refactor(reranker): 对齐 Qwen3-Reranker 官方实现

config/config.yaml: - qwen3_vllm: enable_prefix_caching true（启用前缀缓存） - qwen3_vllm: enforce_eager false（允许 CUDA graph 加速） reranker/backends/qwen3_vllm.py: - TokensPrompt 导入改为 vllm.inputs.data（官方路径，兼容性更好） - 缺失 token 时使用 logprob=-10，与官方一致（原为 1e-10） - 使用批量 apply_chat_template 替代逐条调用，提升效率 - logprobs 访问改为官方模式：token not in last 时 -10，否则 last[token].logprob 其他: docs、embeddings、README 等文档更新 Made-with: Cursor

refactor(reranker): 对齐 Qwen3-Reranker 官方实现
config/config.yaml: - qwen3_vllm: enable_prefix_caching true（启用前缀缓存） - qwen3_vllm: enforce_eager false（允许 CUDA graph 加速） reranker/backends/qwen3_vllm.py: - TokensPrompt 导入改为 vllm.inputs.data（官方路径，兼容性更好） - 缺失 token 时使用 logprob=-10，与官方一致（原为 1e-10） - 使用批量 apply_chat_template 替代逐条调用，提升效率 - logprobs 访问改为官方模式：token not in last 时 -10，否则 last[token].logprob 其他: docs、embeddings、README 等文档更新 Made-with: Cursor
tangwang
1 parent 07cf5a93
Showing 9 changed files with 360 additions and 107 deletions Show diff stats
README.md
config/config.yaml
docs/CNCLIP_SERVICE说明文档.md
docs/DEVELOPER_GUIDE.md
docs/QUICKSTART.md
docs/TEI_SERVICE说明文档.md
docs/Usage-Guide.md
embeddings/README.md
reranker/backends/qwen3_vllm.py
@@ -82,6 +82,8 @@ START_EMBEDDING=1 START_TRANSLATOR=1 START_RERANKER=1 ./run.sh
 | 3. API 详细说明 | `docs/搜索API对接指南.md` |
 | 4. 快速参数速查 | `docs/搜索API速查表.md` |
 | 5. 首次环境搭建、生产凭证 | `docs/QUICKSTART.md` §1.4–1.8 |
+| 6. TEI 文本向量专项 | `docs/TEI_SERVICE说明文档.md` |
+| 7. CN-CLIP 图片向量专项 | `docs/CNCLIP_SERVICE说明文档.md` |
 ---
@@ -204,8 +204,8 @@ services:
         tensor_parallel_size: 1
         gpu_memory_utilization: 0.36
         dtype: "float16"
-        enable_prefix_caching: false
-        enforce_eager: true
+        enable_prefix_caching: true
+        enforce_eager: false
         instruction: "Given a web search query, retrieve relevant passages that answer the query"
 # SPU配置（已启用，使用嵌套skus）
 # CN-CLIP 服务（clip-as-service）说明
-> 本文是本仓库的 CN-CLIP 运行手册与约束说明。主流程仍是 `embedding` 服务（`6005`）；当 `embeddings/config.py` 中 `USE_CLIP_AS_SERVICE=true` 时，`embedding` 会调用本 gRPC 服务（默认 `grpc://127.0.0.1:51000`）生成图片向量。
+> 本文是本仓库 CN-CLIP（图片向量）专项运行手册。目标是让新同事在新机器上独立完成环境准备、部署、验收与排障。
-## 1. 设计目标与官方对齐
+## 1. 作用与边界
-- 采用 `clip-as-service` 的标准拆分：`clip-server`（服务端）与 `clip-client`（客户端）可独立安装。
-- 服务协议使用 gRPC，符合官方推荐与本项目现有调用链。
-- 保持“主项目环境”和“CN-CLIP 专用环境”解耦，避免 `grpcio/jina/docarray` 与主项目依赖互相污染。
+- `cnclip` 是独立 gRPC 服务（默认 `grpc://127.0.0.1:51000`）。
+- `embedding` 服务（6005）在 `USE_CLIP_AS_SERVICE=true` 时调用它完成 `/embed/image`。
+- `cnclip` 不负责文本向量；文本向量由 TEI（8080）负责。
-官方仓库（安装方式、server/client 分离、基本使用示例）：
-[jina-ai/clip-as-service](https://github.com/jina-ai/clip-as-service)
+## 2. 代码与脚本入口
-## 2. 当前架构（本仓库）
+- 环境初始化：`scripts/setup_cnclip_venv.sh`
+- 启动：`scripts/start_cnclip_service.sh`
+- 停止：`scripts/stop_cnclip_service.sh`
+- 统一编排：`scripts/service_ctl.sh`
-- **服务启动脚本**：`scripts/start_cnclip_service.sh`
-- **服务停止脚本**：`scripts/stop_cnclip_service.sh`
-- **环境初始化脚本**：`scripts/setup_cnclip_venv.sh`
-- **统一编排入口**：`scripts/service_ctl.sh`（`restart.sh` 调用它）
-- **默认端口**：`51000`
-- **默认模型**：`CN-CLIP/ViT-H-14`
-- **默认协议**：gRPC
+## 3. 前置条件
-## 3. 环境准备策略（推荐做法）
+### 3.1 必需软件
-### 3.1 推荐：专用 venv（`.venv-cnclip`）
+- Python 3.12（由仓库脚本创建虚拟环境）
+- 可访问模型下载源（Hugging Face / 镜像源）
+
+### 3.2 GPU 模式额外要求
+
+- NVIDIA 驱动可用（`nvidia-smi` 可执行）
+- `cnclip` 设备设为 `cuda`
+
+检查命令：
 ```bash
-./scripts/setup_cnclip_venv.sh
+nvidia-smi
 ```
-脚本会创建 `.venv-cnclip`，并处理已知兼容性问题（`grpcio`、`jina`、`docarray`、`pkg_resources` 等），避免在主 `.venv` 中反复冲突。
+## 4. 环境安装（可复现）
-### 3.2 启动时的环境策略（严格）
+在仓库根目录执行：
+
+```bash
+cd /data/saas-search
+./scripts/setup_cnclip_venv.sh
+```
-`start_cnclip_service.sh` 只允许使用 `.venv-cnclip`。  
-若 `.venv-cnclip` 不存在，脚本会直接失败并提示先执行 `./scripts/setup_cnclip_venv.sh`。
+脚本会创建 `.venv-cnclip`，并安装 `clip-as-service` 服务端所需依赖。  
+`start_cnclip_service.sh` 只使用这个专用环境，不会污染主 `.venv`。
-## 4. 服务管理方式（推荐）
+## 5. 启动与停止
-### 4.1 单独启动/停止
+### 5.1 GPU 模式（推荐）
 ```bash
 ./scripts/start_cnclip_service.sh --device cuda
+```
+
+### 5.2 CPU 模式（显式）
+
+```bash
+./scripts/start_cnclip_service.sh --device cpu
+```
+
+### 5.3 停止服务
+
+```bash
 ./scripts/stop_cnclip_service.sh
 ```
-### 4.2 统一编排（推荐日常用法）
+## 6. service_ctl 的行为与约定
+
+### 6.1 通过统一编排启动
 ```bash
-./scripts/service_ctl.sh restart
-# 或
-./restart.sh
+START_EMBEDDING=1 START_TEI=1 ./scripts/service_ctl.sh start
 ```
-`service_ctl.sh` 在启动 `cnclip` 时默认注入 `CNCLIP_DEVICE=cuda`。  
-若机器无 GPU 或希望改用 CPU，可在 `.env` 设置：
+当 `USE_CLIP_AS_SERVICE=true` 且 `START_EMBEDDING=1` 时，`service_ctl` 会自动拉起 `cnclip`。
+
+### 6.2 设备选择优先级
+
+- 显式传入 `CNCLIP_DEVICE` 时，以该值为准：
 ```bash
-CNCLIP_DEVICE=cpu
+CNCLIP_DEVICE=cuda ./scripts/service_ctl.sh start cnclip
+CNCLIP_DEVICE=cpu  ./scripts/service_ctl.sh start cnclip
 ```
-## 5. GPU 使用与验证
+- 不传 `CNCLIP_DEVICE` 时，默认 `cuda`。
+
+### 6.3 运行中模式校验（重要）
-### 5.1 必须点
+`service_ctl` 会在“已运行”场景下检查当前 `cnclip` 的 device 与期望是否一致。  
+若不一致会直接报错，防止“服务已启动但模式错了”的静默问题。
-- 启动日志显示 `device: cuda` 仅代表配置传入成功；
-- 只有在**首次编码请求触发模型加载后**，`nvidia-smi` 才一定能看到显存占用。
+例如：当前运行是 CPU，但你期望 CUDA，会提示先 stop 再按 CUDA 重启。
-### 5.2 推荐验证步骤
+## 7. 验收步骤（必须做）
-1) 启动服务：
+### 7.1 基础状态
 ```bash
-./scripts/start_cnclip_service.sh --port 51000 --device cuda
+./scripts/service_ctl.sh status cnclip
 ```
-2) 发送一次请求（触发模型加载）：
+### 7.2 核对运行配置
+
+```bash
+cat third-party/clip-as-service/server/torch-flow-temp.yml
+```
+
+应看到：
+
+- GPU 模式：`device: 'cuda'`
+- CPU 模式：`device: 'cpu'`
+
+### 7.3 发送一次编码请求（触发模型加载）
 ```bash
-PYTHONPATH="third-party/clip-as-service/client:${PYTHONPATH}" NO_VERSION_CHECK=1 .venv-cnclip/bin/python -c "
+PYTHONPATH="third-party/clip-as-service/client:${PYTHONPATH}" \
+NO_VERSION_CHECK=1 \
+.venv-cnclip/bin/python - <<'PY'
 from clip_client import Client
-c = Client('grpc://localhost:51000')
+c = Client('grpc://127.0.0.1:51000')
 r = c.encode(['测试'])
 print('shape:', r.shape)
-"
+PY
 ```
-3) 观察 GPU：
+预期 `shape` 为 `(1, 1024)`。
+
+### 7.4 GPU 验证
 ```bash
 nvidia-smi
 ```
-预期：
-- `shape` 为 `(1, 1024)`；
-- `nvidia-smi` 出现对应 `python`/`clip_server` 进程并有显存占用。
+GPU 模式下应出现 `clip_server` 相关 `python` 进程及显存占用。
-## 6. 使用方式（客户端）
+### 7.5 与 embedding 服务联调
-### 6.1 在本仓库中（推荐）
+```bash
+./scripts/start_embedding_service.sh
-- 服务消费者一般是 `embedding` 服务，不建议业务侧直接连 `cnclip`。
-- 若需手动调试，请使用隔离环境（推荐 `.venv-embedding` 或 `.venv-cnclip`），不要在主 `.venv` 安装旧依赖。
+curl -sS -X POST "http://127.0.0.1:6005/embed/image" \
+  -H "Content-Type: application/json" \
+  -d '["https://oss.essa.cn/98532128-cf8e-456c-9e30-6f2a5ea0c19f.jpg"]'
+```
-示例：
+返回应为向量数组（非空）。
-```python
-from clip_client import Client
+## 8. 常见问题与排障
-c = Client("grpc://127.0.0.1:51000")
-vec = c.encode(["https://example.com/a.jpg", "测试文本"])
-print(vec.shape)  # (2, 1024)
-```
+### 8.1 “为什么 cnclip 没用 GPU？”
-### 6.2 常见误区
+先看启动命令是否显式写了：
-- ❌ 用 `http://localhost:51000` 当成 HTTP 服务访问；
-- ❌ 只看“启动成功”就判断已用 GPU，不发请求不看 `nvidia-smi`；
-- ❌ 在主 `.venv` 直接安装 server 依赖导致依赖树污染。
+```bash
+CNCLIP_DEVICE=cpu ...
+```
-## 7. 已知兼容性说明（关键信息）
+如果是，这就是预期行为，会强制 CPU。
-- `clip-as-service` 在本项目场景下依赖链较老，`grpcio`/`jina`/`docarray` 组合在 Python 3.12 上易触发源码构建问题。
-- `setuptools>=82` 移除了 `pkg_resources`；而部分依赖链仍会导入它，因此专用脚本固定了兼容范围。
-- `setup_cnclip_venv.sh` 中存在“为可运行性而做的约束收敛”，这是有意行为，不建议手动放开。
+### 8.2 “我要求 cuda，但 service_ctl 说 mode mismatch”
-## 8. 排障速查
+说明当前已有 CPU 模式实例在跑。按提示重启：
-### 8.1 启动失败
+```bash
+./scripts/service_ctl.sh stop cnclip
+CNCLIP_DEVICE=cuda ./scripts/service_ctl.sh start cnclip
+```
-- 查看日志：`tail -f logs/cnclip_service.log`
-- 检查端口占用：`lsof -i :51000`
-- 重新构建环境：`rm -rf .venv-cnclip && ./scripts/setup_cnclip_venv.sh`
+### 8.3 进程被 `Killed`
-### 8.2 连接失败
+常见于资源竞争（尤其单卡同时运行 TEI/reranker/cnclip 时的启动峰值）。建议：
-- 确认客户端使用 `grpc://` 协议；
-- 确认端口与服务端一致（默认 `51000`）。
+1. 先起 `tei` 与 `cnclip`，确认稳定后再起 `reranker`。
+2. 适当下调 `reranker` 显存预算（`config/config.yaml` 的 `gpu_memory_utilization`）。
+3. 必要时将 CN-CLIP 模型从 `ViT-H-14` 调整到更小规模。
-### 8.3 看不到 GPU 进程
+### 8.4 gRPC 连接失败（`Connection refused`）
-- 先发一次编码请求，再看 `nvidia-smi`；
-- 确认启动参数或环境变量为 `cuda`（`--device cuda` 或 `CNCLIP_DEVICE=cuda`）；
-- 确认日志中无模型加载异常。
+- 检查端口：`lsof -i :51000`
+- 看服务日志：`tail -f logs/cnclip_service.log`
+- 确认客户端使用 `grpc://` 协议而非 `http://`
-## 9. 与其他文档的关系
+## 9. 相关文档
 - 开发总览：`docs/QUICKSTART.md`
-- 系统架构：`docs/DEVELOPER_GUIDE.md`
-- 向量服务说明：`embeddings/README.md`
+- TEI 专项：`docs/TEI_SERVICE说明文档.md`
+- 体系规范：`docs/DEVELOPER_GUIDE.md`
+- embedding 模块：`embeddings/README.md`
-本文件聚焦 CN-CLIP（clip-as-service）专项，不重复解释项目通用内容。
@@ -407,6 +407,7 @@ services:
 | 运维、日志、多环境、故障 | [Usage-Guide.md](./Usage-Guide.md) |
 | 索引模块职责与 Java 对接 | [indexer/README.md](../indexer/README.md) |
 | 向量模块与 clip-as-service | [embeddings/README.md](../embeddings/README.md) |
+| TEI 服务专项（安装/部署/GPU-CPU 模式） | [TEI_SERVICE说明文档.md](./TEI_SERVICE说明文档.md) |
 | CN-CLIP 服务专项（环境/运维/GPU） | [CNCLIP_SERVICE说明文档.md](./CNCLIP_SERVICE说明文档.md) |
 ### 10.2 仓库内入口
@@ -532,6 +532,7 @@ lsof -i :6004
 | `docs/搜索API对接指南.md` | 搜索 API 完整说明 |
 | `indexer/README.md` | 索引模块职责与接口 |
 | `embeddings/README.md` | 向量化服务说明 |
+| `docs/TEI_SERVICE说明文档.md` | TEI 专项（安装、部署、GPU/CPU 模式、排障） |
 | `docs/CNCLIP_SERVICE说明文档.md` | CN-CLIP/clip-as-service 专项（环境、GPU、运维） |
 | `reranker/README.md` | 重排服务说明 |
@@ -0,0 +1,193 @@
+# TEI 服务（Qwen3-Embedding-0.6B）说明
+
+> 本文是本仓库 TEI（Text Embeddings Inference）专项运行手册。目标是让新同事在一台新机器上可以独立完成环境准备、部署、验收与排障。
+
+## 1. 作用与边界
+
+- TEI 提供文本向量 HTTP 服务（默认 `http://127.0.0.1:8080`）。
+- 本项目中 `embedding` 服务（6005）默认把文本向量请求转发到 TEI。
+- TEI 仅负责文本向量，不负责图片向量（图片向量由 `cnclip` 提供）。
+
+## 2. 代码与脚本入口
+
+- 启动脚本：`scripts/start_tei_service.sh`
+- 停止脚本：`scripts/stop_tei_service.sh`
+- 统一编排：`scripts/service_ctl.sh`
+- embedding 服务启动脚本（会校验 TEI 健康）：`scripts/start_embedding_service.sh`
+
+## 3. 前置条件
+
+### 3.1 必需软件
+
+- Docker（必须）
+- curl（用于健康检查与接口验收）
+
+### 3.2 GPU 模式额外要求（推荐生产）
+
+- NVIDIA 驱动可用（`nvidia-smi` 可执行）
+- Docker 已配置 `nvidia` runtime（`docker info` 能看到 `nvidia`）
+
+检查命令：
+
+```bash
+docker --version
+docker info --format '{{json .Runtimes}}'
+nvidia-smi
+```
+
+## 4. 安装与准备（可复现）
+
+### 4.1 拉取代码并进入项目
+
+```bash
+cd /data/saas-search
+```
+
+### 4.2 （仅 GPU 模式）配置 Docker GPU runtime
+
+如果 `docker info` 中没有 `nvidia` runtime，先按机器环境安装 `nvidia-container-toolkit` 并执行：
+
+```bash
+sudo nvidia-ctk runtime configure --runtime=docker
+sudo systemctl restart docker
+```
+
+再次确认：
+
+```bash
+docker info --format '{{json .Runtimes}}'
+```
+
+## 5. 启动方式
+
+### 5.1 GPU 模式启动（默认）
+
+```bash
+TEI_USE_GPU=1 ./scripts/start_tei_service.sh
+```
+
+预期输出包含：
+
+- `Image: ghcr.io/huggingface/text-embeddings-inference:cuda-...`
+- `Mode: gpu`
+- `TEI is ready: http://127.0.0.1:8080`
+
+### 5.2 CPU 模式启动（显式）
+
+```bash
+TEI_USE_GPU=0 ./scripts/start_tei_service.sh
+```
+
+预期输出包含：
+
+- `Image: ghcr.io/huggingface/text-embeddings-inference:1.9`（非 `cuda-`）
+- `Mode: cpu`
+- `TEI is ready: http://127.0.0.1:8080`
+
+### 5.3 停止服务
+
+```bash
+./scripts/stop_tei_service.sh
+```
+
+## 6. 验收步骤（必须做）
+
+### 6.1 健康检查
+
+```bash
+curl -sS http://127.0.0.1:8080/health
+```
+
+### 6.2 向量接口检查
+
+```bash
+curl -sS http://127.0.0.1:8080/embed \
+  -H "Content-Type: application/json" \
+  -d '{"inputs":["Instruct: Given a web search query, retrieve relevant passages that answer the query\nQuery: What is the capital of China?"]}'
+```
+
+返回应为二维数组（每条输入对应一个向量）。
+
+### 6.3 与 embedding 服务联调
+
+```bash
+./scripts/start_embedding_service.sh
+
+curl -sS -X POST "http://127.0.0.1:6005/embed/text" \
+  -H "Content-Type: application/json" \
+  -d '["芭比娃娃 儿童玩具"]'
+```
+
+返回应为 1024 维向量数组。
+
+## 7. 配置项（环境变量）
+
+`scripts/start_tei_service.sh` 支持下列变量：
+
+- `TEI_USE_GPU`：`1/0`（或 `true/false`），默认 `1`
+- `TEI_CONTAINER_NAME`：容器名，默认 `saas-search-tei`
+- `TEI_PORT`：宿主机端口，默认 `8080`
+- `TEI_MODEL_ID`：默认 `Qwen/Qwen3-Embedding-0.6B`
+- `TEI_VERSION`：镜像版本，默认 `1.9`
+- `TEI_DTYPE`：默认 `float16`
+- `TEI_MAX_BATCH_TOKENS`：默认 `2048`
+- `TEI_MAX_CLIENT_BATCH_SIZE`：默认 `8`
+- `HF_CACHE_DIR`：HF 缓存目录，默认 `$HOME/.cache/huggingface`
+- `HF_TOKEN`：可选，避免匿名限速
+
+## 8. service_ctl 使用方式
+
+启动全套（含 TEI）：
+
+```bash
+START_EMBEDDING=1 START_TRANSLATOR=1 START_RERANKER=1 START_TEI=1 TEI_USE_GPU=1 ./scripts/service_ctl.sh start
+```
+
+仅启动 TEI：
+
+```bash
+./scripts/service_ctl.sh start tei
+```
+
+查看状态：
+
+```bash
+./scripts/service_ctl.sh status tei
+```
+
+## 9. 常见问题与排障
+
+### 9.1 `ERROR: TEI_USE_GPU=1 but Docker nvidia runtime is not configured`
+
+- 原因：Docker 未配置 NVIDIA runtime。
+- 处理：按本文 4.2 配置后重启 Docker。
+
+### 9.2 `mode mismatch (need GPU/CPU)`
+
+- 原因：已有同名容器在另一种模式运行（比如当前是 GPU 容器，但你这次要求 CPU）。
+- 处理：
+
+```bash
+./scripts/stop_tei_service.sh
+TEI_USE_GPU=0 ./scripts/start_tei_service.sh   # 或改为 1
+```
+
+### 9.3 embedding 服务报 TEI 不可达
+
+- 先检查 TEI：
+
+```bash
+curl -sS http://127.0.0.1:8080/health
+```
+
+- 再检查 embedding 侧地址：
+  - `TEI_BASE_URL`
+  - `services.embedding.backends.tei.base_url`（`config/config.yaml`）
+
+## 10. 相关文档
+
+- 开发总览：`docs/QUICKSTART.md`
+- 体系规范：`docs/DEVELOPER_GUIDE.md`
+- embedding 模块：`embeddings/README.md`
+- CN-CLIP 专项：`docs/CNCLIP_SERVICE说明文档.md`
+
@@ -56,6 +56,10 @@ TEI_USE_GPU=1 ./scripts/start_tei_service.sh
 TEI_USE_GPU=0 ./scripts/start_tei_service.sh
 ```
+专项说明：
+- `docs/TEI_SERVICE说明文档.md`
+- `docs/CNCLIP_SERVICE说明文档.md`
+
 #### 2. 启动Elasticsearch
 **方式1: 使用Docker（推荐）**
 # Embeddings 模块
 **请求示例**见 `docs/QUICKSTART.md` §3.3。
+**专项文档**：
+- `../docs/TEI_SERVICE说明文档.md`
+- `../docs/CNCLIP_SERVICE说明文档.md`
 ---
@@ -45,7 +48,7 @@
    INSTALL_LOCAL_ST=1 ./scripts/setup_embedding_venv.sh
    ```
-2. **启动 CN-CLIP 服务**（独立 gRPC 服务，默认端口 51000，详见 `docs/CNCLIP_SERVICE说明文档.md`）：
+2. **启动 CN-CLIP 服务**（独立 gRPC 服务，默认端口 51000，详见 `../docs/CNCLIP_SERVICE说明文档.md`）：
    ```bash
    ./scripts/start_cnclip_service.sh
    ```
@@ -18,7 +18,7 @@ try:
     import torch
     from transformers import AutoTokenizer
     from vllm import LLM, SamplingParams
-    from vllm.inputs import TokensPrompt
+    from vllm.inputs.data import TokensPrompt
 except ImportError as e:
     raise ImportError(
         "Qwen3-vLLM reranker backend requires vllm>=0.8.5 and transformers. "
@@ -110,21 +110,25 @@ class Qwen3VLLMRerankerBackend:
         self,
         pairs: List[Tuple[str, str]],
     ) -> List[TokensPrompt]:
-        """Build tokenized prompts for vLLM from (query, doc) pairs."""
-        prompts = []
-        for q, d in pairs:
-            messages = _format_instruction(self._instruction, q, d)
-            # One conversation per call (apply_chat_template expects single conversation)
-            token_ids = self._tokenizer.apply_chat_template(
-                messages,
-                tokenize=True,
-                add_generation_prompt=False,
-                enable_thinking=False,
+        """Build tokenized prompts for vLLM from (query, doc) pairs. Batch apply_chat_template."""
+        messages_batch = [
+            _format_instruction(self._instruction, q, d) for q, d in pairs
+        ]
+        tokenized = self._tokenizer.apply_chat_template(
+            messages_batch,
+            tokenize=True,
+            add_generation_prompt=False,
+            enable_thinking=False,
+        )
+        # Single conv returns flat list; batch returns list of lists
+        if tokenized and not isinstance(tokenized[0], list):
+            tokenized = [tokenized]
+        prompts = [
+            TokensPrompt(
+                prompt_token_ids=ids[: self._max_prompt_len] + self._suffix_tokens
             )
-            if isinstance(token_ids, list) and token_ids and isinstance(token_ids[0], list):
-                token_ids = token_ids[0]
-            ids = token_ids[: self._max_prompt_len] + self._suffix_tokens
-            prompts.append(TokensPrompt(prompt_token_ids=ids))
+            for ids in tokenized
+        ]
         return prompts
     def _compute_scores(
@@ -141,16 +145,23 @@ class Qwen3VLLMRerankerBackend:
             if not out.outputs:
                 scores.append(0.0)
                 continue
-            logprobs = out.outputs[0].logprobs
-            if not logprobs:
+            final_logits = out.outputs[0].logprobs
+            if not final_logits:
                 scores.append(0.0)
                 continue
-            last = logprobs[-1]
-            true_logp = last.get(self._true_token)
-            false_logp = last.get(self._false_token)
-            true_p = math.exp(true_logp.logprob) if true_logp else 1e-10
-            false_p = math.exp(false_logp.logprob) if false_logp else 1e-10
-            score = true_p / (true_p + false_p)
+            last = final_logits[-1]
+            # Match official: missing token -> logprob = -10
+            if self._true_token not in last:
+                true_logit = -10
+            else:
+                true_logit = last[self._true_token].logprob
+            if self._false_token not in last:
+                false_logit = -10
+            else:
+                false_logit = last[self._false_token].logprob
+            true_score = math.exp(true_logit)
+            false_score = math.exp(false_logit)
+            score = true_score / (true_score + false_score)
             scores.append(float(score))
         return scores