TGI (Text Generation Inference)

Führe HuggingFace Text Generation Inference (TGI) für den produktiven LLM-Betrieb auf Clore.ai-GPUs aus

Text Generation Inference (TGI) ist HuggingFaces produktionsreifes Framework für das Bereitstellen von LLMs, ausgelegt auf hohen Durchsatz und geringe Latenz bei der Inferenz. Es unterstützt Flash Attention 2, kontinuierliches Batching, PagedAttention und Tensor-Parallelismus standardmäßig – und ist damit die bevorzugte Lösung für die Skalierung großer Sprachmodelle auf CLORE.AI-GPU-Servern.

Alle Beispiele können auf GPU-Servern ausgeführt werden, die gemietet wurden über CLORE.AI-Marktplatz.

Serveranforderungen

Parameter	Minimum	Empfohlen
RAM	16 GB	32 GB+
VRAM	8 GB	24 GB+
Festplatte	50 GB	200 GB+
GPU	Beliebige NVIDIA (Ampere+ für Flash Attention)	A100, H100, RTX 4090

Flash Attention 2 erfordert Ampere-Architektur oder neuer (RTX 3000+, A100, H100). Bei älteren GPUs fällt TGI automatisch auf die Standard-Attention zurück.

Schnellbereitstellung auf CLORE.AI

Docker-Image: ghcr.io/huggingface/text-generation-inference:latest

Ports: 22/tcp, 8080/http

Umgebungsvariablen:

Variable	Beispiel	Beschreibung
MODEL_ID	mistralai/Mistral-7B-Instruct-v0.3	HuggingFace-Modell-ID
HF_TOKEN	hf_xxx...	HuggingFace-Token (für geschützte Modelle)
NUM_SHARD	2	Anzahl der GPUs für Tensor-Parallelismus
MAX_INPUT_LENGTH	4096	Maximale Eingabetokens
MAX_TOTAL_TOKENS	8192	Maximale Eingabe- + Ausgabetokens
QUANTIZE	bitsandbytes-nf4	Quantisierungsmethode

Schritt-für-Schritt-Einrichtung

1. Mieten Sie einen GPU-Server auf CLORE.AI

Gehe zu CLORE.AI-Marktplatz und Server filtern nach:

• VRAM ≥ 24 GB für 7B-Modelle (volle Genauigkeit)

• VRAM ≥ 12 GB für 7B-Modelle (4-Bit-Quantisierung)

• VRAM ≥ 80 GB für 70B-Modelle (volle Genauigkeit, einzelne GPU)

2. Per SSH verbinden

Nachdem Ihre Bestellung bestätigt wurde, verbinden Sie sich mit Ihrem Server mithilfe der SSH-Daten aus Ihrem CLORE.AI-Dashboard:

ssh -p <PORT> root@<SERVER_IP>

Oder verwenden Sie das Web-Terminal aus Ihrem CLORE.AI-Bestellpanel.

3. TGI-Docker-Image herunterladen

docker pull ghcr.io/huggingface/text-generation-inference:latest

4. TGI mit einem Modell starten

Einfacher Start (Mistral 7B):

docker run -d \
  --name tgi \
  --gpus all \
  --shm-size 1g \
  -p 8080:80 \
  -v /root/models:/data \
  -e MODEL_ID=mistralai/Mistral-7B-Instruct-v0.3 \
  ghcr.io/huggingface/text-generation-inference:latest \\
  --model-id mistralai/Mistral-7B-Instruct-v0.3 \
  --max-input-length 4096 \
  --max-total-tokens 8192

Mit HuggingFace-Token (für geschützte Modelle wie Llama 3):

docker run -d \
  --name tgi \
  --gpus all \
  --shm-size 1g \
  -p 8080:80 \
  -v /root/models:/data \
  -e HUGGING_FACE_HUB_TOKEN=hf_your_token_here \
  ghcr.io/huggingface/text-generation-inference:latest \\
  --model-id meta-llama/Meta-Llama-3-8B-Instruct \
  --max-input-length 8192 \
  --max-total-tokens 16384

Mit 4-Bit-Quantisierung (für weniger VRAM):

docker run -d \
  --name tgi \
  --gpus all \
  --shm-size 1g \
  -p 8080:80 \
  -v /root/models:/data \
  ghcr.io/huggingface/text-generation-inference:latest \\
  --model-id mistralai/Mixtral-8x7B-Instruct-v0.1 \
  --quantize bitsandbytes-nf4 \
  --max-input-length 4096 \
  --max-total-tokens 8192

Tensor-Parallelismus über mehrere GPUs (für 70B-Modelle):

docker run -d \
  --name tgi \
  --gpus all \
  --shm-size 2g \
  -p 8080:80 \
  -v /root/models:/data \
  ghcr.io/huggingface/text-generation-inference:latest \\
  --model-id meta-llama/Meta-Llama-3-70B-Instruct \
  --num-shard 2 \
  --max-input-length 8192 \
  --max-total-tokens 16384

5. Prüfen, ob der Server läuft

# Protokolle prüfen
docker logs -f tgi

# Warten Sie auf die Meldung "Connected", dann testen:
curl http://localhost:8080/health

Erwartete Antwort: {"status":"ok"}

6. Zugriff über den CLORE.AI HTTP-Proxy

In Ihrem CLORE.AI-Bestellpanel sehen Sie Ihre http_pub URL für Port 8080. Dies ermöglicht den Browser-/API-Zugriff ohne SSH-Tunneling:

https://<order-id>.clore.ai/

---

Anwendungsbeispiele

Beispiel 1: Einfache Textgenerierung

curl http://localhost:8080/generate \
  -X POST \\
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": "Was ist die Hauptstadt von Frankreich?",
    "parameters": {
      "max_new_tokens": 100,
      "temperature": 0.7
    }
  }'

Beispiel 2: Chat-Vervollständigungen (OpenAI-kompatibel)

TGI unterstützt das OpenAI-API-Format für Chat-Vervollständigungen:

curl http://localhost:8080/v1/chat/completions \\
  -X POST \\
  -H 'Content-Type: application/json' \
  -d '{
    "model": "tgi",
    "messages": [
      {"role": "system", "content": "Du bist ein hilfreicher Assistent."},
      {"role": "user", "content": "Erkläre Quantenverschränkung in einfachen Worten."}
    ],
    "max_tokens": 512,
    "temperature": 0.8,
    "stream": false
  }'

Beispiel 3: Streaming-Antwort

curl http://localhost:8080/generate_stream \
  -X POST \\
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": "Schreibe eine Python-Funktion zur Berechnung von Fibonacci-Zahlen:",
    "parameters": {
      "max_new_tokens": 300,
      "temperature": 0.2
    }
  }' \
  --no-buffer

Beispiel 4: Python-Client

from huggingface_hub import InferenceClient

# Ersetzen Sie dies durch Ihre CLORE.AI-http_pub-URL
client = InferenceClient(model="http://localhost:8080")

# Einfache Generierung
response = client.text_generation(
    "Übersetze ins Französische: Hallo, wie geht es dir?",
    max_new_tokens=100,
    temperature=0.7,
)
print(response)

# Chat
for token in client.chat_completion(
    messages=[{"role": "user", "content": "Was ist maschinelles Lernen?"}],
    max_tokens=200,
    stream=True,
):
    print(token.choices[0].delta.content, end="", flush=True)

Beispiel 5: Batch-Anfragen

import requests

BASE_URL = "http://localhost:8080"  # oder Ihre CLORE.AI-http_pub-URL

prompts = [
    "Fasse die Französische Revolution in 3 Sätzen zusammen.",
    "Schreibe ein Haiku über GPU-Computing.",
    "Was sind die wichtigsten Vorteile von Rust gegenüber C++?",
]

results = []
for prompt in prompts:
    response = requests.post(
        f"{BASE_URL}/generate",
        json={"inputs": prompt, "parameters": {"max_new_tokens": 150}},
    )
    results.append(response.json()["generated_text"]))

for prompt, result in zip(prompts, results):
    print(f"Prompt: {prompt}\nAntwort: {result}\n{'-'*50}")

---

Konfiguration

Wichtige CLI-Parameter

Parameter	Standard	Beschreibung
--model-id	erforderlich	HuggingFace-Modell-ID oder lokaler Pfad
--num-shard	1	Anzahl der GPU-Shards (Tensor-Parallelismus)
--max-concurrent-requests	128	Maximale gleichzeitige Anfragen
--max-input-length	1024	Maximale Eingabetokenlänge
--max-total-tokens	2048	Maximale Eingabe- + Ausgabetokens
--max-batch-total-tokens	auto	Maximale Token pro Batch
--quantize	none	Quantisierung: bitsandbytes-nf4, gptq, awq
--dtype	auto	float16, bfloat16
--trust-remote-code	false	Benutzerdefinierten Modellcode erlauben
--port	80	Server-Port

Verwendung eines lokalen Modells

Wenn Sie ein Modell lokal heruntergeladen haben:

docker run -d \
  --name tgi \
  --gpus all \
  --shm-size 1g \
  -p 8080:80 \
  -v /path/to/your/model:/model \
  ghcr.io/huggingface/text-generation-inference:latest \\
  --model-id /model

AWQ-Quantisierung (schneller als NF4)

docker run -d \
  --name tgi \
  --gpus all \
  --shm-size 1g \
  -p 8080:80 \
  -v /root/models:/data \
  ghcr.io/huggingface/text-generation-inference:latest \\
  --model-id casperhansen/mistral-7b-instruct-v0.2-awq \
  --quantize awq

---

Leistungstipps

1. Flash Attention 2 aktivieren

Flash Attention 2 wird auf Ampere+-GPUs (RTX 3000+, A100, H100) automatisch aktiviert. Keine zusätzliche Konfiguration erforderlich.

2. Maximale Batchgröße anpassen

Für Szenarien mit hohem Durchsatz erhöhen Sie die Batchgröße:

--max-batch-total-tokens 32000 \
--max-waiting-tokens 20

3. bfloat16 auf Ampere+-GPUs verwenden

--dtype bfloat16

Dies ist numerisch stabiler als float16 und verhält sich auf modernen GPUs identisch.

4. Modelle vorab auf persistenten Speicher herunterladen

# Auf dem Server vor dem Start von TGI vorab herunterladen
pip install huggingface_hub
python -c "
from huggingface_hub import snapshot_download
snapshot_download('mistralai/Mistral-7B-Instruct-v0.3', local_dir='/root/models/mistral-7b')
"

Dann den lokalen Pfad einbinden, um erneute Downloads nach Neustarts zu vermeiden.

5. GPU-Speicherverwaltung

Für RTX 3090/4090 (24 GB VRAM):

# 7B-Modell in float16 passt problemlos
--max-total-tokens 8192

# 13B-Modell benötigt Quantisierung
--quantize bitsandbytes-nf4
--max-total-tokens 4096

6. Spekulative Dekodierung

Für schnellere Generierung mit kleineren Modellen als Entwurf:

--speculate 4  # Anzahl spekulativer Tokens

---

Fehlerbehebung

Problem: "CUDA out of memory"

Fehler: CUDA out of memory. Attempted to allocate X GiB

Lösung: Reduziere --max-total-tokens oder Quantisierung aktivieren:

--quantize bitsandbytes-nf4
--max-total-tokens 4096

Problem: Modell-Download ist langsam

Lösung: Verwenden Sie einen HuggingFace-Mirror oder laden Sie vorab herunter:

# Mirror festlegen
-e HF_ENDPOINT=https://hf-mirror.com

Problem: Server nicht über http_pub erreichbar

Lösung: Stellen Sie sicher, dass Port 8080 korrekt zugeordnet ist. TGI lauscht intern auf Port 80, aber Sie ordnen ihn extern 8080 zu:

-p 8080:80  # Host:Container

Problem: "trust_remote_code is required"

Einige Modelle (z. B. Falcon, Phi) erfordern benutzerdefinierten Code:

--trust-remote-code

Problem: Langsame erste Antwort

Die erste Anfrage löst das Laden des Modells in den VRAM aus. Das ist normal. Nachfolgende Anfragen werden schnell sein.

# Ladefortschritt prüfen
docker logs -f tgi | grep -E "Connected|Error|Loading"

Problem: Container beendet sich sofort

# Nach Fehlern suchen
docker logs tgi

# Häufige Lösung: gemeinsam genutzten Speicher erhöhen
--shm-size 2g

---

Links

• GitHub

• Dokumentation

• Docker Hub / GHCR

• Unterstützte Modelle

• CLORE.AI-Marktplatz

---

GPU-Empfehlungen für Clore.ai

Anwendungsfall	Empfohlene GPU	Geschätzte Kosten bei Clore.ai
Entwicklung/Testen	RTX 3090 (24 GB)	0,07–0,21 $/GPU/Stunde
Produktion (7B–13B)	RTX 4090 (24 GB)	0,14–0,42 $/GPU/Stunde
Große Modelle (70B+)	A100 80GB / H100	~1,04 $/GPU/Stunde

💡 Alle Beispiele in diesem Leitfaden können bereitgestellt werden auf Clore.ai GPU-Servern. Durchsuchen Sie verfügbare GPUs und mieten Sie stundenweise — keine Verpflichtungen, voller Root-Zugriff.