InternLM/lmdeploy项目中的模型推理停止问题分析与解决方案

问题现象描述

在使用InternLM/lmdeploy项目进行模型推理时，用户报告了两种典型的问题表现：

1. xtuner chat调用原始模型或微调后模型：模型会持续生成内容而不会自动停止，表现为不断重复相似的回复内容。例如在调用internlm2_5-7b-chat模型时，模型会不断重复"非常感谢您的回复和祝福"这样的内容。

2. lmdeploy chat调用未量化的微调模型：同样出现无法停止生成的问题，表现为重复输出相同的咨询回复内容。而量化后的模型则表现正常。

问题根本原因分析

经过技术分析，这些问题主要由以下几个因素导致：

1. 对话模板配置不当：lmdeploy在加载模型时需要正确的对话模板配置。对于InternLM2系列的模型，必须指定--chat-template internlm2参数，否则系统无法正确识别对话的开始和结束标记。

2. 注意力掩码设置问题：从日志中可以看到"The attention mask is not set"的警告，这表明模型在推理时未能正确设置注意力掩码，导致无法准确判断生成何时应该停止。

3. 微调后模型配置缺失：用户自行微调合并的模型可能缺少必要的配置文件，特别是对话模板相关的配置，导致推理引擎无法正确处理对话流程。

解决方案与最佳实践

针对上述问题，我们推荐以下解决方案：

1. 正确指定对话模板： 对于InternLM2系列的模型，在使用lmdeploy chat命令时必须显式指定对话模板：

   lmdeploy chat /path/to/model --chat-template internlm2
   

2. 微调后模型的处理：

   • 确保微调后的模型保留了原始模型的对话模板配置
   • 如果使用自定义数据集进行微调，需要检查并可能调整对话模板设置
   • 建议在微调前备份原始模型的配置文件

3. 量化模型的优势： 从用户反馈来看，量化后的模型表现正常，这表明：

   • 量化过程可能自动修正了某些配置问题
   • 量化模型通常具有更稳定的推理表现
   • 建议对微调后的模型也进行量化处理

技术深入解析

1. 对话模板的重要性： 对话模板定义了模型如何组织对话历史，包括系统提示、用户输入和模型回复的格式。正确的模板设置对于：

   • 控制生成长度
   • 识别对话轮次
   • 确保生成内容格式正确 都至关重要。

2. 注意力掩码的作用： 注意力掩码帮助模型区分有效内容与填充内容。当pad token与eos token相同时，必须显式设置注意力掩码，否则模型无法准确判断生成何时应该停止。

3. 微调带来的挑战： 模型微调可能改变原始的行为模式，特别是：

   • 对话结束的识别模式
   • 重复内容的抑制机制
   • 生成长度的控制逻辑 需要特别注意这些方面的验证。

实践建议

1. 模型验证流程：

   • 在部署前，使用不同长度的输入测试模型停止行为
   • 检查生成内容是否符合预期格式
   • 验证多轮对话的连贯性

2. 配置检查清单：

   • 确认模型目录包含完整的配置文件
   • 检查tokenizer配置是否正确
   • 验证对话模板设置是否匹配模型系列

3. 性能与稳定性权衡：

   • 量化模型通常表现更稳定
   • 原始模型可能需要更多调优
   • 根据应用场景选择合适的部署形式

通过以上分析和解决方案，开发者可以更好地处理InternLM/lmdeploy项目中的模型推理停止问题，确保生成式对话系统的稳定运行。