Alle Vorlagen

batch-infer-sglang

Chat-Completions im Batch mit SGLang

Verarbeitet eine OpenAI-Batch-Datei mit /v1/chat/completions- (oder /v1/completions-)Anfragen über einen im Job gestarteten SGLang-Server und schreibt pro Anfrage eine Ergebniszeile im selben Format wie batch-infer-vllm. SGLangs RadixAttention verwendet den KV-Cache von Präfixen wieder, die die Zeilen gemeinsam haben, sodass ein Batch mit demselben langen System-Prompt oder Few-Shot-Block diesen Prefill nur einmal ausführt. Standardmodell Qwen3-4B-Instruct-2507 (Apache-2.0), beim Start von Hugging Face heruntergeladen.

Status
Verfügbar
GPU
NVIDIA A10G · 24 GB a10g-24gb-x1
Standardlaufzeit
maximal 1 h
Herausgeber
Unify Compute

Was gelesen und geschrieben wird

Eingabe /mnt/inVerzeichnis mit requests.jsonl: eine OpenAI-Batch-Zeile pro Anfrage mit url /v1/chat/completions oder /v1/completions; das Feld model wird durch MODEL ersetzt
Ausgabe /mnt/outresults.jsonl: eine OpenAI-Batch-Ergebniszeile pro Anfrage, in Eingabereihenfolge, zugeordnet über custom_id; 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.

Standardwerte der Umgebung
MODELQwen/Qwen3-4B-Instruct-2507
MODEL_REVISIONcdbee75f17c01a7cc42f958dc650907174af0554
MAX_MODEL_LEN8192
CONCURRENCY64

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-sglang",
  "spec": {
    "inputs": [
      {
        "source": "https://YOUR-BUCKET.s3.amazonaws.com/requests.jsonl",
        "mount": "/mnt/in"
      }
    ]
  }
}'

Der Job wird nach der genutzten GPU-Zeit zum Tarif der SKU abgerechnet, genau wie ein Job, den Sie selbst schreiben.

Early Access

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

Imagelmsysorg/sglang:v0.5.19-cu129-runtime
Digestsha256:fe08f6f52bea380415792849a703d92279c86320f8c39283bcd04043f8b63c41
LizenzApache-2.0
Quellehttps://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.