vLLM + FastAPI async streaming response – fastapi can’t handle vllm speed and bottlenecks

I have a chatbot web app with the following components :

  • a frontend
  • a FastAPI back-end that handles requests
  • a vLLM api_server running a local Llama model on a H100.

The architecture is the following :

  1. front queries back.
  2. Back does a bit of preprocessing then queries the vLLM server with stream parameter.
  3. Back then listen to vllm tokens streaming responses and stream it himself back to the front-end using FastAPI.StreamingResponse.
  4. Front display tokens as they are generated.

Everything works fine when it’s one request at a time. Problems starts when we’re having multiples requests.
The fastAPI back-end is all working asynchronously to handle concurrent requests. The problem is whenever he starts listening to vLLM, the stream of tokens is so fast that he is never giving back ressources to handle other incoming requests. The second request is only sent when the first one is done and that can be long.

This is how I query and listen to vllm streaming answer :

async def call_infer_llm(request: LlmRequestModel):

    data = {
            "model": "/usr/Workplace/models/llama3-8b-Instruct/",
            "messages": request.messages,
            "temperature": request.temperature,
            "top_p":request.top_p,
            "stream":true,
        }

    async with httpx.AsyncClient() as client:
        async with client.stream('POST', URL+'/v1/chat/completions', data=json.dumps(data)) as resp:
            async for r in resp.aiter_bytes():
                text = r.decode('utf-8')
                #asyncio.sleep(0.05)
                new_tokens = json.loads(text.split('data:')[1])
                yield {'tokens':new_tokens['choices'][0]['delta'].get('content','')}  

I know this is not a vLLM issue because during a request on the webapp, I can easily query 10’s of request to the vllm endpoint using curl and get answers quickly. So the problem must be coming from FastAPI creating a bottleneck with the StreamingResponse.

I wonder how I could bypass this bottleneck problem, this is the solutions I tried that didn’t work :

  • implements an asyncio.sleep(0.05) in the backend listening loop to force giving back resources to other requests.

Options that I don’t like but might end up trying :

  • Modifying the vllm api_server.py file in order to send batch of generated tokens to lower the streaming flow
  • Making the front end querying vllm directly (and querying back before/after for preprocessing and postprocessing)

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị
Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa
Thiết kế website Thiết kế website Thiết kế website Cách kháng tài khoản quảng cáo Mua bán Fanpage Facebook Dịch vụ SEO Tổ chức sinh nhật