# Reranker 模块
  

  **请求示例**见 `docs/QUICKSTART.md` §3.5。扩展规范见 `docs/DEVELOPER_GUIDE.md` §7。部署与调优实战见 `reranker/DEPLOYMENT_AND_TUNING.md`。`ggml-org/Qwen3-Reranker-0.6B-Q8_0-GGUF` 的专项接入与调优结论见 `reranker/GGUF_0_6B_INSTALL_AND_TUNING.md`。

  
  ---

  Reranker 服务提供统一的 `/rerank` API，支持可插拔后端（BGE、Qwen3-vLLM、Qwen3-Transformers、Qwen3-GGUF、DashScope 云重排）。调用方通过 HTTP 访问，不关心具体后端。

  ## 当前结论
  
  在当前项目的线上形态里，**首选后端是 `qwen3_vllm_score`**，**次选后端是 `qwen3_vllm`**。
  
  原因不是“`LLM.score()` 理论上更高级”，而是这轮优化后，`qwen3_vllm_score` 在当前硬件和依赖栈上形成了一套更干净、更稳定、也更快的组合：
  
  - 模型：`Qwen/Qwen3-Reranker-0.6B`
  - GPU：Tesla T4 16GB
  - CUDA：12.8
  - PyTorch：`2.10.0+cu128`
  - vLLM-score 环境：`vllm==0.18.0`
  - attention：**由 vLLM 运行时自动选择**后端实现；在已验证的 T4 栈上日志可见 **`FLASHINFER`**
  

  
  ## 后端总览
  
  | 后端 | 当前定位 | 结论 |
  |------|----------|------|
  | `qwen3_vllm_score` | 主推荐 | 走 vLLM **`LLM.score()`** 的 **pooling / classify** 路径：对每条 (query, doc) **直接产出相关分**，不经 causal LM 的整步 **generate**。相对 **`qwen3_vllm`**（`generate(max_tokens=1)` + **yes/no** 的 logprob 推导），**省去**每对样本上**大词表 softmax / 采样约束**那一层的常规开销，语义与 cross-encoder 式 rerank 更一致；在当前栈与 T4 上延迟表现最好 |
  | `qwen3_vllm` | 次推荐 | 稳定、成熟、好排障，是很好的 fallback 和对照组 |
  | `qwen3_transformers` | 兼容方案 |  |
  | `qwen3_transformers_packed` | 特定场景方案 | T可能实现还有问题，没调好 |
  | `qwen3_gguf` / `qwen3_gguf_06b` | 低显存 / 功能兜底 | 更适合资源受限场景，不适合作为当前主在线方案 |
  | `dashscope_rerank` | 云服务方案 | 运维简单，但依赖外部服务和网络 |

  
  ## 目录与入口

  - `reranker/server.py`：FastAPI 服务，启动时按配置加载一个后端
  - `reranker/backends/`：后端实现与工厂
    - `backends/__init__.py`：`get_rerank_backend(name, config)`

    - `backends/qwen3_vllm_score.py`：当前最优的本地 GPU reranker
    - `backends/qwen3_vllm.py`：次优的本地 GPU reranker
    - `backends/qwen3_transformers.py`：Transformers 基线实现
    - `backends/qwen3_transformers_packed.py`：packed 推理实现
    - `backends/qwen3_gguf.py`：GGUF + llama.cpp 后端
    - `backends/dashscope_rerank.py`：DashScope 云端重排后端
  - `scripts/setup_reranker_venv.sh`：按后端创建独立 venv
  - `scripts/start_reranker.sh`：启动 reranker 服务
  - `scripts/smoke_qwen3_vllm_score_backend.py`：`qwen3_vllm_score` 本地 smoke
  - `scripts/benchmark_reranker_random_titles.py`：随机标题压测脚本
  - `scripts/run_reranker_vllm_instruction_benchmark.sh`：历史矩阵脚本
  
  ## 环境基线
  
  当前验证环境：
  
  - GPU：`Tesla T4 16GB`
  - Driver / CUDA：`570.158.01 / 12.8`
  - Python：`3.12.3`
  - `torch`：`2.10.0+cu128`
  - `transformers`：`4.51+`
  - `qwen3_vllm_score` 环境：`vllm==0.18.0`
  - `qwen3_vllm` 环境：`vllm>=0.8.5`
  
  独立 venv 约定：
  
  - `qwen3_vllm` -> `.venv-reranker`
  - `qwen3_vllm_score` -> `.venv-reranker-score`
  - `qwen3_transformers` -> `.venv-reranker-transformers`
  - `qwen3_transformers_packed` -> `.venv-reranker-transformers-packed`
  - `qwen3_gguf` -> `.venv-reranker-gguf`
  - `qwen3_gguf_06b` -> `.venv-reranker-gguf-06b`
  - `bge` -> `.venv-reranker-bge`
  - `dashscope_rerank` -> `.venv-reranker-dashscope`
  

  
  - 不同后端的 CUDA / vLLM / llama.cpp 依赖耦合很深，混装后更难定位性能和兼容性问题
  - qwen3_vllm_score 和 qwen3_vllm 分了两个环境，是因为qwen3_vllm_score使用了vllm 0.18，但是后面经过测试两者性能相同。所以其实可以共用一个环境。不过没有动力合并回去。
  
  ## 安装与部署
  
  ### 1. 创建后端环境
  
  `qwen3_vllm_score`：
  
  ```bash
  ./scripts/setup_reranker_venv.sh qwen3_vllm_score
  ```
  
  `qwen3_vllm`：
  
  ```bash
  ./scripts/setup_reranker_venv.sh qwen3_vllm
  ```
  
  ### 2. 基础检查
  
  ```bash
  nvidia-smi
  ./.venv-reranker-score/bin/python -c "import torch, vllm; print(torch.cuda.is_available(), torch.cuda.get_device_name(0), vllm.__version__)"
  ./.venv-reranker/bin/python -c "import torch, vllm; print(torch.cuda.is_available(), torch.cuda.get_device_name(0), vllm.__version__)"
  ```
  
  ### 3. 启动服务
  
  ```bash
  ./scripts/start_reranker.sh
  ```
  

  
  ### 4. Smoke
  
  ```bash
  PYTHONPATH=. ./.venv-reranker-score/bin/python scripts/smoke_qwen3_vllm_score_backend.py --gpu-memory-utilization 0.2
  ```
  

  ## 当前最优方案：`qwen3_vllm_score`
  

  
  ### 关键实现点
  
  `qwen3_vllm_score.py` 里值得关注的地方：
  
  - `runner` / `convert` 保持 **auto**：走 **pooling / classify** 与 **`LLM.score()`** 的推荐接法（vLLM 0.17+）
  - `hf_overrides`：把原始 Qwen3 reranker 权重按官方要求映射到 `Qwen3ForSequenceClassification`
  - `LLM(...)` 仅使用本后端所需的模型与并行等参数；**attention 后端由 vLLM 内部按运行环境选用**
  - `deduplicate_with_positions(...)`：先去重，再回填原始顺序
  - `sort_by_doc_length`：减少 padding 浪费
  - `infer_batch_size`：控制服务层分批

  - `enable_prefix_caching`：(作用每检验过)

  - `self._infer_lock`：避免当前进程模型下并发调用破坏 vLLM engine 稳定性
  
  ### Attention 与算力路径（现状）
  
  - **vLLM** 根据 **GPU 算力架构**与**当前 wheel 中的实现**（如随发行版提供的 **flashinfer** 等）自动选用 attention 路径。
  - 在 **Tesla T4（`sm_75`）** + **vLLM 0.18.x** 的已验证环境中，服务日志中可见选用 **`FLASHINFER`**。

  
  
  #### attention后端对比
  
  | 后端                            | 计算能力要求          | 特点               | 适用场景                    |
  | ----------------------------- | --------------- | ---------------- | ----------------------- |
  | **FLASH\_ATTN (FA2/FA3/FA4)** | ≥ 8.0 (Ampere+) | 最高性能，手写 CUDA 内核  | A100/H100 等高端卡          |
  | **FLASHINFER**                | 7.x-9.x (JIT)   | 灵活定制，支持多种变体      | 需要特殊 attention  mask    |
  | **TRITON\_ATTN**              | 任意              | 纯 Triton，跨平台，零依赖 | 旧 GPU / AMD /  fallback |
  | **XFORMERS**                  | 任意              | 替代方案，灵活性高        | 兼容性优先                   |
  

  
  ### 推荐配置
  
  当前项目统一使用 `standard`，README 也按这个基线描述：

  
  ```yaml
  services:
    rerank:

      backend: "qwen3_vllm_score"

      backends:

        qwen3_vllm_score:

          model_name: "Qwen/Qwen3-Reranker-0.6B"

          use_original_qwen3_hf_overrides: true
          engine: "vllm"

          max_model_len: 256

          tensor_parallel_size: 1
          gpu_memory_utilization: 0.20
          dtype: "float16"

          enable_prefix_caching: true
          enforce_eager: false

          infer_batch_size: 100

          sort_by_doc_length: true

          instruction_format: standard

          instruction: "Rank products by query with category & style match prioritized"

  ```
  

  ### 关键实现点
  
  - `AutoTokenizer.apply_chat_template(...)`
  - `SamplingParams(max_tokens=1, allowed_token_ids=[yes, no])`
  - `generate(...)` 后从最后一步 logprobs 计算 yes/no 概率
  - 同样具备去重、按长度排序、分批推理、前缀缓存、单进程锁等优化
  
  ### 推荐配置
  
  ```yaml
  services:
    rerank:
      backends:
        qwen3_vllm:
          model_name: "Qwen/Qwen3-Reranker-0.6B"
          engine: "vllm"
          max_model_len: 256
          tensor_parallel_size: 1
          gpu_memory_utilization: 0.20
          dtype: "float16"
          enable_prefix_caching: true
          enforce_eager: false
          infer_batch_size: 100

          sort_by_doc_length: true

          instruction_format: standard

          instruction: "Rank products by query with category & style match prioritized"

  ```
  

  
  ## benchmark 建议流程
  
  推荐流程：
  
  1. 确认目标 backend 已切换到正确配置
  2. `./scripts/start_reranker.sh`
  3. `curl http://127.0.0.1:6007/health`
  4. 跑 benchmark 脚本
  5. 保存 JSON 和 Markdown 结果
  6. 记录当时的 GPU 占用情况和 `nvidia-smi`
  

  
  ## 常见问题
  
  ### 1. 为什么第一次启动很慢
  

  - 模型加载
  - torch.compile
  - CUDA graph capture
  - flashinfer / triton JIT
  

  
  ### 3. `qwen3_vllm_score` 的 attention 要在哪里调
  
  **由 vLLM 在运行时按 GPU 与版本自动选择**；与延迟和稳定性更直接相关、且建议在仓库里动的，是 **`max_model_len`**、**`infer_batch_size`**、**`gpu_memory_utilization`**、去重、排序分批、prefix cache 等。
  
  ## 代码阅读建议
  

  1. `reranker/backends/qwen3_vllm_score.py`
  2. `reranker/backends/qwen3_vllm.py`
  3. `scripts/start_reranker.sh`
  4. `scripts/setup_reranker_venv.sh`
  5. `config/config.yaml` 里的 `services.rerank.backends.*`
  

  ## 性能测试、对比
  ```bash
  ll tests/reranker_performance/
  curl1.sh
  curl1_simple.sh
  rerank_performance_compare.sh
  ```