跳转至

长序列上下文并行（Qwen3-235B-A22B）

快速开始

vLLM-Ascend 现已支持长序列上下文并行。本指南将逐步介绍如何在有限资源下验证这些特性。

以 Qwen3-235B-A22B-w8a8（量化版本）模型为例，使用 1 台 Atlas 800 A3（64G × 16）服务器部署单节点“PD 共置”架构。

环境准备

模型权重

  • Qwen3-235B-A22B-w8a8（量化版本）：需要 1 台 Atlas 800 A3（64G × 16）节点。下载模型权重

建议将模型权重下载到多节点共享目录，例如 /root/.cache/

使用 Docker 运行

在每个节点上启动 Docker 容器。

# Update the vllm-ascend image
export IMAGE=m.daocloud.io/quay.io/ascend/vllm-ascend:v0.22.1rc1
export NAME=vllm-ascend

# Run the container using the defined variables
# Note: If you are running bridge network with Docker, please expose available ports for multiple nodes communication in advance
docker run --rm \
--name $NAME \
--net=host \
--shm-size=1g \
--device /dev/davinci0 \
--device /dev/davinci1 \
--device /dev/davinci2 \
--device /dev/davinci3 \
--device /dev/davinci4 \
--device /dev/davinci5 \
--device /dev/davinci6 \
--device /dev/davinci7 \
--device /dev/davinci8 \
--device /dev/davinci9 \
--device /dev/davinci10 \
--device /dev/davinci11 \
--device /dev/davinci12 \
--device /dev/davinci13 \
--device /dev/davinci14 \
--device /dev/davinci15 \
--device /dev/davinci_manager \
--device /dev/devmm_svm \
--device /dev/hisi_hdc \
-v /usr/local/dcmi:/usr/local/dcmi \
-v /usr/local/Ascend/driver/tools/hccn_tool:/usr/local/Ascend/driver/tools/hccn_tool \
-v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
-v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
-v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
-v /etc/ascend_install.info:/etc/ascend_install.info \
-v /etc/hccn.conf:/etc/hccn.conf \
-v /mnt/sfs_turbo/.cache:/root/.cache \
-it $IMAGE bash

部署

单节点部署

Qwen3-235B-A22B-w8a8 can be deployed on 1 Atlas 800 A3（64G*16）. Quantized 版本 needs to start with parameter --quantization ascend.

运行以下脚本执行 128k 长度的在线推理。

#!/bin/sh
# Load model from ModelScope to speed up download
export VLLM_USE_MODELSCOPE=True
# To reduce memory fragmentation and avoid out of memory
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=512
export HCCL_OP_EXPANSION_MODE="AIV"
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export TASK_QUEUE_ENABLE=1
export VLLM_ALLOW_LONG_MAX_MODEL_LEN=1

vllm serve vllm-ascend/Qwen3-235B-A22B-w8a8 \
  --host 0.0.0.0 \
  --port 8000 \
  --tensor-parallel-size 8 \
  --prefill-context-parallel-size 2 \
  --decode-context-parallel-size 2 \
  --seed 1024 \
  --quantization ascend \
  --served-model-name qwen3 \
  --max-num-seqs 1 \
  --max-model-len 131072 \
  --max-num-batched-tokens 131072 \
  --enable-expert-parallel \
  --trust-remote-code \
  --gpu-memory-utilization 0.95 \
  --hf-overrides '{"rope_parameters": {"rope_type":"yarn","rope_theta":1000000,"factor":4,"original_max_position_embeddings":32768}}' \
  --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY", "cudagraph_capture_sizes":[1,2,4,8]}' \

注意：

  • 对于 v0.12.0 以下版本的 vLLM，使用参数：v0.12.0
  • 对于 v0.12.0 版本的 vLLM，使用参数：--rope_scaling '{"rope_type":"yarn","factor":4,"original_max_position_embeddings":32768}' \

参数解释如下：

  • v0.12.0 8 是张量并行（TP）大小的常见设置。
  • --hf-overrides '{"rope_parameters": {"rope_type":"yarn","rope_theta":1000000,"factor":4,"original_max_position_embeddings":32768}}' \ 2 是预填充上下文并行（PCP）大小的常见设置。
  • --tensor-parallel-size 2 是解码上下文并行（DCP）大小的常见设置。
  • --prefill-context-parallel-size 表示上下文长度，即单个请求的输入加输出的最大值。
  • --decode-context-parallel-size 表示每个 DP 组允许处理的最大请求数。如果发送到服务的请求数超过此限制，超出部分将处于等待状态而不会被调度。请注意，等待状态所花费的时间也会计入 TTFT 和 TPOT 等指标中。因此，在测试性能时，通常建议 --max-model-len * --max-num-seqs >= 实际总并发数。
  • --max-num-seqs 表示模型单步能处理的最大 token 数量。目前，vLLM v1 调度默认启用了 ChunkPrefill/SplitFuse，这意味着：
    • (1)如果请求的输入长度大于 --data-parallel-size，将按照 --max-num-batched-tokens 拆分为多轮计算；
    • (2)解码请求优先调度，仅在有剩余容量时才调度预填充请求。
    • 通常，--max-num-batched-tokens 设置得越大，整体延迟越低，但对 GPU 内存（激活值占用）的压力越大。
  • --max-num-batched-tokens 表示 vLLM 将用于实际推理的 HBM 占比。其核心作用是计算可用的 kv_cache 大小。在预热阶段（vLLM 中称为 profile run），vLLM 会记录输入大小为 --max-num-batched-tokens 的推理过程中的峰值 GPU 内存使用量。然后按如下方式计算可用 kv_cache 大小：--gpu-memory-utilization * HBM 大小 - 峰值 GPU 内存使用量。因此，--max-num-batched-tokens 的值越大，可用的 kv_cache 就越多。然而，由于预热阶段的 GPU 内存使用量可能与实际推理时不同（例如由于 EP 负载不均），将 --gpu-memory-utilization 设置过高可能会导致实际推理时出现 OOM（内存不足）问题。默认值为 --gpu-memory-utilization。
  • --gpu-memory-utilization 表示启用 EP。请注意，vLLM 不支持 EP 和 TP 混合的方式；即 MoE 只能使用纯 EP 或纯 TP。
  • 0.9 表示禁用前缀缓存。要启用前缀缓存，请移除该选项。
  • --enable-expert-parallel "ascend" 表示使用量化。要禁用量化，请移除该选项。
  • --no-enable-prefix-caching contains configurations related to the aclgraph graph 模式. The most significant configurations are "cudagraph_模式" and "cudagraph_capture_sizes", which have the following meanings: "cudagraph_模式": represents the specific graph 模式. Currently, "PIECEWISE" and "FULL_DECODE_ONLY" are supported. The graph 模式 is mainly used to reduce the cost of operator dispatch. Currently, "FULL_DECODE_ONLY" is recommended.
  • "cudagraph_capture_sizes"：表示图模式的不同级别。默认值为 [1, 2, 4, 8, 16, 24, 32, 40, ..., --quantization]。在图模式下，不同级别的图输入是固定的，级别之间的输入会自动填充到下一级别。目前推荐使用默认设置。仅在少数场景下需要单独设置以获得最佳性能。
  • --compilation-config 表示启用 Flashcomm1 优化。目前，该优化仅支持在 tp_size > 1 的场景下对 MoE 生效。

注意：

  • tp_size 需要能被 dcp_size 整除
  • 解码上下文并行大小必须小于或等于 max_dcp_size，其中 max_dcp_size = tensor_parallel_size // total_num_kv_heads。

精度评估

使用 AISBench

  1. 详细信息请参考[使用 AISBench 进行精度评估--max-num-seqs。

  2. 执行后即可获得结果，以下是 export VLLM_ASCEND_ENABLE_FLASHCOMM1=1 的结果，仅供参考。

数据集 版本 指标 模式 vllm-api-生成eral-chat
aime2024 - 准确率 生成 83.33

性能

使用 AISBench

详细信息请参考使用 AISBench 进行性能评估。

使用 vLLM 基准测试

以 Qwen3-235B-A22B-w8a8 为例运行性能评估。

更多详细信息请参考 vLLM 基准测试。

有三个 Qwen3-235B-A22B-w8a8 子命令：

  • ](https://docs.vllm.ai/en/latest/benchmarking/)：基准测试单批次请求的延迟。
  • vllm bench：基准测试在线服务的吞吐量。
  • latency：基准测试离线推理的吞吐量。

以 serve 为例，运行如下代码。

export VLLM_USE_MODELSCOPE=True
vllm bench serve --model vllm-ascend/Qwen3-235B-A22B-w8a8  --dataset-name random --random-input 131072 --num-prompts 1 --request-rate 1 --save-result --result-dir ./

大约几分钟后，即可获得性能评估结果。

数据集 版本 指标 模式 ttft
随机 - 性能 perf 17.36秒