如何用SGLang部署openjev外部模型包开发吞吐提升1.5-3倍的完整部署指南【免费下载链接】openjev项目地址: https://ai.gitcode.com/hf_mirrors/AlexWortega/openjevopenjev是一个基于 Qwen3.5 训练的 NLI 交叉编码器jev 模型给它一段前提premise和假设hypothesis它输出蕴含/矛盾/中性三类概率。这个单一原语可以完成答案重排、内容评分、事实核查甚至实时玩游戏。本文将带你用SGLang部署 openjev介绍项目如何开发外部模型包补上 SGLang 缺失的序列分类头并实测带来1.5-3 倍的吞吐提升。为什么需要 SGLang 部署transformers 加载 openjev 开箱即用但批量推理时吞吐有限。SGLang 的连续批处理continuous batching和 KV 缓存复用天然适合高并发打分场景可惜SGLang 官方没有为 Qwen3.5 提供序列分类架构只有生成式的Qwen3_5ForConditionalGeneration。于是 openjev 项目开发了一个外部模型包external model package给 SGLang 的 Qwen3.5 模型补上一个线性打分头而混合缓存hybrid GDN cache、mrope 和多模态视觉塔全部保持原生不变。文本和图片输入都能工作/classify接口直接返回三个原始 logits。这个方案实测预测结果与 transformers 完全一致吞吐提升 1.5-3 倍。一键部署步骤整个过程只需两步。首先下载模型只需小体积的 0.8B v2s-long 检查点 code 目录hf download AlexWortega/openjev --include qwen3.5-0.8b-nli-v2s-long/* code/* --local-dir openjev然后启动 SGLang 服务项目已在 serve_sglang.sh 中封装好所有关键参数在 sglang 0.5.19 上验证过cd openjev/code bash serve_sglang.sh ../qwen3.5-0.8b-nli-v2s-long 30000脚本做了两件关键的事设置环境变量SGLANG_EXTERNAL_MODEL_PACKAGEsglang_openjev让 SGLang 加载外部模型包以--is-embedding模式启动并用--json-model-override-args {architectures: [Qwen3_5ForConditionalGeneration]}指定架构名让 SGLang 按多模态条件生成模型的路径装载模型这正是外部包劫持注册表入口的手法。不想要脚本也可以手动执行把code/加入PYTHONPATH设置同名环境变量再运行python -m sglang.launch_server --model-path dir --is-embedding --json-model-override-args {architectures: [Qwen3_5ForConditionalGeneration]}即可。验证预测并调用服务服务起来后用项目自带的客户端 sglang_client.py 即可调用接口与 transformers 版predict/rerank完全对齐from sglang_client import OpenJevSGLang jev OpenJevSGLang(http://127.0.0.1:30000) jev.predict([(A man is playing a guitar., Someone is making music.)]) # [[con, ent, neu]] jev.predict([(A photograph of a scene:, There is a dog.)], images[dog.jpg]) # 支持图片客户端内置多线程批量请求默认 16 个 worker 并发服务端自动跨请求批处理。还支持--check参数与 transformers 逐对对比概率python sglang_client.py --check ckpt/qwen3.5-0.8b-nli-v2s-long外部模型包是如何开发的外部包位于 code/sglang_openjev/核心文件是 qwen3_5_seqcls.py思路非常精巧值得新手学习不注册新架构名而是覆写已有入口。SGLang 按架构名字来查找混合缓存、mrope 配置和多模态处理器因此外部包直接继承官方Qwen3_5ForConditionalGeneration并重写该注册项注册表加载外部包时使用overwriteTrue。只在打分路径上加头。模型新增一个nn.Linear(hidden_size, num_labels)的score头和 LAST-token 池化器生成路径完全走原生super().forward()不受影响。走 embedding 通道返回 logits。请求get_embedding时取最后一个非 pad token 的隐状态过线性头与 transformers 的池化方式一致三个原始 logits 作为embedding返回。整个包对外只有一个入口声明EntryClass [Qwen3_5ForSequenceClassification]见 sglang_client.py 的配套用法开发者只需关心一个文件就能理解全貌。吞吐量基准1.5-3 倍实测数据基准脚本为 bench_sglang.py测试环境qwen3.5-0.8b-nli-v2s-long运行在一张与其他任务共享的 RTX A6000 上因此绝对速度是下限transformers 侧批大小 32。精度基本一致速度提升明显任务对数tokens/对精度(SGLang)精度(transformers)SGLang 对/秒transformers 对/秒加速比MNLI mmm196474486.6386.643211522.1xWANLI50004073.773.74001962.0xANLI r312009248.648.6218952.3xSciTail21264393.393.43192171.5xConTRoL长文本80561251.951.445153.1xARC-Challenge重排93744949.249.23341971.7x规律很清晰文本越长、批量越大SGLang 的优势越明显长文本任务高达 3.1 倍且所有任务准确率与 transformers 持平。常见问题与调优建议flashinfer 编译失败脚本默认ATTN_BACKENDtriton因为 flashinfer 需要用系统 nvcc 做 JIT 编译nvcc 低于 12.4 会失败。如遇同类问题保持 triton 后端即可。GPU 被多进程共享通过MEM_FRACTION环境变量控制显存占比注意它是整卡占比而非进程占比。例如 48GB 卡上已有 32GB 被占用可设MEM_FRACTION0.85启动。想换更大模型服务脚本接受任意检查点目录仓库中还提供 4B 文生图版qwen3.5-4b-nli-v2/和 MoE 版qwen3.5-35b-a3b-nli/后者需用 modeling_qwen35_moe_seqcls.py 配合。相关文件索引外部模型包源码code/sglang_openjev/qwen3_5_seqcls.py一键启动脚本code/serve_sglang.sh客户端含--check一致性校验code/sglang_client.py吞吐基准code/bench_sglang.py共享前缀优化测试test_shared_prefix.pytransformers 版封装predict/rerank/grademodeling_openjev.py按照以上步骤你只需两行命令就能把 openjev 以高吞吐 API 服务跑起来而外部模型包的覆写注册技巧也值得作为给推理引擎扩展自定义架构的范例收藏。【免费下载链接】openjev项目地址: https://ai.gitcode.com/hf_mirrors/AlexWortega/openjev创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考