HeteroFlow 异构算力调度平台 5 月 22 日上线推理服务-彻底让 TOKEN 产量翻倍
推理服务 HeteroFlow V2 提供完整的 GPU 推理服务管理能力，支持从模型发现到 API 服务的全自动化流程。通过 TaskGroup 统一管理推理服务生命周期，内置 OpenAI 兼容网关，实现一键部署和调用。 系统架构 ┌─────────────────────────────────────────────────────────────────────┐ │ 用户 / LLM 客户端 │ │ (浏览器 / curl / OpenAI SDK) │ └──────────┬──────────────────────────────────────────┬────────────────┘ │ Web UI (React + Vite) │ OpenAI API │ :5173 │ :3333/v1/chat/completions ┌──────────▼──────────────────────────────────────────▼────────────────┐ │ HeteroFlow Server (:3333) │ │ ┌────────────┐ ┌────────────┐ ┌──────────┐ ┌─────────────────┐ │ │ │ REST API │ │ Gateway │ │Scheduler │ │ Model Route │ │ │ │ /api/v1/* │ │ /v1/* │ │ │ │ Manager │ │ │ └─────┬──────┘ └─────┬──────┘ └────┬─────┘ └────────┬────────┘ │ │ │ │ │ │ │ │ ┌─────▼───────────────▼──────────────▼───────────────────▼────────┐ │ │ │ PostgreSQL Storage │ │ │ │ task_groups | tasks | inference_endpoints | model_routes │ │ │ └─────────────────────────────────────────────────────────────────┘ │ └──────────┬──────────────────────────────────────────────────────────┘ │ Heartbeat (30s) / Task Assignment ┌──────────▼──────────────────────────────────────────────────────────┐ │ HeteroFlow Agent (per GPU Node) │ │ ┌────────────┐ ┌────────────┐ ┌────────────┐ ┌──────────────┐ │ │ │ Executor │ │ Engine │ │ Model │ │ GPU │ │ │ │ (Docker) │ │ Router │ │ Scanner │ │ Detection │ │ │ └────────────┘ └────────────┘ └────────────┘ └──────────────┘ │ └─────────────────────────────────────────────────────────────────────┘ 三层职责 层级 组件 职责 Server REST API 任务组 CRUD、伸缩策略、滚动更新、用户认证 Gateway OpenAI 兼容代理、负载均衡、灰度路由、健康检查 Scheduler GPU 感知调度、VRAM 估算、抢占、优先级排序 ModelRoute 模型路由注册、优先级/权重管理 Agent Executor Docker 容器生命周期、引擎路由、模型挂载 Engine Router vLLM/SGLang/llama.cpp 引擎选择和参数生成 Model Scanner 本地模型发现（HuggingFace/GGUF）、增量扫描 GPU Detection 11 种 GPU 品牌自动检测和状态采集 Frontend InferenceList 服务列表、状态展示、操作按钮 InferenceCreateModal 创建表单、参数校验、引擎预设 InferenceControlPanel API Key 管理、全局配置 核心概念 任务组 (TaskGroup) 任务组是推理服务的管理单元，包含一个或多个任务 (Task)。 状态机： pending → scheduling → running ⇄ sleeping ↓ ↓ failed completed 字段 类型 说明 id string 格式tg-{unix_ns}-{hex4} name string 服务名称（用户定义） status string pending/scheduling/running/sleeping/completed/failed parallelism string 并行策略 world_size int GPU 总数 node_count int 节点数 current_replicas int 当前运行副本数 min_replicas / max_replicas int 自动伸缩范围 auto_scale bool 是否启用自动伸缩 endpoint string 关联的 InferenceEndpoint ID rolling_update_state string idle/rolling/completed/failed/rollback idle_timeout_minutes int 空闲自动休眠时间 health_check JSON 健康检查配置 scale_policy JSON 自动伸缩策略 co_schedule JSON 共调度策略 schedule_window JSON 调度窗口 任务 (Task) 任务是实际的执行单元，对应一个 Docker 容器。 字段 类型 说明 id string 格式task-{hex}-r{rank}-{groupid} group_id string 所属任务组 rank int 在组中的序号（0=master） image string Docker 镜像 gpu_required int GPU 数量（≥1） gpu_type string GPU 类型筛选 gpu_id string 分配的具体 GPU ID node_id string 分配的节点 model_path string 模型路径 ports JSON 端口映射 volumes JSON 卷挂载 status string pending/scheduled/running/sleeping/completed/failed estimated_gpu_memory_mb int 预估显存需求 推理端点 (InferenceEndpoint) 对外暴露的 API 访问入口。 字段 类型 说明 id string 格式ep-{hex16} name string 端点名称 task_group_id string 关联任务组 protocol string http port int 服务端口 algorithm string 负载均衡算法（round_robin/random/least_connections） api_key string API 密钥，格式sk-{uuid} health_check JSON 健康检查配置 模型路由 (ModelRoute) 同一模型多版本/多引擎的路由规则。 字段 类型 说明 id string 格式mr-{hex16} model_name string 模型名称 task_group_id string 关联任务组 engine string 引擎类型 vllm/sglang/llamacpp priority int 优先级（0 最高，数值越大优先级越低） weight int 权重（0-100，0 表示仅作备选） version string 版本标签（如 v1, canary） algorithm string 负载均衡算法覆盖 status string active/inactive 支持的推理引擎 引擎 支持 GPU 特点 vLLM NVIDIA, AMD, 海光 高性能 PagedAttention、需 CC≥7.5 SGLang NVIDIA, AMD, 海光 RadixAttention、continuous batching llama.cpp NVIDIA, AMD, 海光 轻量推理、兼容旧 GPU（如 P100 CC 6.0） MINDIE 华为昇腾 昇腾专用推理引擎 vLLM-MTT 摩尔线程 摩尔线程专用 Transformers 通用 兜底引擎，device_map=auto 引擎路由优先级 默认按 GPU 类型选择最优引擎： GPU 类型 优先级链 nvidia vllm → sglang → llamacpp amd vllm → llamacpp hygon vllm → llamacpp musa vllm-mtt ascend mindie biren llamacpp 引擎配置参数 vLLM 启动参数： --model /model # 模型路径 --host 0.0.0.0 --port 8000 # 监听地址 --tensor-parallel-size N # 张量并行度 --served-model-name name # 对外暴露的模型名 llama.cpp 启动参数： --model /model/model.gguf # GGUF 模型文件 --n-gpu-layers 99 # 所有层放 GPU --n-ctx 4096 # 上下文长度 --host 0.0.0.0 --port 8000 SGLang 启动参数： --model-path /model # 模型路径 --host 0.0.0.0 --port 8000 --enable-sleep # 支持休眠模式 创建推理服务 部署模式 前端选项 parallelism 值 GPU 标签 world_size 说明 单卡 空/none GPU 数量 1 单 GPU 推理 多卡 TP tensor_parallel GPU 数量 用户输入 张量并行，所有 GPU 在同一节点 多卡 Split split 副本数量 用户输入 多副本独立，每副本 1 GPU 并行策略对 GPU 分配的影响： 策略 nodeCount taskCount 每任务 GPU single 1 1 gpuRequired tensor_parallel 强制 1 world_size gpuRequired split 自动计算 world_size 1（固定） data_parallel ⌈world_size/8⌉ world_size gpuRequired 配置项详解 基本配置 配置项 必填 说明 示例 服务名称 是 推理服务唯一标识 my-qwen-service Docker 镜像 是 推理引擎容器镜像 vllm/vllm-openai:latest 启动命令 否 容器启动命令，不填则自动生成 python -m vllm.entrypoints... GPU 数量 是 范围 1-64 1 GPU 类型 否 不选时自动匹配 NVIDIA / 海光DCU / 自动 端口映射 否 格式 8000 或 8080:8000 8000 超时 否 运行超时（秒），0=不限 0 空闲超时 否 空闲休眠（分钟），0=不休眠 30 API 访问配置 启用后自动创建 InferenceEndpoint 和 API Key（格式sk-{uuid}），可通过 OpenAI 兼容接口访问： POST http://server:3333/v1/chat/completions Authorization: Bearer sk-xxxxxxxx Content-Type: application/json {"model": "service-name", "messages": [...]} 路由配置（灰度/优先级） 配置 范围 说明 流量权重 0-100 同一模型多版本时按比例分配，0=仅备选 优先级 ≥0 0 最高，主路由故障时降级到更高优先级 负载均衡 round_robin/random/least_connections 路由级别的算法覆盖 版本标签 字符串 如 v1, canary, experimental 灰度发布流程： 1. 创建生产版本：weight=100, priority=0, version=v1 2. 创建 canary 版本：weight=20, priority=0, version=canary 3. 调整生产权重为 80 4. 流量按 80:20 分配到 v1 和 canary 5. 验证 canary 正常后，权重改为 100:0 QoS 级别 级别 说明 GPU 分配 适用场景 Gold 硬件隔离 独占整张 GPU 生产推理，性能最稳定 Silver 驱动隔离 共享 GPU，驱动级隔离 平衡性能与利用率 Bronze 软件记账 共享 GPU，尽力而为 低优先级、测试任务 健康检查 字段 默认值 说明 检查路径 /health HTTP GET 请求路径 检查间隔 10 秒 两次检查间隔 超时时间 3 秒 单次检查超时 不健康阈值 3 次 连续失败超过后标记不健康 支持 HTTP 和 TCP 两种检查类型。不健康的后端会被 Gateway 自动摘除。 自动伸缩 配置 说明 最小副本数 ≥1，即使负载很低也保持 最大副本数 ≥0，0=不限制 伸缩指标 gpu_utilization / cpu / request_queue / concurrent_requests / vllm_pending_requests / vllm_running_requests 目标值 指标超过时扩容，低于时缩容 冷却时间 ≥30 秒，防止频繁抖动 if 当前指标 > targetValue and current_replicas < max_replicas: 扩容 (+1) if 当前指标 < targetValue and current_replicas > min_replicas: 缩容 (-1) 冷却中则跳过本轮 共调度（混部） 配置 说明 单卡最大模型数 1-8，单张 GPU 上最多同时运行的模型数 预估显存占用 MB，调度器用于计算 GPU 是否有空间 显存超分比 1.0-2.0，1.0=不超分，2.0=允许 2 倍超分 高优先级抢占 高优先级任务可抢占低优先级 GPU 资源 推理服务生命周期 创建流程 用户填写表单 → 前端校验 → POST /api/v1/task-groups │ ┌───────────▼───────────┐ │ 1. 参数校验 │ │ 2. 计算 nodeCount │ │ 3. 创建 TaskGroup │ │ 4. 创建 N 个 Task │ │ 5. 注册 ModelRoute │ │ 6. 创建 Endpoint │ │ 7. 生成 API Key │ │ 8. 写入审计日志 │ └───────────┬───────────┘ │ Scheduler 拾取 Task → 分配 GPU → Agent 启动容器 调度流程 Scheduler ticker (每秒) → 查询 pending/scheduled 任务 │ ├─ 1. GPU 类型过滤（gpu_type 匹配） ├─ 2. VRAM 感知过滤（estimated_gpu_memory_mb） ├─ 3. 模型位置感知（优先有模型的节点） ├─ 4. 推理引擎优先（有 vllm/sglang 的节点加分） ├─ 5. 负载阈值检查（CPU/内存/GPU温度） ├─ 6. 插件打分（binpack/spread/topology/rdma/preempt） └─ 7. CAS 状态更新 pending → scheduled → Agent 抢占 → running 休眠/唤醒流程 运行中 (running) │ ├── 自动休眠（Agent 检测空闲超时） │ 1. 检测 vLLM 请求队列为空超过 idle_timeout_minutes │ 2. 调用 vLLM /sleep（原生休眠，释放显存） │ 3. 或 docker pause（备用方案，不释放显存） │ 4. 上报 sleeping 状态 │ 5. Server 释放 GPU 占用计数 │ └── 手动唤醒 1. 用户点击唤醒按钮 / API 请求到达 Gateway 2. 状态更新 sleeping → waking 3. 调用 vLLM /wake_up 或 docker unpause 4. 重新分配 GPU 资源 5. 状态更新 waking → running 滚动更新流程 PUT /api/v1/task-groups/{id}/update │ ├── strategy: "rolling"（逐个替换） │ for each task: │ 1. 停止旧 task (running → stopping) │ 2. 创建新 task（继承配置 + 新 image） │ 3. 调度新 task 到节点 │ 4. 等待健康检查通过 │ 5. 继续下一个 │ └── strategy: "recreate"（全量替换） 1. 停止所有 task 2. 一次性创建所有新 task 服务操作 操作 API 显示条件 效果 休眠 POST /tasks/{id}/sleep running/starting 暂停服务，释放 GPU 唤醒 POST /tasks/{id}/wake sleeping 恢复运行 停止 POST /tasks/{id}/stop running/starting 终止容器 重试 POST /tasks/{id}?action=retry failed 重新调度 删除 DELETE /task-groups/{id} completed/failed 删除服务及关联资源 扩缩 PUT /task-groups/{id}/scale running 调整副本数 OpenAI 兼容 API 推理服务完全兼容 OpenAI API 格式： # Chat Completions curl http://localhost:3333/v1/chat/completions -H "Authorization: Bearer sk-xxx" -H "Content-Type: application/json" -d ''{ "model": "my-service", "messages": [{"role": "user", "content": "你好"}], "temperature": 0.7, "max_tokens": 512, "stream": true }'' # 列举可用模型 curl http://localhost:3333/v1/models -H "Authorization: Bearer sk-xxx" Python SDK： from openai import OpenAI client = OpenAI( base_url="http://localhost:3333/v1", api_key="sk-xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx" ) # 流式调用 for chunk in client.chat.completions.create( model="my-service", messages=[{"role": "user", "content": "写一首诗"}], stream=True ): print(chunk.choices[0].delta.content or "", end="") API 接口 任务组 API 方法 路径 说明 GET /api/v1/task-groups 服务列表 POST /api/v1/task-groups 创建服务 GET /api/v1/task-groups/{id} 服务详情（含子任务） DELETE /api/v1/task-groups/{id} 删除服务 PUT /api/v1/task-groups/{id}/scale 手动扩缩容 PUT /api/v1/task-groups/{id}/scale-policy 设置自动伸缩策略 PUT /api/v1/task-groups/{id}/update 滚动更新 PUT /api/v1/task-groups/{id}/schedule-window 调度窗口 任务 API 方法 路径 说明 GET /api/v1/tasks 任务列表（支持过滤） GET /api/v1/tasks/{id} 任务详情 POST /api/v1/tasks/{id}/sleep 休眠 POST /api/v1/tasks/{id}/wake 唤醒 POST /api/v1/tasks/{id}/stop 停止 常见问题 推理服务一直 pending 节点不在线：GET /api/v1/nodes查看 GPU 类型不匹配：服务指定了类型但节点没有 GPU 显存不足：剩余显存不够 镜像拉取失败：检查网络 GPU OOM 使用更小的模型或量化版本 张量并行分布到多 GPU 减小上下文--max-model-len 降低--gpu-memory-utilization 推理速度慢 确认 GPU 利用率：nvidia-smi 使用 vLLM（PagedAttention 优化吞吐） 多副本部署 + 负载均衡 启用连续批处理（vLLM 默认开启） 官网 https://www.heteroflow.com.cn/
