vllm分析(七)——模型结构分析

LLama

模型权重 DeepSeek-R1-Distill-Llama-70B
模型参数 DeepSeek-R1-Distill-Llama-70B/config.json

{"architectures":["LlamaForCausalLM"],"attention_bias":false,"attention_dropout":0.0,"bos_token_id":128000,"eos_token_id":[128001,128008,128009],"head_dim":128,"hidden_act":"silu","hidden_size":8192,"initializer_range":0.02,"intermediate_size":28672,"max_position_embeddings":131072,"mlp_bias":false,"model_type":"llama","num_attention_heads":64,"num_hidden_layers":80,"num_key_value_heads":8,"pretraining_tp":1,"rms_norm_eps":1e-05,"rope_scaling":{"factor":8.0,"high_freq_factor":4.0,"low_freq_factor":1.0,"original_max_position_embeddings":8192,"rope_type":"llama3"},"rope_theta":500000.0,"tie_word_embeddings":false,"torch_dtype":"bfloat16","transformers_version":"4.47.0.dev0","use_cache":true,"vocab_size":128256}

q 部分: 64头×128=8192，k/v 各: 8头×128=1024。
Attention类型为Grouped query attention。
docode layer: 80层。

llama 模型结构

vllm 中的模型构建文件：llama.py

2 嵌入层 (VocabParallelEmbedding)

VocabParallelEmbedding

在tp>1场景，当需要查找词嵌入时，每个设备独立计算自己负责的词，然后通过一个集合通信操作（All-Reduce）将所有设备的结果聚合起来，得到最终的完整嵌入。
refer: 从零实现 vLLM (1.1）：并行词嵌入 VocabParallelEmbedding

LlamaDecoderLayer

3 input_layernorm (RMSNorm)
class RMSNorm
vllm 中的 class RMSNorm中融合了残差Add 和rmsnorm计算。

input_layernorm (RMSNorm) - 若 residual 为 None: residual = hidden_states hidden_states = norm(hidden_states) - 否则: hidden_states, residual = norm(hidden+residual)

博客Deepseek R1/V3模型结构总览，分别画出了Add 和 RMSNorm。
在vllm，Add + RMSNorm 被封装到class RMSNorm。

4 LlamaAttention
LlamaAttention

classLlamaAttention(nn.Module):def__init__(self,config:LlamaConfig,hidden_size:int,num_heads:int,num_kv_heads:int,max_position_embeddings:int=8192,quant_config:QuantizationConfig|None=None,bias:bool=False,bias_o_proj:bool=False,cache_config:CacheConfig|None=None,prefix:str="",attn_type:str=AttentionType.DECODER,)->None:self.qkv_proj=QKVParallelLinear(hidden_size=hidden_size,head_size=self.head_dim,total_num_heads=self.total_num_heads,total_num_kv_heads=self.total_num_kv_heads,bias=bias,quant_config=quant_config,prefix=f"{prefix}.qkv_proj",)self.o_proj=RowParallelLinear(input_size=self.total_num_heads*self.head_dim,output_size=hidden_size,bias=bias_o_proj,quant_config=quant_config,prefix=f"{prefix}.o_proj",)self._init_rotary_emb(config,quant_config=quant_config)self.attn=attn_cls(self.num_heads,self.head_dim,self.scaling,num_kv_heads=self.num_kv_heads,cache_config=cache_config,quant_config=quant_config,per_layer_sliding_window=sliding_window,attn_type=attn_type,prefix=f"{prefix}.attn",)defforward(self,positions:torch.Tensor,hidden_states:torch.Tensor,)->torch.Tensor:qkv,_=self.qkv_proj(hidden_states)q,k,v=qkv.split([self.q_size,self.kv_size,self.kv_size],dim=-1)q,k=self.rotary_emb(positions,q,k)attn_output=self.attn(q,k,v)output,_=self.o_proj(attn_output)returnoutput

子模块：
QKVParallelLinear
qkv.split
rotary_emb: 旋转位置编码，ROPE。为什么需要位置编码？： 在未加入位置信息的情况下，无论 q和k 所处的位置如何变化，它们之间的注意力权重均不会发生变化，也就是位置无关，这显然与直觉不符。对于两个词向量，如果它们之间的距离较近，我们希望它们之间的的注意力权重更大，当距离较远时，注意力权重更小。为此引入了位置编码机制。
Attention计算，self.attn(q, k, v)。
RowParallelLinear

在tp>1场景，RowParallelLinear最后会执行All-Reduce，收集结果。
Tensor Parallelism in Attention，以MHA为例，tp=2场景：

post_attention_layernorm (RMSNorm)

LlamaMLP

MLP的计算公式，Act代表激活函数，一般为SiLU：
F F N ( x ) = d o w n _ p r o j × ( u p _ p r o j × x ∗ A c t ( g a t e _ p r o j × x ) ) FFN(x) = down\_proj \times (up\_proj \times x \ * \ Act(gate\_proj \times x))FFN(x)=down_proj×(up_proj×x∗Act(gate_proj×x))
LlamaMLP

classLlamaMLP(nn.Module):def__init__(self,hidden_size:int,intermediate_size:int,hidden_act:str,quant_config:QuantizationConfig|None=None,bias:bool=False,prefix:str="",reduce_results:bool=True,disable_tp:bool=False,)->None:super().__init__()self.gate_up_proj=MergedColumnParallelLinear(input_size=hidden_size,output_sizes=[intermediate_size]*2,bias=bias,quant_config=quant_config,disable_tp=disable_tp,prefix=f"{prefix}.gate_up_proj",)self.down_proj=RowParallelLinear(input_size=intermediate_size,output_size=hidden_size,bias=bias,quant_config=quant_config,reduce_results=reduce_results,disable_tp=disable_tp,prefix=f"{prefix}.down_proj",)ifhidden_act!="silu":raiseValueError(f"Unsupported activation:{hidden_act}. Only silu is supported for now.")self.act_fn=SiluAndMul()defforward(self,x):x,_=self.gate_up_proj(x)x=self.act_fn(x)x,_=self.down_proj(x)returnx

在vllm中，gate_proj 和 up_proj对应的权重融合进了 MergedColumnParallelLinear。
SiluAndMul 的计算：

classSiluAndMul(CustomOp):"""An activation functionforSwiGLU.The function computes x->silu(x[:d])*x[d:]where d=x.shape[-1]//2.

代码中的 * 运算符执行的是对应元素相乘（即逐元素乘法，Hadamard product)。

在tp>1场景，RowParallelLinear最后会执行All-Reduce，收集结果。
MLP 输出形状：[B, S, 8192]

最终 RMSNorm

hidden_states, _ = self.norm(hidden_states, residual)

LogitsProcessor

Logits processors allow you to modify the model’s output distribution before sampling, enabling controlled generation behaviors like token masking, constrained decoding, and custom sampling strategies.
Custom Logits Processors 文档说明

模型文件中的compute_logits已经废弃，Logits processors的处理逻辑在Sampler中触发： self.apply_logits_processors
这个部分，在最新的代码中，封装层次已经很复杂了，参考：Logits处理器体系

Sampler

sample_tokens
A layer that samples the next tokens from the model’s outputs.
Sampler 的处理过程：

forward(logits, sampling_metadata) │ ├─ 确定 logprobs_mode，如需 logprobs 则计算 raw_logprobs ├─ logits = logits.float() ├─ logits = apply_logits_processors(logits, ...) │ ├─ 合并 output + spec token ids (若 predict_bonus_token) │ ├─ 应用 allowed token ids mask │ ├─ 应用 bad words │ ├─ 应用非 argmax‑invariant logits processors │ └─ 应用 penalties (repetition, frequency, presence) │ ├─ sampled, processed_logprobs = sample(logits, sampling_metadata) │ ├─ 若 all_greedy：直接 argmax 并返回 │ ├─ 温度缩放 │ ├─ 应用 argmax‑invariant processors (如 min_p) │ ├─ 调用 topk_topp_sampler 获得随机采样结果 │ └─ 根据 temperature 阈值合并贪婪结果 │ ├─ 若需要 logprobs： │ ├─ num_logprobs == -1 → 返回原始 raw_logprobs │ └─ 否则 gather_logprobs(raw_logprobs, num_logprobs, sampled) │ └─ 返回 SamplerOutput(sampled_token_ids, logprobs_tensors)

采样策略，参考: Top-k & Top-p解码策略

Qwen3MoeForCausalLM

模型权重 Qwen3-30B-A3B-Instruct-250
模型参数 Qwen3-30B-A3B-Instruct-2507/config.json

{"architectures":["Qwen3MoeForCausalLM"],"attention_bias":false,"attention_dropout":0.0,"bos_token_id":151643,"decoder_sparse_step":1,"eos_token_id":151645,"head_dim":128,"hidden_act":"silu","hidden_size":2048,"initializer_range":0.02,"intermediate_size":6144,"max_position_embeddings":262144,"max_window_layers":48,"mlp_only_layers":[],"model_type":"qwen3_moe","moe_intermediate_size":768,"norm_topk_prob":true,"num_attention_heads":32,"num_experts":128,"num_experts_per_tok":8,"num_hidden_layers":48,"num_key_value_heads":4,"output_router_logits":false,"rms_norm_eps":1e-06,"rope_scaling":null,"rope_theta":10000000,"router_aux_loss_coef":0.001,"sliding_window":null,"tie_word_embeddings":false,"torch_dtype":"bfloat16","transformers_version":"4.51.0","use_cache":true,"use_sliding_window":false,"vocab_size":151936}

q 部分: 32头×128=4096，k/v 各: 4头×128=512。
Attention类型为Grouped query attention。
docode layer: 48层。
每层由128专家，每个Token选择 topk=8个专家。

Qwen3Moe 模型结构

vllm 中的模型构建文件：qwen3_moe.py

Qwen3MoeSparseMoeBlock

Qwen3MoeSparseMoeBlock

┌──────────────────────────────────────────────────────┐ │ MoE 层 (Qwen3MoeSparseMoeBlock) | │ - 门控: ReplicatedLinear → 128个专家的logits │ │ - 每个token选择 top-8 专家 │ │ - 专家混合 (FusedMoE): │ │ 每个专家是双层FFN: 输入2048 → 中间768 → 输出2048 │ │ - 按门控概率加权求和 │ │ - 无共享专家 (shared_expert为空) │ └──────────────────────────────────────────────────────┘

Router为某一个专家计算出来的8个专家分别为0, 7, 9, 34, 77, 89, 110, 127号专家，他们的权重分别为0.1, 0.2, 0.2, 0.1, 0.05, 0.05, 0.1, 0.1。
最后专家输出的矩阵，每个专家的输出分别乘上0.1, 0.2, 0.2, 0.1, 0.05, 0.05, 0.1, 0.1，就这个Token的moe输出。