batch-infer-lora-sglang
Chat-Completions im Batch mit Ihrem LoRA-Adapter auf SGLang
batch-infer-lora auf SGLang: Verarbeitet eine OpenAI-Batch-Datei mit /v1/chat/completions- (oder /v1/completions-)Anfragen mit angewendetem LoRA-Adapter (zum Beispiel dem adapter.tar.gz, das ein finetune-lora-Job erzeugt hat) und schreibt pro Anfrage eine Ergebniszeile, model = LORA_NAME. Gemeinsame Prompt-Präfixe werden wie bei batch-infer-sglang nur einmal vorbefüllt. Standard-Basismodell Qwen3-4B-Instruct-2507 (Apache-2.0); der Adapter muss auf derselben Basis trainiert worden sein.
- Status
- Verfügbar
- GPU
- NVIDIA A10G · 24 GB
a10g-24gb-x1 - Standardlaufzeit
- maximal 1 h
- Herausgeber
- Unify Compute
Was gelesen und geschrieben wird
Eingabe /mnt/in | requests.jsonl: eine OpenAI-Batch-Zeile pro Anfrage mit url /v1/chat/completions oder /v1/completions; das Feld model wird ignoriert, der Adapter gilt für jede Zeile |
|---|---|
Eingabe /mnt/adapter | adapter.tar.gz: ein PEFT-LoRA-Adapterverzeichnis (adapter_config.json, adapter_model.safetensors), wie finetune-lora es schreibt |
Ausgabe /mnt/out | results.jsonl: eine OpenAI-Batch-Ergebniszeile pro Anfrage, in Eingabereihenfolge, zugeordnet über custom_id, model = LORA_NAME; eine Zeile, die SGLang nicht beantworten konnte, enthält error statt response |
Was Sie ändern können
Beim Einreichen lässt sich Folgendes festlegen: GPU (SKU) (sku), Cloud-Platzierung (providers), Umgebungsvariablen (spec.env), Maximale Laufzeit (spec.max_runtime_seconds). Das Image sowie die deklarierten Ein- und Ausgaben sind fest: Ein anderes Image ist eine andere Vorlage.
MODEL | Qwen/Qwen3-4B-Instruct-2507 |
|---|---|
MODEL_REVISION | cdbee75f17c01a7cc42f958dc650907174af0554 |
MAX_MODEL_LEN | 8192 |
MAX_LORA_RANK | 64 |
LORA_NAME | lora |
CONCURRENCY | 64 |
Ausführen
Mit einem Schlüssel in $UNIFY_KEY (siehe Schnellstart) geben Sie jeder Eingabe eine öffentliche oder vorsignierte https://-URL, die auf den oben genannten Dateinamen endet:
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"
}
]
}
}'Der Job wird nach der genutzten GPU-Zeit zum Tarif der SKU abgerechnet, genau wie ein Job, den Sie selbst schreiben.
Während der Einführung wird die GPU-Job-Ausführung pro Konto freigeschaltet. Legen Sie ein Konto an und bitten Sie uns dann um die Freischaltung, wie im Schnellstart beschrieben.
Herkunft des Images
| Image | lmsysorg/sglang:v0.5.19-cu129-runtime |
|---|---|
| Digest | sha256:fe08f6f52bea380415792849a703d92279c86320f8c39283bcd04043f8b63c41 |
| Lizenz | Apache-2.0 |
| Quelle | 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) |
Ausgeführt wird der Digest. Ein Tag kann neu gepusht werden, ein Digest nicht. Ihr Job lädt also genau das, was geprüft wurde.