osc-llm 0.2.2

轻量级大模型推理工具,专注于模型推理延迟,注重框架易用性和可拓展性。

OSC-LLM

轻量级大模型推理工具，专注于模型推理延迟。

特性

🚀 高性能推理

• CUDA Graph: 编译优化，减少推理延迟
• PagedAttention: 高效的KV缓存管理，支持长序列推理
• 连续批处理: 支持动态批量推理优化

🛠️ 易用性

• 轻量级设计: 专注于推理性能，减少依赖
• 简单API: 简洁的Python接口
• 模型管理: 内置下载和管理工具

安装

• 安装最新版本pytorch
• 安装flash-attn: 建议下载官方构建好的whl包，避免编译问题
• 安装osc-llm

pip install osc-llm --upgrade

快速开始

下载模型

llm download Qwen/Qwen3-0.6B

基本使用

from osc_llm import Qwen3ForCausalLM

# 初始化模型
llm = Qwen3ForCausalLM("checkpoints/Qwen/Qwen3-0.6B")
llm.setup(device="cuda:0", gpu_memory_utilization=0.9)

# 对话
chat_template = llm.get_chat_template()
chat_template.add_user_message("介绍一下北京")
prompt = chat_template.apply(enable_thinking=True)
assistant_content = llm.generate(prompts=[prompt])[0]
chat_template.add_assistant_message(assistant_content)
print(chat_template.messages)

流式生成

chat_template = llm.get_chat_template()
chat_template.add_user_message("介绍一下北京")
prompt = chat_template.apply(enable_thinking=True)
for token in llm.stream(prompt=prompt):
    print(token, end="", flush=True)

支持的模型

• Qwen3ForCausalLM
• Qwen2ForCausalLM

CLI 工具

llm download <repo_id> [--endpoint hf-mirror|modelscope]