执行摘要
该PR优化了SGLang中Whisper模型的前向传播，将编码器从串行执行改为批量处理，显著提升了高并发预填充场景下的吞吐量。在GB300平台上64并发时吞吐量提升达28.9%，而B200平台由于编码器开销较小提升约3%。修改范围集中，风险低，已通过准确性（WER未变）和性能基准测试验证。
功能与动机
问题背景：当预填充批次包含多个新的Whisper请求时，编码器原本在for循环中串行运行，每个调用在B200上约7ms、GB300上约18ms。这导致调度器被长时间阻塞（例如5个请求阻塞35-90ms），期间无法执行解码批次，成为吞吐量扩展的瓶颈。性能分析显示，编码器在高并发时占调度器时间的35%。
优化目标：通过批量执行编码器调用，减少调度器阻塞时间，提升高并发下的吞吐量。
实现拆解
主要修改位于 python/sglang/srt/models/whisper.py 的 forward 方法：
-
设备放置修复：cherry-pick了PR #22293的修复，确保输入特征和位置ID移动到正确设备：
python
device = self.conv1.weight.device
input_features = input_features.to(device=device)
position_ids = position_ids.to(device=device)
-
特征收集逻辑重构：
- 将原本的
encoder_list 循环改为收集未缓存特征到 features_to_encode 列表。
- 跳过已缓存或无效的请求。
-
批量编码器执行：
python
if features_to_encode:
features_batch = torch.cat(features_to_encode, dim=0)
encoder_len = features_batch.shape[-1] // 2
encoder_position_ids = torch.arange(encoder_len, device=features_batch.device)
batched_output = self.encoder(features_batch, encoder_position_ids, forward_batch)
encoder_hidden_states = batched_output.reshape(-1, batched_output.shape[-1])
-
输出适配：将批量输出从 [N, seq_len, dim] 重塑为 [N*seq_len, dim]，以适配下游交叉注意力KV缓存。
关键设计决策：利用编码器天然的批次兼容性（Conv1d、位置嵌入、32个transformer层、LayerNorm均支持批次维度），实现无跨请求交互的批量处理，确保逻辑正确性。
评论区精华
review讨论较为简洁，仅有一次实质性建议：
gemini-code-assist[bot]："For better performance and to avoid an unnecessary CPU-to-GPU transfer, you can create the encoder_position_ids tensor directly on the target device."
该建议被采纳，最终代码中使用了 device=features_batch.device 直接创建张量，避免了额外的设备间传输开销。yhyang201批准了PR，无其他争议。
风险与影响
技术风险：
- 低风险：编码器本身完全支持批次处理，无跨请求交互，逻辑正确性有保障。
- 设备兼容性：包含#22293的设备放置修复，避免设备不匹配问题。
- 准确性：基准测试显示WER（12.77-12.78%）在所有配置下未变化。
- 内存：批次张量拼接可能轻微增加内存峰值，但音频特征维度固定且批次大小有限，影响可控。
影响范围：
- 性能提升：在GB300平台上效果显著（64并发时吞吐量+28.9%），B200平台提升较小（+3%），反映了不同硬件上编码器开销的差异。
- 调度优化：减少调度器阻塞时间，改善整体资源利用率。
- 用户价值：提升语音识别服务的并发处理能力和响应速度。
关联脉络
该PR与历史PR #22293 直接相关，后者提供了设备放置修复，被cherry-pick到当前优化中作为基础。从近期历史PR看，SGLang仓库持续进行多平台（AMD、NPU、Intel XPU）性能优化和CI改进，本PR延续了针对特定模型组件（如Whisper编码器）的精细化性能调优趋势。同时，标签中的 diffusion、deepseek、npu 反映了该优化可能跨多个模型和平台受益，体现了代码复用和平台扩展的协同演进。
参与讨论