【RFC】HyperParallel支持LLM推理Generate流程 #2101

RFC: HyperParallel 支持 LLM 推理 Generate 流程

需求背景 & 价值

开源实习任务地址：https://gitcode.com/mindspore/community/issues/2101
当前 HyperParallel 的能力重心在分布式训练，缺乏推理侧 Generate 流程的端到端链路。随着训推一体（RLHF / PPO / GRPO）和 RL 训练场景的兴起，框架需要在训练态和推理态之间无缝切换——训练完成后直接在同一分布式环境下进行模型推理生成，无需导出到第三方推理框架。

业界参考：HuggingFace Transformers generate()

HF 的 generate() 是业界事实标准，其核心设计要点：

• 统一入口：model.generate(**inputs)，内部根据 GenerationConfig 自动选择解码策略
• 默认 Greedy：do_sample=False 时为贪心搜索，do_sample=True 时切换到多项式采样
• 参数体系：max_new_tokens（控制生成长度）、temperature / top_k / top_p（控制采样）、repetition_penalty（惩罚重复）、eos_token_id（停止条件）
• Batch 支持：通过 padding_side="left" + attention_mask 处理不等长 batch prompt
• 扩展机制：logits_processor、stopping_criteria 可插拔自定义逻辑

HyperParallel generate 的设计目标是对齐 HF 的核心生成范式，同时适配分布式场景（TP/CP）的额外一致性需求。

核心价值：

• 补齐 HyperParallel 推理生成能力，实现训推一体闭环
• 对齐 HF generate 的核心使用范式，降低用户学习成本
• 支持 Greedy / Top-K / Top-P 多种采样策略及 repetition_penalty
• 内置 KV Cache 管理，避免 Decode 阶段重复计算历史 token
• 分布式推理下保证单卡/多卡生成结果一致

---

功能描述

1. 自回归生成流程

实现 Prefill + Decode 两阶段生成，对标 HF model.generate()：

Prefill 阶段：根据 prompt_len 构造 causal attention mask；构造 position_ids；一次性调用 model.forward() 编码全部输入 token；将返回的 past_key_values 写入 KV Cache。

Decode 阶段（循环 max_new_tokens 次）：取 logits[:, -1, :] 作为当前步预测分数；应用 repetition_penalty；按采样策略选择下一个 token；遇 eos_token_id 或达 max_new_tokens 则停止；以单 token（seq_len=1）调用 model.forward()；将新的 past_key_values 增量合并到 KV Cache。

2. 采样策略（对齐 HF 行为）

策略	触发条件	行为
Greedy	do_sample=False（默认）	argmax，确定性输出
Top-K	do_sample=True, top_k>0	保留 top-k logits，softmax 后多项式采样
Top-P	do_sample=True, top_p<1.0	核采样，累计概率 ≤ p 的最小 token 集合
Repetition Penalty	repetition_penalty != 1.0	逐 batch item 独立惩罚已出现 token

3. KV Cache 管理

对标 HF 的 past_key_values 机制，存储每层 key/value 张量，避免 Decode 阶段重复计算。

• 格式：List[Tuple[Tensor, Tensor]]，每层 (K, V)，形状 (B, num_heads, seq_len, head_dim)
• update：Prefill 后首次写入 / Decode 后替换为新值
• merge：将历史 cache 与新 token 的 KV 沿 seq 维度拼接
• detach：断开计算图（所有 generate 操作在 @torch.no_grad() 下）
• clear：释放缓存

4. Batch 推理支持

对齐 HF 的 padding_side="left" + attention_mask 模式：

• 接收 2D attention_mask (Batch_size, Seq_len)，1=real token，0=padding
• 自动推导 left-padding 下的 position_ids（padding 位置给 0，real token 从 0 递增）
• 逐 batch item 独立追踪 EOS 停止状态（类似 HF 的 UnfinishedSequenceLogitsProcessor）
• 输出时逐 item 去 padding、拼接生成结果、pad 对齐到统一长度

5. TP/CP 分布式推理

HF 原生 generate() 不具备分布式并行推理能力。

TP 推理（Phase 4）：各 rank 持有部分 logits（vocab 维度分片），采样前 all-gather 聚合完整 logits，全局执行 Greedy/Top-K 采样。TP 模型层内部已处理权重切分与激活聚合，单 token forward 无需额外修改。

CP 推理（Phase 5）：上下文并行涉及 Ring Attention 或 All-to-All 通信（参考 core/context_parallel/ 的 Ulysses / Colossal AI 实现），KV Cache 的 seq 维度在 rank 间分片，causal mask 适配本地 seq 范围。复用 CP 模块现有通信原语，需扩展 KVCache 支持分片管理。

验证目标：单卡与双卡（TP=2 / CP=2）生成结果逐 token 完全一致。

---

设计方案

1. 文件组织

hyper_parallel/generate/
├── __init__.py      # 导出 generate, GenerationConfig, KVCache, samplers
├── generation.py    # generate() — 核心 Prefill + Decode 主循环
├── sampler.py       # greedy_sample / top_k_sample / top_p_sample / _apply_repetition_penalty
├── kv_cache.py      # KVCache — update / merge / clear
├── utils.py         # GenerationConfig, build_causal_mask, build_position_ids
└── mixin.py         # GenerateMixin — model.generate() 便捷方法

2. GenerationConfig

@dataclass
class GenerationConfig:
    # ── Phase 1 实现 ──
    max_new_tokens: int = 256
    temperature: float = 1.0
    top_k: int = 50
    top_p: float = 1.0
    do_sample: bool = False
    eos_token_id: int = 2
    pad_token_id: int = 0
    repetition_penalty: float = 1.0

    # ── 预留扩展字段（Phase 1 预定义接口） ──
    logits_processor: Optional[List[Callable]] = None
    stopping_criteria: Optional[List[Callable]] = None

    def __post_init__(self):
        if self.temperature <= 0:
            raise ValueError("temperature must be > 0")
        if self.top_k < 0:
            raise ValueError("top_k must be >= 0")
        if not 0 < self.top_p <= 1.0:
            raise ValueError("top_p must be in (0, 1]")
        if self.logits_processor is not None:
            import warnings
            warnings.warn(
                "logits_processor is reserved for a future release and is "
                "currently ignored. Custom logits processors will take effect "
                "once the LogitsProcessor interface is implemented.",
                FutureWarning,
            )
        if self.stopping_criteria is not None:
            import warnings
            warnings.warn(
                "stopping_criteria is reserved for a future release and is "
                "currently ignored. Custom stopping criteria will take effect "
                "once the StoppingCriteria interface is implemented.",
                FutureWarning,
            )

与 HF 的关键差异及设计考量：

• 扩展机制（分阶段策略）：
  • Phase 1：GenerationConfig 中预留 logits_processor 和 stopping_criteria 字段（类型为 Optional[List[Callable]]，默认 None），generate 循环内暂时忽略这两个字段。API 层面用户可见，文档标注"首期未实现，传值不生效"。generate 主循环内部通过 _apply_logits_processors 和 _check_stopping_criteria 两个私有方法隔离采样/停止逻辑。
  • Phase 2+：实现 LogitsProcessor / StoppingCriteria 抽象基类，generate 循环读取 config.logits_processor / config.stopping_criteria 并应用。上层 API 不变（字段已在 Phase 1 定义），仅行为从"忽略"变为"生效"。
• Beam search：Phase 1 聚焦 greedy 和 sampling 两种策略。Beam search 涉及多假设维护、KV Cache 结构变更（beam_size × batch_size）、分布式聚合逻辑变化，复杂度有数量级差异，有待考虑后续实现。

3. 生成主循环

generate(model, input_ids, generation_config, attention_mask=None)
  │
  ├─ Phase 1 — Prefill
  │   ├─ causal mask: (1, 1, S, S), 上三角 -inf
  │   ├─ position_ids: 感知 left-padding（padding→0, real→0,1,2,...）
  │   ├─ model(input_ids, position_ids, causal_mask, past_key_values=None)
  │   └─ cache.update(past_key_values)
  │
  ├─ Phase 2 — Decode (循环 max_new_tokens 次)
  │   ├─ logits[:, -1, :] → rep_penalty → greedy/top_k/top_p → next_tokens (B, 1)
  │   ├─ 逐 item EOS 检测 → 更新 is_finished
  │   ├─ 全部 finished → break
  │   ├─ position_ids = prompt_lengths + step  (B, 1)
  │   ├─ model(next_tokens, position_ids, attention_mask=None, past_key_values=cache.past_key_values)
  │   └─ cache.update(new_past_key_values)
  │
  └─ 输出: torch.LongTensor，shape (batch_size, max_total_len)，
  			max_total_len =  max(prompt_len_i + generated_len_i)，
            即 batch 中最长样本的总长度，不足此长度的样本在右侧用 pad_token_id 填充

4. 与模型侧的接口契约

Generate 模块不 import 任何具体模型类，通过行为契约对接（与 HF 的 GenerationMixin 设计理念一致：解耦生成逻辑和模型实现）：

契约点	约定
模型前向签名	forward(input_ids, position_ids, attention_mask, past_key_values) → dict{logits, past_key_values}
past_key_values	List[Tuple[Tensor, Tuple]]，K/V 形状 (batch_size, num_heads, seq_len, dim)
attention_mask	(batch_size, 1, seq_len, seq_len)，causal + padding 的合成 mask。上三角为 -inf（causal），padding 列也设置为 -inf。Decode 阶段单 token 时传 None（注意力天然可见全部历史 KV）
position_ids	(batch_size, seq_len)，Prefill 从 0 开始，left-padding 位置给 0
logits	(batch_size, seq_len, vocab_size)，Decode 取 [:, -1, :]

attention_mask 不是纯 causal mask。Prefill 阶段 generate 模块负责将 causal mask 与 padding mask 合成为最终传给模型的 attention_mask：causal 部分（上三角 -inf）保证自回归约束，padding 部分（填充列 -inf）保证模型忽略无效位置。两者的合成逻辑由 generate 模块内部的 _build_combined_mask 完成。

---

实施计划

能力渐进叠加，每个 Phase 在前一个基础上增加一层能力，每个 Phase 完成后可独立验证。

Phase 1: Greedy 单 prompt          ← 最简，验证核心循环正确
  └─→ Phase 2: + KV Cache + 采样   ← 效率 + 多样性
       └─→ Phase 3: + Batch        ← 吞吐
            └─→ Phase 4: + TP 推理  ← HyperParallel 核心价值：单卡/多卡一致性
                 └─→ Phase 5: + CP 推理  ← Ring/All-to-All，复用 core/context_parallel/

Phase 1 — Greedy 单 prompt（基础闭环）

目标：在 qwen3.5 模型上跑通最简 greed 生成。无 KV Cache、无采样策略、单条 prompt。

Step	内容	产出
1.1	GenerationConfig dataclass + __post_init__ 校验	utils.py
1.2	build_causal_mask + build_position_ids	utils.py
1.3	greedy_sample(logits) → (batch_size, 1)	sampler.py
1.4	generate() 最简循环：Prefill → 逐 step greedy 采样 → 拼接输出。全程 @torch.no_grad()	generation.py

验证：

CI 自动测试使用 stub 模型（CPU，秒级）；本地手动验证使用 qwen3.5-0.8B（CPU，需 HF checkpoint）。二选一测试。

ID	检查项
UT-01	GenerationConfig 默认值 + 非法参数校验
UT-02	输入 (1, 4)，max_new=8 → 输出 shape (1, 12)
UT-03	同一输入两次调用 → 输出完全一致（greedy 确定性）
UT-04	max_new_tokens=3 → 输出 ≤ prompt_len + 3
UT-05	eos 命中时提前停止

Phase 2 — KV Cache + 采样

目标：Decode 效率不随生成长度线性增长，支持非确定性采样。

Step	内容	产出
2.1	KVCache 类：update / merge / clear	kv_cache.py
2.2	generate 接入 KV Cache：Prefill 后 cache.update，Decode 每步传 cache.past_key_values	generation.py
2.3	top_k_sample + top_p_sample + _apply_repetition_penalty	sampler.py

验证（CPU / stub 模型。KV Cache 与采样逻辑与模型无关，stub 模型即可充分验证）：

ID	检查项
UT-06	KVCache 空/更新/merge/clear
UT-07	KV Cache 开/关，同一 prompt 生成结果完全一致
UT-08	Top-K/Top-P 输出合法 token
UT-09	Repetition penalty 生效

Phase 3 — Batch prompts

目标：支持 left-padded batch 输入，逐 item 独立 EOS 停止。

Step	内容	产出
3.1	generate() 新增 attention_mask 参数	generation.py
3.2	_build_prefill_position_ids：left-padding 感知	generation.py
3.3	逐 item EOS + 输出去 padding/pad 对齐	generation.py

验证（CPU / stub 模型。Batch 拼接与 EOS 逻辑与模型无关）：

ID	检查项
BATCH-01	batch_size=2 等长输出 shape 正确
BATCH-02	left-padded 不等长 batch，greedy 两次一致
BATCH-03	不传 attention_mask 时行为与 Phase 2 一致

Phase 4 — TP 分布式推理

目标：Ascend A2 上 TP=2 单卡/双卡 Greedy 生成结果逐 token 一致。HyperParallel generate 区别于 HF 原生 generate 的核心能力

Step	内容	产出
4.1	TP 推理：all-gather logits → 全局采样 → 单 token forward	generation.py（或 TP 模块中独立实现）
4.2	性能基线：Prefill latency + Decode tokens/s	性能数据

CP 推理见 Phase 5。

验证（qwen3.5-0.8B + MoE，Ascend A2，TP=2）：

ID	检查项
DIST-01	TP=2 Greedy vs 单卡，逐 token 完全一致
DIST-02	Prefill latency + Decode tokens/s

Phase 5 — CP 分布式推理

目标：Ascend A2 上 CP=2 单卡/多卡 Greedy 生成结果一致。CP 涉及 Ring Attention 或 All-to-All 通信（参考 core/context_parallel/ 的 Ulysses / Colossal AI 实现），KV Cache 的 seq 维度在各 rank 间分片，causal mask 需适配本地 seq 范围，KVCache 需扩展分片管理能力。

Step	内容	说明
5.1	CP Prefill 适配：seq 分片下的 causal mask + position_ids	复用 CP 模块的 A2A 通信原语
5.2	CP Decode 适配：单 token（seq=1）天然不涉及切分	改动量小
5.3	KV Cache 分片管理：每 rank 只持有本地 seq 段的 KV	需扩展 KVCache 类

验证（qwen3.5-0.8B，Ascend A2，CP=2）：

ID	检查项
DIST-03	CP=2 Greedy vs 单卡，结果一致
DIST-04	CP=2 Decode tokens/s

---

对外 API

from hyper_parallel.generate import generate, GenerationConfig

# 返回值: torch.LongTensor, shape (batch_size, max_total_len)
# 每个 batch item = [去 padding 的 real_prompt | generated_tokens | pad 对齐]

# Phase 1/2: 单 prompt
config = GenerationConfig(max_new_tokens=128, do_sample=True, top_k=50)
output = generate(model, input_ids, config)

# Phase 3: Batch prompts (left-padded)
output = generate(model, batch_ids, config, attention_mask=attn_mask)

# Phase 4: TP 推理（模型需先完成 TP 切分）
# generate() 内部自动 all-gather logits 后采样，用户无需额外操作
output = generate(tp_model, input_ids, config)

# Phase 5: CP 推理（模型需先完成 CP 切分）
# generate() 内部适配 seq 分片的 mask 构造与 KVCache 管理
output = generate(cp_model, input_ids, config)

# Mixin 便捷方式（对齐 HF 的 model.generate() 调用习惯）
from hyper_parallel.generate.mixin import GenerateMixin
class MyModel(GenerateMixin, nn.Module): ...
output = model.generate(input_ids, config)

---

使用约束

• 模型 forward 必须返回 dict 含 "logits"，可选 "past_key_values"
• generate 全程 @torch.no_grad()，不产生梯度图
• Beam search 不在本次范围，计划通过独立 RFC 在后续版本实现（涉及 KV Cache 结构、分布式聚合逻辑的多处变更）
• 扩展机制（logits_processor / stopping_criteria）Phase 1 通过私有方法预留扩展点，不暴露完整公共接口，后续可自然演进
• temperature=0 不被允许，极端 greedy 用 do_sample=False
• TP（Phase 4）和 CP（Phase 5）均为本次交付项

---

测试设计

单元测试（CPU / stub）

用例 ID	描述	期望
GEN-UT-01	GenerationConfig 默认值与参数校验	合法通过，非法抛异常
GEN-UT-02	Greedy 单 prompt 输出 shape	(1, prompt+max_new)
GEN-UT-03	Greedy 确定性（同输入两次）	完全一致
GEN-UT-04	max_new_tokens 被遵守	输出 ≤ prompt + max_new
GEN-UT-05	EOS 触发提前停止	输出 < prompt + max_new
GEN-UT-06	KVCache 空/更新/合并/清理	操作正确
GEN-UT-07	KV Cache 开/关结果一致	完全一致
GEN-UT-08	Top-K/Top-P 输出合法性	值在 vocab 范围内

Batch 测试（CPU）

用例 ID	描述	期望
GEN-BATCH-01	batch_size=2 等长输出 shape	(2, ≥prompt_len)
GEN-BATCH-02	left-padded batch greedy 确定性	两次一致
GEN-BATCH-03	不传 attention_mask 兼容 Phase 2	行为一致

模型验证（qwen3.5 + qwen3.5 MoE，Ascend A2）

用例 ID	描述	期望
GEN-QWEN-01	qwen3.5-0.8B base Greedy 生成合法文本	decode 后为可读文本
GEN-QWEN-02	qwen3.5 MoE Greedy 生成合法文本	decode 后为可读文本
GEN-QWEN-03	两模型 Top-K 输出多样性（两次调用不同）	两次输出不全等

分布式测试（Ascend A2）

用例 ID	描述	期望
GEN-DIST-01	TP=2 Greedy vs 单卡逐 token 一致	完全一致
GEN-DIST-02	TP=2 Prefill latency + Decode tokens/s	正常输出
GEN-DIST-03	CP=2 Greedy vs 单卡结果一致	完全一致
GEN-DIST-04	CP=2 Decode tokens/s	正常输出

回归测试

• 训练链路不受影响（generate 与训练路径隔离）
• Stub 模型测试可在 CPU CI 运行（确保 PR 独立可测）

---

规格 & 约束

• 规格：实现 Prefill + Decode 基础 generate，支持 qwen3.5 / qwen3.5 MoE 两个模型可用
• 额外功能：KV Cache、repetition_penalty、多采样策略、batch reasoning、GenerateMixin、stub 模型独立可测
• 性能：NA（首期记录 Prefill latency + Decode tokens/s 基线）
• 约束：首期不支持 beam search / logits_processor / stopping_criteria
• 环境：Python 3.10 / PyTorch 2.6 / MindSpore>=2.8 / CANN 8.5（性能基线需 2×Ascend A2）

---

参考

• HF generate 教程：https://huggingface.co/docs/transformers/main/en/llm_tutorial
• HF GenerationConfig：https://huggingface.co/docs/transformers/main/en/main_classes/text_generation#transformers.GenerationConfig
• 上下文并行：hyper_parallel/core/context_parallel/
• 张量并行：hyper_parallel/core/tensor_parallel/
• LLaMAFactory 集成：hyper_parallel/integration/llamafactory/
• SIG 仓库：https://atomgit.com/mindspore/community/tree/master/sigs/parallel_training_system

schema_version: 1
source: gitcode
gitcode_repo: mindspore/hyper-parallel
gitcode_issue: 181
source_url: https://gitcode.com/mindspore/hyper-parallel/issues/181

Start by reviewing the proposed hyper_parallel/generate/ files and the model forward contract, then inspect core/context_parallel/ for the existing Ulysses and Colossal AI communication patterns. Use a CPU stub model to validate the Phase 1 and Phase 2 checks listed as UT-01 through UT-09 before investigating batch, TP, and CP behavior. Done means the phased generation flow and its listed validation checks work, including single-card and distributed consistency.