SGLang最新版本提供了确定性推理的方法:SGLang的确定性推理
!!!Thinking Machines Lab对这个问题基本上画上了句号，在其官方blog
大模型推理阶段，进行batch inference批处理推理解码，会像预期的那样速度很快推完吗？会不会有什么问题？
batch inference推理的结果居然会和一条一条推理结果差的很远？！！
Batch Decoding/Inference of LLMs will cause different outputs with different batch size?!
行为表现
测试中可以发现，即使是在推理阶段，不是在训练阶段，对于多模态大模型VLLM，如果推理时候为了加速推理，不是一条一条数据让模型推，而是一次推理batch_size>1条数据，对比batch_size=1和batch_size>1的结果，会发现这两份结果分布是不一样的，why？
- 可能表现为，batch_size=1测下来的模型推理结果基本上都是对的，例如本身让模型回复“是”或者“否”，很短的回答，模型回答的挺好的，不仅正确而且简短没有废话
- 调试好了之后大规模数据上batch inference批处理，batch_size>1，发现推理没有变快，推理结果还有问题，准确性大幅下降，模型甚至给出了很多长回复(例如模型开始解释，或者开始模棱两可说为什么不能回答这个问题)
是否是模型随机种子、采样影响
推理阶段影响模型随机性的参数
推理阶段影响模型随机性的参数，可以控制的主要有3个，分别为temperature、topK和topP：
- temperature:温度参数影响输出的概率分布，当温度接近0时，模型会变得非常确定性，几乎总是选择具有最高概率的下一个词，从而产生更加一致但可能较为重复或缺乏创意的输出。如果希望减少随机性，可以将温度设得低一些
- topK：只考虑最有可能的k个词汇，并从中进行随机选取，设置一个较小的k值可以帮助减小随机性，因为只有少量高概率的词汇会被选中
- topP：它基于累积概率来决定候选词汇集。具体来说，模型会选择累积概率达到p阈值的最少数量的词汇作为候选。p值通常设定为0.8或0.9左右，这意味着大约80%或90%的累计概率被覆盖。如果想进一步降低随机性，可以提高这个值
有的人会觉得batch inference结果的差异是模型本身随机性导致的，从分布里面采样，采出来结果不可能每次都一样。为了去掉随机性干扰，可以把temperature设置为0，topK和topP都做类似的设置。当然最好的方式，直接设置do_sample或者是sampling=False，解码时不进行随机采样，这样结果按理就是确定的。
结果表明，即使sampling=False，batch inference的结果还是会和batch_size=1不一样
batch inference结果受到哪些因素影响
在do_sample=False的情况下，已知的，会影响推理结果的因素主要有：
- batch size，不同batch size大小结果会很不一样
- padding side (left/right)，无论左还是右都不能消除，左和右的推理结果也会很不一样
- padding value (<unk><eos><bos><0>)，用不同的padding值都不能消除差异，不同padding的值也会右影响
- dtype，数据类型也会有影响（有人怀疑是RMSNorm导致的浮点溢出的问题），FP32、BF16、FP16等都会有影响，即使和原始模型的dtype一样，batch inference解码结果也会不一样
- KV-cache，是否打开KV-cache也会影响，但是关闭KV-cache并不能解决问题
已知的，会影响到的模型包括所有使用旋转位置编码的模型
解决方法：无，目前还没有修复，可以参考下面的github上gante的comment
缓解的方式
在使用多模型模型MiniCPM-V-2.6尝试，保证每个batch里面输入的token长度是一样的（都是问同一个问题，并且图片的数量一样），这种情况下就不需要padding，得到的batch inference的结果统计下来和batch_size=1的结果是一致的
避免的方式
微调模型，如果是需要确定性回答的，比如让模型做分类任务，输出class标签或者VQA做选择题，让微调时prompt和inference一样，被batch size影响的程度会比较小，目前测下来是这样的，可能F1上偏差<3%
参考
- 探究inference阶段batch inference差异的论文：The batch size can affect inference results，Openreview
- github上的深入探究：huggingface的探究
