请求增加优先级参数，优先调度高优先级的请求

[781574155]

Feature request / 功能建议

如题。我们在实际生产环境中，需要长时间跑一些文件处理任务（比如写摘要，且对于单个大文件又要拆分为很多小的请求）。与此同时，用户可能有大模型聊天的需求。如果没有优先级，会导致聊天请求要排队等待前面的文件处理任务执行完，才慢慢调度到聊天的请求。这显然是不能接受的。现在的情况是，我们一有文件在处理（比如几百个），就（基本）无法聊天了

Motivation / 动机

我希望咱们能扩展openai的参数，增加一个priority的参数。我不希望是增加新的接口。我希望能够保持我的程序能随时切换到任何支持openai接口的大模型。

Your contribution / 您的贡献

无

[781574155]

vllm是支持优先级的：vllm-project/vllm#8850

[qinxuye]

可以尝试在 generate_config 里支持 priority。

inference/xinference/model/llm/vllm/core.py

Lines 334 to 404 in b0b2fa6

	def _sanitize_generate_config(
	generate_config: Optional[Dict] = None,
	) -> VLLMGenerateConfig:
	if not generate_config:
	generate_config = {}
	sanitized = VLLMGenerateConfig()
	response_format = generate_config.pop("response_format", None)
	guided_decoding_backend = generate_config.get("guided_decoding_backend", None)
	guided_json_object = None
	guided_json = None
	if response_format is not None:
	if response_format.get("type") == "json_object":
	guided_json_object = True
	elif response_format.get("type") == "json_schema":
	json_schema = response_format.get("json_schema")
	assert json_schema is not None
	guided_json = json_schema.get("json_schema")
	if guided_decoding_backend is None:
	guided_decoding_backend = "outlines"
	sanitized.setdefault("lora_name", generate_config.get("lora_name", None))
	sanitized.setdefault("n", generate_config.get("n", 1))
	sanitized.setdefault("best_of", generate_config.get("best_of", None))
	sanitized.setdefault(
	"presence_penalty", generate_config.get("presence_penalty", 0.0)
	)
	sanitized.setdefault(
	"frequency_penalty", generate_config.get("frequency_penalty", 0.0)
	)
	sanitized.setdefault("temperature", generate_config.get("temperature", 1.0))
	sanitized.setdefault("top_p", generate_config.get("top_p", 1.0))
	sanitized.setdefault("top_k", generate_config.get("top_k", -1))
	sanitized.setdefault("max_tokens", generate_config.get("max_tokens", 1024))
	sanitized.setdefault("stop", generate_config.get("stop", None))
	sanitized.setdefault(
	"stop_token_ids", generate_config.get("stop_token_ids", None)
	)
	sanitized.setdefault("stream", generate_config.get("stream", False))
	sanitized.setdefault(
	"stream_options", generate_config.get("stream_options", None)
	)
	sanitized.setdefault(
	"skip_special_tokens", generate_config.get("skip_special_tokens", True)
	)
	sanitized.setdefault(
	"guided_json", generate_config.get("guided_json", guided_json)
	)
	sanitized.setdefault("guided_regex", generate_config.get("guided_regex", None))
	sanitized.setdefault(
	"guided_choice", generate_config.get("guided_choice", None)
	)
	sanitized.setdefault(
	"guided_grammar", generate_config.get("guided_grammar", None)
	)
	sanitized.setdefault(
	"guided_whitespace_pattern",
	generate_config.get("guided_whitespace_pattern", None),
	)
	sanitized.setdefault(
	"guided_json_object",
	generate_config.get("guided_json_object", guided_json_object),
	)
	sanitized.setdefault(
	"guided_decoding_backend",
	generate_config.get("guided_decoding_backend", guided_decoding_backend),
	)
	return sanitized

欢迎提交 PR。

[781574155]

@qinxuye 大哥，这个需求应该很多人都需要。因为私有化部署，往往资源是有限的。不可能部署两套，一套做批处理任务，一套做实时任务。你就动动你的金手指，分分钟把它写了算了！我也想贡献个PR，但是我搞不懂啊！

[qinxuye]

这个是个企业级特性，我们只会在企业版上支持类似能力，不过开源欢迎社区贡献。

[github-actions]

This issue is stale because it has been open for 7 days with no activity.