مهمة finetune-lora)، ويكتب سطر نتيجة واحدًا لكل طلب، مع model = LORA_NAME. تُجرى التعبئة المسبقة لبادئات الموجّه المشتركة مرة واحدة فقط، كما في batch-infer-sglang. النموذج الأساسي الافتراضي Qwen3-4B-Instruct-2507 (Apache-2.0)؛ ويجب أن يكون المحوّل قد دُرِّب على النموذج الأساسي نفسه.
- الحالة
- متاح
- GPU
- NVIDIA A10G · 24 GB
a10g-24gb-x1 - مدة التشغيل الافتراضية
- 1 h كحد أقصى
- الناشر
- Unify Compute
ما يقرؤه وما يكتبه
المُدخل /mnt/in | requests.jsonl: سطر دفعة واحد بتنسيق OpenAI لكل طلب، بعنوان url هو /v1/chat/completions أو /v1/completions؛ ويُتجاهَل الحقل model ويُطبَّق المحوّل على كل سطر |
|---|---|
المُدخل /mnt/adapter | adapter.tar.gz: مجلد محوّل PEFT LoRA (adapter_config.json وadapter_model.safetensors) بالصيغة التي يكتبها finetune-lora |
المُخرج /mnt/out | results.jsonl: سطر نتيجة دفعة واحد بتنسيق OpenAI لكل طلب، بترتيب الإدخال، يُطابَق بواسطة custom_id، مع model = LORA_NAME؛ والسطر الذي لم يتمكن SGLang من الرد عليه يحمل error بدلًا من response |
ما يمكنك تغييره
يمكن عند الإرسال تحديد: GPU (SKU) (sku)، موضع التشغيل السحابي (providers)، متغيرات البيئة (spec.env)، الحد الأقصى لمدة التشغيل (spec.max_runtime_seconds). أما الصورة والمدخلات والمخرجات المُعلنة فثابتة: فالصورة المختلفة تعني قالبًا مختلفًا.
MODEL | Qwen/Qwen3-4B-Instruct-2507 |
|---|---|
MODEL_REVISION | cdbee75f17c01a7cc42f958dc650907174af0554 |
MAX_MODEL_LEN | 8192 |
MAX_LORA_RANK | 64 |
LORA_NAME | lora |
CONCURRENCY | 64 |
شغّله
مع حفظ المفتاح في $UNIFY_KEY (راجع دليل البدء السريع)، أعطِ كل مُدخل عنوان URL يبدأ بـ https://، عامًّا أو موقَّعًا مسبقًا، وينتهي باسم الملف المذكور أعلاه:
curl -s https://api.compute.unifyai.us/compute/v1/jobs \
-H "Authorization: Bearer $UNIFY_KEY" \
-H "Content-Type: application/json" \
-d '{
"template": "batch-infer-lora-sglang",
"spec": {
"inputs": [
{
"source": "https://YOUR-BUCKET.s3.amazonaws.com/requests.jsonl",
"mount": "/mnt/in"
},
{
"source": "https://YOUR-BUCKET.s3.amazonaws.com/adapter.tar.gz",
"mount": "/mnt/adapter"
}
]
}
}'تُحتسب تكلفة المهمة بحسب وقت GPU الذي تستخدمه وبسعر وحدة SKU، تمامًا مثل أي مهمة تكتبها بنفسك.
خلال فترة الإتاحة التدريجية، يُفعَّل تنفيذ مهام GPU لكل حساب على حدة. أنشئ حسابًا، ثم اطلب منا تفعيله كما يوضح دليل البدء السريع.
مصدر الصورة
| الصورة | lmsysorg/sglang:v0.5.19-cu129-runtime |
|---|---|
| الملخص (Digest) | sha256:fe08f6f52bea380415792849a703d92279c86320f8c39283bcd04043f8b63c41 |
| الترخيص | Apache-2.0 |
| المصدر | https://hub.docker.com/r/lmsysorg/sglang (tag v0.5.19-cu129-runtime, pushed 2026-09-04, the newest CUDA 12.9 build; multi-arch index read from registry-1.docker.io on 2026-11-06; LICENSE at github.com/sgl-project/sglang/blob/v0.5.19/LICENSE) |
ما يُشغَّل فعليًا هو الملخص (digest). يمكن إعادة دفع الوسم، أما الملخص فلا، لذا فإن ما تسحبه مهمتك هو تمامًا ما تمت مراجعته.