简介
vLLM 的结构化输出特性是通过“引导式解码”（Guided Decoding）实现的，这一功能允许模型在生成文本时遵循特定的格式约束，例如 JSON 模式或正则表达式，从而确保生成的内容符合预期的结构化要求。
后端引擎
启动vLLM时，可以指定--guided-decoding-backend参数来设置引导式编码的具体实现引擎，最新版本默认使用的是xgrammar。可以有以下三种选择：
- outlines-dev/outlines
- mlc-ai/xgrammar
- noamgat/lm-format-enforcer
优势
- 输出结果符合预期，不需要额外的兼容逻辑。不使用引导式编码时，模型的输出通常无法控制，导致生成的内容通常需要额外的处理逻辑去兼容，且无法兼容所有情况。
- 性能更好。不使用引导式编码时，模型有可能生成与你预期格式无关的token，导致整理耗时较大。
如何使用
chat completion接口的extra_body可以指定输出的格式。
分类任务
示例代码使用guided_choice引导模型生成指定的分类
from openai import OpenAI
client = OpenAI(base_url="http://localhost:8000/v1",api_key="-",
)completion = client.chat.completions.create(model="Qwen/Qwen2.5-3B-Instruct",messages=[{"role": "user", "content": "Classify this sentiment: vLLM is wonderful!"}],extra_body={"guided_choice": ["positive", "negative"]},
)
print(completion.choices[0].message.content)
正则格式
示例代码使用guided_regex引导模型生成邮箱格式的输出
completion = client.chat.completions.create(model="Qwen/Qwen2.5-3B-Instruct",messages=[{"role": "user","content": "Generate an example email address for Alan Turing, who works in Enigma. End in .com and new line. Example result: alan.turing@enigma.com\n",}],extra_body={"guided_regex": "\w+@\w+\.com\n", "stop": ["\n"]},
)
print(completion.choices[0].message.content)
JSON格式
示例代码使用guided_json引导模型生成json格式输出（使用pydantic只是为了得到json schema，你也可以手动提供json schema）
from pydantic import BaseModel
from enum import Enumclass CarType(str, Enum):sedan = "sedan"suv = "SUV"truck = "Truck"coupe = "Coupe"class CarDescription(BaseModel):brand: strmodel: strcar_type: CarTypejson_schema = CarDescription.model_json_schema()completion = client.chat.completions.create(model="Qwen/Qwen2.5-3B-Instruct",messages=[{"role": "user","content": "Generate a JSON with the brand, model and car_type of the most iconic car from the 90's",}],extra_body={"guided_json": json_schema},
)
print(completion.choices[0].message.content)
EBNF语法格式
EBNF 是 Extended Backus-Naur Form（扩展巴科斯-诺尔范式） 的缩写，它是一种用于描述上下文无关语法的标准化表示法。EBNF 是 BNF 的扩展版本，比 BNF 更加简洁和易读，广泛用于定义编程语言、协议以及其他形式化语言的语法规则。
示例代码使用guided_grammar用于指导生成符合特定规则（SQL 查询格式）的语言结构。
simplified_sql_grammar = """?start: select_statement?select_statement: "SELECT " column_list " FROM " table_name?column_list: column_name ("," column_name)*?table_name: identifier?column_name: identifier?identifier: /[a-zA-Z_][a-zA-Z0-9_]*/
"""completion = client.chat.completions.create(model="Qwen/Qwen2.5-3B-Instruct",messages=[{"role": "user","content": "Generate an SQL query to show the 'username' and 'email' from the 'users' table.",}],extra_body={"guided_grammar": simplified_sql_grammar},
)
print(completion.choices[0].message.content)
实现原理
构建logits_processor
这里以xgrammar作为示例，使用transformers进行模型推理时，只需要在generate方法的入参，指定logits_processor就行。
import xgrammar as xgr
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, AutoConfigdevice = "cuda" # Or "cpu", etc.
model_name = "meta-llama/Llama-3.2-1B-Instruct"
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float32, device_map=device
)
tokenizer = AutoTokenizer.from_pretrained(model_name)
config = AutoConfig.from_pretrained(model_name)# 1. 组装inputs
messages = [{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Introduce yourself in JSON briefly."},
]
texts = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
model_inputs = tokenizer(texts, return_tensors="pt").to(model.device)# 2. 获取compiled grammar
tokenizer_info = xgr.TokenizerInfo.from_huggingface(tokenizer, vocab_size=config.vocab_size)
grammar_compiler = xgr.GrammarCompiler(tokenizer_info)
compiled_grammar = grammar_compiler.compile_builtin_json_grammar()
# Other ways: provide a json schema string
# compiled_grammar = grammar_compiler.compile_json_schema(json_schema_string)
# Or provide an EBNF string
# compiled_grammar = grammar_compiler.compile_grammar(ebnf_string)# 3. generate时，指定compiled_grammar作为logits_processor
xgr_logits_processor = xgr.contrib.hf.LogitsProcessor(compiled_grammar)
generated_ids = model.generate(**model_inputs, max_new_tokens=512, logits_processor=[xgr_logits_processor]
)
generated_ids = generated_ids[0][len(model_inputs.input_ids[0]) :]
print(tokenizer.decode(generated_ids, skip_special_tokens=True))
屏蔽
logits_processor的内部处理逻辑大致如下：
# 1. 初始化grammar matcher，并实例化一个bitmask
matcher = xgr.GrammarMatcher(compiled_grammar)
token_bitmask = xgr.allocate_token_bitmask(1, tokenizer_info.vocab_size)# 模型 LLM 推理过程，logits 为模型的推理结果
for logits in LLM.inference(**model_inputs)# 2. 使用 GrammarMatcher 计算 bitmask 并应用到 logits 上matcher.fill_next_token_bitmask(token_bitmask)xgr.apply_token_bitmask_inplace(logits, token_bitmask.to(logits.device))# 3. 获取下一个token id (使用softmax得到概率值，再根据具体的取样算法获取最终生成的token_id)probs = torch.softmax(logits, dim=-1).cpu().numpy()next_token_id = np.random.choice(list(range(full_vocab_size)), p=probs)# 4. 更新 GrammarMatcher 的状态assert matcher.accept_token(next_token_id), f"Invalid token: {next_token_id}"# 5. 检查终止条件if next_token_id == tokenizer.eos_token_id:break# 6. 将 token_id 转换为 token 并返回next_token = tokenizer.decode([next_token_id])[0] # 根据实际的 tokenizer 转换 token_id 为 tokenyield next_token # 逐步返回每个生成的 token总结
语言模型的输出由模型的推理结果（logits）通过采样或其他策略生成。在结构化生成场景中，GrammarMatcher 实例化一个 bitmask ，对模型的生成过程进行约束，确保输出符合预定义的语法规则（如 JSON 格式或特定语言的 EBNF 语法）。
