当前位置: 首页 > news >正文

基于vLLM-Ascend的Qwen3.5-122B模型Atlas 800I A3单机混部部署实践

作者​:昇腾实战派
知识地图​:https://blog.csdn.net/Lumos_Lovegood/article/details/161601003

背景概述

本文档将介绍基于vLLM-Ascend的Qwen3.5-122B模型在Atlas 800I A3上的单机混部部署实践,包括支持的特性、特性配置、环境信息以及性能测试典型case。

基本信息

软件版本设备信息组网形态总卡数数据格式
0.18.0NPU: Atlas 800I A3-560T, HBM 128G
CPU: Kunpeng 920 (80核-2900MHz)
内存: 32根64G5200MHz
OS: OpenEuler 22.03 LTS-SP4
-2W4A8C16

服务化配置

低时延

exportASCEND_RT_VISIBLE_DEVICES=0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15exportPYTORCH_NPU_ALLOC_CONF="expandable_segments:True"exportHCCL_IF_IP="XXXX"exportHCCL_OP_EXPANSION_MODE="AIV"exportHCCL_BUFFSIZE=1024exportOMP_NUM_THREADS=1echoperformance|tee/sys/devices/system/cpu/cpu*/cpufreq/scaling_governorsysctl-wvm.swappiness=0sysctl-wkernel.numa_balancing=0sysctlkernel.sched_migration_cost_ns=50000exportLD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOADexportTASK_QUEUE_ENABLE=1exportVLLM_ASCEND_ENABLE_FUSED_MC2=1vllm serve /mnt/share/weights/Qwen3.5-122B-A10B-w8a8-org/\--served-model-name"qwen3.5"\--host0.0.0.0\--port8000\--data-parallel-size1\--tensor-parallel-size4\--max-model-len5000\--max-num-batched-tokens8192\--max-num-seqs128\--gpu-memory-utilization0.9\--compilation-config'{"cudagraph_capture_sizes":[1,6,12,18,24,30,36,42,48,54,72,78,84,90,96,102,108,144,192], "cudagraph_mode":"FULL_DECODE_ONLY"}'\--speculative_config'{"method": "qwen3_5_mtp", "num_speculative_tokens": 5}'\--trust-remote-code\--async-scheduling\--allowed-local-media-path /\--quantizationascend\--mm-processor-cache-gb0\--additional-config'{"enable_cpu_binding": true, "enable_shared_expert_dp": true}'
典型测试用例
平均输入平均输出并行策略上下文长度Prefix Cache命中率总请求数最大并发数请求频率(req/s)
20482048MLA:DP1+TP45000096240
35001500MLA:DP1+TP48000064160
163841024MLA:DP1+TP41843203280
32768512MLA:DP1+TP43430401640
655361024MLA:DP1+TP46758401640
1310721024MLA:DP1+TP41331200410

高吞吐

exportASCEND_RT_VISIBLE_DEVICES=0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15exportPYTORCH_NPU_ALLOC_CONF="expandable_segments:True"exportHCCL_IF_IP="XXX"exportHCCL_OP_EXPANSION_MODE="AIV"exportHCCL_BUFFSIZE=1024exportOMP_NUM_THREADS=1echoperformance|tee/sys/devices/system/cpu/cpu*/cpufreq/scaling_governorsysctl-wvm.swappiness=0sysctl-wkernel.numa_balancing=0sysctlkernel.sched_migration_cost_ns=50000exportLD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOADexportTASK_QUEUE_ENABLE=1exportVLLM_ASCEND_ENABLE_FUSED_MC2=1exportVLLM_ASCEND_ENABLE_FLASHCOMM1=1vllm serve /mnt/share/weights/Qwen3.5-122B-A10B-w8a8-org/\--served-model-name"qwen3.5"\--host0.0.0.0\--port8000\--data-parallel-size1\--tensor-parallel-size4\--enable-expert-parallel\--max-model-len8000\--max-num-batched-tokens4096\--max-num-seqs128\--gpu-memory-utilization0.9\--compilation-config'{"cudagraph_capture_sizes":[1,4,8,12,16,24,32,48,56,64,72,84,96,108,112,128,160,172,196,200,212,232,256,160,172,196,200,212,232,256,272,288,312,328,344,360,384,400,416,432,448,480,512], "cudagraph_mode":"FULL_DECODE_ONLY"}'\--speculative_config'{"method": "qwen3_5_mtp", "num_speculative_tokens": 3, "enforce_eager": true}'\--trust-remote-code\--async-scheduling\--allowed-local-media-path /\--quantizationascend\--mm-processor-cache-gb0\--additional-config'{"enable_cpu_binding": true, "enable_shared_expert_dp": true}'
典型测试用例
平均输入平均输出并行策略上下文长度Prefix Cache命中率总请求数最大并发数请求频率(req/s)
20482048MLA:DP1+TP2500006001500
35001500MLA:DP1+TP280000320800
163841024MLA:DP1+TP218432096240
32768512MLA:DP1+TP23430403690
655361024MLA:DP1+TP26758403280
1310721024MLA:DP1+TP213312001640

测试命令

参考aisbench官方测试指南。

aisbench测试命令

vllm-ascend社区官网

特别声明

  1. 以上配置均未开启Prefix Cache,若实际生产环境需要使用该特性,参考vLLM-Ascend社区参数指南开启–enable-prefix-caching
http://www.jsqmd.com/news/1146779/

相关文章:

  • Gitee 企业版 MCP Server:让 AI 深度融入企业研发管理
  • 我国规上工业企业人工智能应用普及率已超30%,人形机器人加速进入制造场景
  • 配网自动化多网融合方案
  • Linux 5.4.18 文件描述符 fd 到 struct file 映射:从进程 task_struct 到文件操作 3 层结构解析
  • 终极方案:让2007-2017年的老旧Mac免费运行最新macOS系统
  • 第七次练习-Linux环境变量
  • MSC外泌体规模化生产中的培养基选择:从2D扩增到3D生物反应器与下游回收率优化
  • 用 LiveView 做一个实时聊天室:我以为省的是 JS,结果省的是一整套状态同步
  • 深度解析TegraRcmGUI:Windows平台Nintendo Switch注入工具的终极实现
  • Java计算机毕设之基于前后端分离的校园图书闲置流转平台的设计与实现 基于 SpringBoot 的二手书竞拍交易管理系统(完整前后端代码+说明文档+LW,调试定制等)
  • 数据仓库与数据挖掘 5 大核心算法:Apriori、k-Means、PageRank、ID3、DBSCAN 实战解析
  • ppt模板_0154_商务雾化
  • 这些都看懂了,你的数据库SQL注入就没问题了!网络安全零基础入门到精通教程!
  • Claude 3.5 Sonnet vs GPT-4o 性能对比:5项基准测试与3个真实场景分析
  • Free Claude Code代理搭建:低成本AI编程助手部署指南
  • MBTI-16型人格测试(200题完整版)免费 API 接口详解与调用教程
  • 数据治理和LLM结合后能解决哪些企业痛点?2026年实测效果分享
  • 我受够了做PPT,于是写了一个 Skill,让 AI 直接生成教程网页
  • 2026国内AI数字人软件TOP10盘点:全场景适配且合规靠谱之选
  • 想找正规高颜值入户门厂家?哪家靠谱这里给你揭秘!
  • Portainer 2.21.2 部署与 cpolar 内网穿透:3步实现远程 Docker 管理
  • 线下活动执行测评|千场落地经验,流程与细节表现稳定
  • 高温旺季空调产线满负荷运转:四类典型测控难题与应对方案
  • 腾讯 APIJSON:让后端 CRUD 写到怀疑人生的 ORM 工具
  • 鸿蒙多设备办公怎么协作?三个场景效率实打实提升
  • IIM-20670与MK20DN128VFM5高精度运动跟踪方案详解
  • 如何免费获取Steam创意工坊模组:WorkshopDL跨平台下载工具完整指南
  • 从成像到鉴权:Windows Hello 多模态生物识别完整技术链路科普
  • 【计算机Java毕业设计案例】基于 SpringBoot+Vue 的宠物寄养评价反馈系统的设计与实现 基于前后端分离的宠物寄养收费台账管理系统(程序+文档+讲解+定制)
  • kunpeng-extension-for-pytorch社区贡献指南:如何参与开源AI项目