File size: 15,398 Bytes
94fd0b0
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
"""
霜云(Shimokumo) - 推理引擎模块

实现自回归文本生成,支持:
- Top-K / Top-P采样
- KV Cache增量推理优化
- 流式生成(yield逐token输出)
- 多轮对话管理
- FP16混合精度推理
"""

import time
from dataclasses import dataclass, field
from typing import Dict, Generator, List, Optional, Tuple

import torch
import torch.nn.functional as F

from config import ShimokumoConfig
from model.shimokumo_model import ShimokumoModel
from model.tokenizer import ShimokumoTokenizer
from utils.logger import get_logger

logger = get_logger("Shimokumo.Inference")


@dataclass
class DialogueMessage:
    """对话消息数据类"""
    role: str  # "user", "assistant", "system"
    content: str
    timestamp: float = field(default_factory=time.time)
    token_ids: Optional[List[int]] = field(default=None, repr=False)

    def __post_init__(self):
        """自动记录创建时间"""
        if self.timestamp == 0:
            self.timestamp = time.time()


class DialogueHistory:
    """多轮对话历史管理器"""

    def __init__(self, max_turns: int = 20, max_tokens: int = 4096):
        """
        初始化对话历史。

        Args:
            max_turns: 最大对话轮数
            max_tokens: 最大token总数
        """
        self.max_turns = max_turns
        self.max_tokens = max_tokens
        self.messages: List[DialogueMessage] = []
        self.system_prompt: Optional[DialogueMessage] = None

    def set_system_prompt(self, prompt: str) -> None:
        """设置系统提示词"""
        self.system_prompt = DialogueMessage(role="system", content=prompt)

    def add_message(self, role: str, content: str) -> None:
        """
        添加一条对话消息。

        Args:
            role: 角色类型 ("user" / "assistant" / "system")
            content: 消息内容
        """
        msg = DialogueMessage(role=role, content=content)
        self.messages.append(msg)
        self._trim_history()

    def _trim_history(self) -> None:
        """裁剪历史,保持不超过最大轮数"""
        if len(self.messages) > self.max_turns * 2:
            # 保留最近的对话,但保留系统提示
            self.messages = self.messages[-(self.max_turns * 2):]

    def get_messages(self) -> List[Dict[str, str]]:
        """
        获取格式化的消息列表。

        Returns:
            包含role和content的字典列表
        """
        result: List[Dict[str, str]] = []

        if self.system_prompt:
            result.append({
                "role": "system",
                "content": self.system_prompt.content,
            })

        for msg in self.messages:
            result.append({"role": msg.role, "content": msg.content})

        return result

    def get_context_tokens(
        self,
        tokenizer: ShimokumoTokenizer,
    ) -> List[int]:
        """
        将对话历史编码为token序列。

        Args:
            tokenizer: 分词器实例

        Returns:
            编码后的token ID列表
        """
        messages = self.get_messages()
        return tokenizer.encode_chat(messages, add_bos=True, add_eos=False)

    def clear(self) -> None:
        """清空对话历史"""
        self.messages.clear()

    def get_last_n_turns(self, n: int) -> List[DialogueMessage]:
        """获取最近n轮对话"""
        return self.messages[-(n * 2):]

    def __len__(self) -> int:
        """返回消息数量"""
        return len(self.messages)


class ShimokumoInference:
    """霜云推理引擎

    封装模型推理逻辑,提供高效的文本生成接口。
    支持流式输出和多轮对话。

    用法:
        inference = ShimokumoInference(config, model, tokenizer)
        # 单次生成
        response = inference.generate("你好")
        # 流式生成
        for token_text in inference.generate_stream("你好"):
            print(token_text, end="", flush=True)
        # 多轮对话
        inference.dialogue.add_message("user", "你好")
        response = inference.chat_reply()
    """

    def __init__(
        self,
        config: ShimokumoConfig,
        model: ShimokumoModel,
        tokenizer: ShimokumoTokenizer,
    ):
        """
        初始化推理引擎。

        Args:
            config: 模型配置
            model: 霜云模型实例
            tokenizer: 分词器实例
        """
        self.config = config
        self.model = model
        self.tokenizer = tokenizer
        self.device = self._select_device()

        # 将模型移到目标设备
        self.model = self.model.to(self.device)

        # 设置为评估模式
        self.model.eval()

        # 启用FP16混合精度
        if config.use_fp16 and self.device.type == "cuda":
            self.model = self.model.half()
            logger.info("已启用FP16混合精度推理")
        else:
            logger.info(f"使用FP32精度在设备 {self.device} 上推理")

        # 多轮对话历史
        self.dialogue = DialogueHistory(
            max_turns=20,
            max_tokens=config.max_seq_len - config.max_new_tokens,
        )
        self.dialogue.set_system_prompt(config.system_prompt)

        logger.info(f"推理引擎初始化完成 | 设备: {self.device} | "
                     f"模型参数: {model.get_num_params() / 1e9:.2f}B")

    def _select_device(self) -> torch.device:
        """选择计算设备"""
        if self.config.device != "auto":
            return torch.device(self.config.device)
        return torch.device("cuda" if torch.cuda.is_available() else "cpu")

    @torch.no_grad()
    def generate(
        self,
        prompt: str,
        max_new_tokens: Optional[int] = None,
        temperature: Optional[float] = None,
        top_k: Optional[int] = None,
        top_p: Optional[float] = None,
        repetition_penalty: Optional[float] = None,
        stop_tokens: Optional[List[str]] = None,
    ) -> str:
        """
        生成完整回复。

        Args:
            prompt: 输入提示词
            max_new_tokens: 最大生成token数
            temperature: 采样温度
            top_k: Top-K采样参数
            top_p: Top-P采样参数
            repetition_penalty: 重复惩罚系数
            stop_tokens: 停止词列表

        Returns:
            生成的文本
        """
        # 收集生成的文本
        generated_text = ""
        for token_text in self.generate_stream(
            prompt=prompt,
            max_new_tokens=max_new_tokens,
            temperature=temperature,
            top_k=top_k,
            top_p=top_p,
            repetition_penalty=repetition_penalty,
            stop_tokens=stop_tokens,
        ):
            generated_text += token_text

        return generated_text

    @torch.no_grad()
    def generate_stream(
        self,
        prompt: str,
        max_new_tokens: Optional[int] = None,
        temperature: Optional[float] = None,
        top_k: Optional[int] = None,
        top_p: Optional[float] = None,
        repetition_penalty: Optional[float] = None,
        stop_tokens: Optional[List[str]] = None,
    ) -> Generator[str, None, None]:
        """
        流式生成回复(逐token输出)。

        Args:
            prompt: 输入提示词
            max_new_tokens: 最大生成token数
            temperature: 采样温度
            top_k: Top-K采样参数
            top_p: Top-P采样参数
            repetition_penalty: 重复惩罚系数
            stop_tokens: 停止词列表

        Yields:
            每次生成一个token的文本
        """
        # 使用配置默认值
        max_new_tokens = max_new_tokens or self.config.max_new_tokens
        temperature = temperature if temperature is not None else self.config.temperature
        top_k = top_k if top_k is not None else self.config.top_k
        top_p = top_p if top_p is not None else self.config.top_p
        repetition_penalty = repetition_penalty if repetition_penalty is not None else self.config.repetition_penalty

        # 编码输入
        input_ids = self.tokenizer.encode(prompt, add_bos=True, add_eos=False)
        input_tensor = torch.tensor([input_ids], dtype=torch.long, device=self.device)

        # 初始化KV缓存
        num_layers = self.config.num_layers
        kv_caches: List[Optional[Tuple[torch.Tensor, torch.Tensor]]] = [None] * num_layers

        # 记录已生成的token,用于重复惩罚
        all_generated_ids: List[int] = list(input_ids)
        position_offset = len(input_ids)

        # 生成循环
        for step in range(max_new_tokens):
            # 前向传播(使用KV Cache)
            logits, kv_caches = self.model(
                input_ids=input_tensor,
                kv_caches=kv_caches,
                position_offset=position_offset,
            )

            # 取最后一个位置的logits
            next_logits = logits[:, -1, :].float()  # 转为FP32进行采样

            # 应用温度
            if temperature > 0:
                next_logits = next_logits / temperature

            # 应用重复惩罚
            if repetition_penalty != 1.0 and all_generated_ids:
                for token_id in set(all_generated_ids):
                    if next_logits[0, token_id] > 0:
                        next_logits[0, token_id] /= repetition_penalty
                    else:
                        next_logits[0, token_id] *= repetition_penalty

            # Top-K过滤
            if top_k > 0:
                top_k_values, _ = torch.topk(next_logits, min(top_k, next_logits.size(-1)))
                threshold = top_k_values[:, -1].unsqueeze(-1)
                next_logits = torch.where(
                    next_logits < threshold,
                    torch.full_like(next_logits, float("-inf")),
                    next_logits,
                )

            # Top-P(核采样)过滤
            if top_p < 1.0:
                sorted_logits, sorted_indices = torch.sort(next_logits, descending=True)
                sorted_probs = F.softmax(sorted_logits, dim=-1)
                cumulative_probs = torch.cumsum(sorted_probs, dim=-1)

                # 移除累积概率超过top_p的token
                sorted_mask = cumulative_probs > top_p
                # 保留第一个超过阈值的token
                sorted_mask[..., 1:] = sorted_mask[..., :-1].clone()
                sorted_mask[..., 0] = False

                # 将掩码应用回原始顺序
                mask = sorted_mask.scatter(1, sorted_indices, sorted_mask)
                next_logits = torch.where(
                    mask,
                    torch.full_like(next_logits, float("-inf")),
                    next_logits,
                )

            # 计算概率并采样
            probs = F.softmax(next_logits, dim=-1)
            next_token = torch.multinomial(probs, num_samples=1).squeeze(-1)
            next_token_id = next_token.item()

            # 解码当前token
            token_text = self.tokenizer.decode([next_token_id], skip_special=True)

            # 检查是否遇到特殊token(如</think_end>等)
            if next_token_id in self.tokenizer.SPECIAL_TOKEN_IDS:
                special_token = self.tokenizer.SPECIAL_TOKEN_IDS[next_token_id]
                if special_token == "<EOS>":
                    break  # 遇到结束符则停止生成
                # 跳过其他特殊token的输出
                token_text = ""

            # 检查停止词
            if stop_tokens and token_text:
                should_stop = False
                for stop in stop_tokens:
                    if stop in token_text:
                        # 截取到停止词之前的部分
                        idx = token_text.index(stop)
                        token_text = token_text[:idx]
                        should_stop = True
                        break
                if should_stop:
                    if token_text:
                        yield token_text
                    break

            # 产出token文本
            if token_text:
                yield token_text

            # 更新状态
            all_generated_ids.append(next_token_id)
            input_tensor = next_token.unsqueeze(0)
            position_offset += 1

    @torch.no_grad()
    def chat_reply(
        self,
        user_message: Optional[str] = None,
        **kwargs,
    ) -> str:
        """
        多轮对话回复。

        Args:
            user_message: 用户新消息(为None则使用对话历史中的最后一条用户消息)
            **kwargs: 传给generate的额外参数

        Returns:
            助手回复文本
        """
        if user_message:
            self.dialogue.add_message("user", user_message)

        # 构建完整的prompt
        messages = self.dialogue.get_messages()
        prompt_parts: List[str] = []

        for msg in messages:
            if msg["role"] == "system":
                prompt_parts.append(f"[系统提示]\n{msg['content']}\n")
            elif msg["role"] == "user":
                prompt_parts.append(f"[用户]\n{msg['content']}\n")
            elif msg["role"] == "assistant":
                prompt_parts.append(f"[霜云]\n{msg['content']}\n")

        prompt_parts.append("[霜云]\n")
        full_prompt = "\n".join(prompt_parts)

        # 生成回复
        response = self.generate(prompt=full_prompt, **kwargs)

        # 将助手回复加入历史
        self.dialogue.add_message("assistant", response)

        return response

    @torch.no_grad()
    def chat_stream(
        self,
        user_message: Optional[str] = None,
        **kwargs,
    ) -> Generator[str, None, None]:
        """
        多轮对话流式回复。

        Args:
            user_message: 用户新消息
            **kwargs: 传给generate_stream的额外参数

        Yields:
            逐token的回复文本
        """
        if user_message:
            self.dialogue.add_message("user", user_message)

        # 构建完整prompt(同chat_reply)
        messages = self.dialogue.get_messages()
        prompt_parts: List[str] = []

        for msg in messages:
            if msg["role"] == "system":
                prompt_parts.append(f"[系统提示]\n{msg['content']}\n")
            elif msg["role"] == "user":
                prompt_parts.append(f"[用户]\n{msg['content']}\n")
            elif msg["role"] == "assistant":
                prompt_parts.append(f"[霜云]\n{msg['content']}\n")

        prompt_parts.append("[霜云]\n")
        full_prompt = "\n".join(prompt_parts)

        # 流式生成并收集完整回复
        full_response = ""
        for token_text in self.generate_stream(prompt=full_prompt, **kwargs):
            full_response += token_text
            yield token_text

        # 将完整回复加入历史
        if full_response:
            self.dialogue.add_message("assistant", full_response)

    def clear_dialogue(self) -> None:
        """清空对话历史"""
        self.dialogue.clear()
        self.dialogue.set_system_prompt(self.config.system_prompt)
        logger.info("对话历史已清空")

    def get_dialogue_history(self) -> List[Dict[str, str]]:
        """获取对话历史"""
        return self.dialogue.get_messages()