Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

Evaluation: Worker cap for LLM jobs

Aperta
  • Qualcosa non va?
#1,019 0 commenti 0 reazioni 1 assegnatario Vedi su GitHub

I maintainer di solito rispondono entro 2 giorni

@AkhileshNegi ci sta già lavorando.

Dal 9/7/2026.

Valutazione

Questa issue non è ancora stata valutata.

Descrizione

bug

Is your feature request related to a problem?
Fast evaluations and high-priority LLM jobs share one Celery default queue and one global worker_concurrency, with no cap on how many fast-eval chunk tasks can run at once. A 500-item run fans out to 10 chunk tasks (chunk size 50), so 2-3 concurrent eval runs (20-30 tasks) can occupy every worker slot.

Task priority (LLM=9, eval=6) does not help here: RabbitMQ priority only decides which queued task runs next when a slot frees — it does not preempt a running task. So when all slots are busy with eval chunks, an incoming LLM job waits until a chunk finishes (soft time limit 300s), meaning a high-priority LLM call can wait ~4 minutes. Not acceptable for interactive latency.

Describe the solution you'd like
Cap the worker capacity fast evals can consume, so high-priority LLM jobs always have headroom

Lingua principale
Python
Stelle
18
Fork
10
Merge medio
4g 2h
PR unite (30g)
16

Preparare l'ambiente

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di ProjectTech4DevAI/kaapi-backend

Tutte le issue di ProjectTech4DevAI/kaapi-backend

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.