DeepSeek-V3/3.1

1 简介

DeepSeek-V3.1 是一个混合模型，同时支持思考模式和非思考模式。与上一版本相比，本次升级在多个方面带来了改进：

• 混合思考模式：通过更改聊天模板，一个模型即可同时支持思考模式和非思考模式。

• 更智能的工具调用：通过后训练优化，模型在工具使用和智能体任务上的性能显著提升。

• 更高的思考效率：DeepSeek-V3.1-Think 在实现与 DeepSeek-R1-0528 相当的答案质量的同时，响应速度更快。

本文档将展示该模型的主要验证步骤，包括支持的特性、特性配置、环境准备、单节点和多节点部署、精度与性能评估。

本文档基于 vLLM-Ascend v0.9.1rc3 进行验证和编写。当前模型（DeepSeek-V3.1）在该版本中首次获得支持。

2 支持的特性

请参考支持的特性获取模型支持的特性矩阵。

请参考特性指南获取特性的配置方法。

3 前提条件

3.1 模型权重

• DeepSeek-V3.1（BF16版本）：下载模型权重。
• DeepSeek-V3.1-w8a8-mtp-QuaRot（混合mtp量化版本）：下载模型权重。
• DeepSeek-V3.1-Terminus-w4a8-mtp-QuaRot（混合mtp量化版本）：下载模型权重。
• Quantization method：msmodelslim。您可以使用此方法对模型进行量化。

建议将模型权重下载到多节点共享目录中，例如 /root/.cache/。

3.2 验证多节点通信（可选）

如果您想部署多节点环境，需要按照验证多节点通信环境中的步骤验证多节点通信。

4 安装

4.1 Docker 镜像安装

您可以使用我们的官方 Docker 镜像直接运行 DeepSeek-V3.1。

根据您的机器类型选择镜像，并在您的节点上启动 Docker 镜像，请参考使用 Docker。

A3 系列A2 系列

在每个节点上启动 Docker 镜像。

export IMAGE=quay.io/ascend/vllm-ascend:|vllm_ascend_version|-a3
docker run --rm \
    --name vllm-ascend \
    --shm-size=1g \
    --net=host \
    --privileged=true \
    --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 /root/.cache:/root/.cache \
    -it $IMAGE bash

在每个节点上启动 Docker 镜像。

export IMAGE=quay.io/ascend/vllm-ascend:|vllm_ascend_version|
docker run --rm \
    --name vllm-ascend \
    --shm-size=1g \
    --net=host \
    --privileged=true \
    --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/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 /root/.cache:/root/.cache \
    -it $IMAGE bash

Docker 运行成功后，您可以通过执行 docker ps 命令来验证正在运行的容器服务。

4.2 源码安装

如果您不想使用上述 Docker 镜像，也可以从源码构建所有内容：

• 从源码安装 vllm-ascend，请参考安装。

如果您想部署多节点环境，需要在每个节点上设置环境。

5 在线服务部署

5.1 单节点在线部署

单节点部署在同一节点内完成 Prefill 和 Decode。量化模型 DeepSeek-V3.1-w8a8-mtp-QuaRot 可部署在 1 台 Atlas 800 A3（64G × 16）上。

启动命令：

#!/bin/sh
# this obtained through ifconfig
# nic_name is the network interface name corresponding to local_ip of the current node
nic_name="xxxx"
local_ip="xxxx"

# [Optional] jemalloc
# jemalloc is for better performance, if `libjemalloc.so` is installed on your machine, you can turn it on.
# export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD

# AIV
export HCCL_OP_EXPANSION_MODE="AIV"

export HCCL_IF_IP=$local_ip
export GLOO_SOCKET_IFNAME=$nic_name
export TP_SOCKET_IFNAME=$nic_name
export HCCL_SOCKET_IFNAME=$nic_name
export VLLM_ASCEND_BALANCE_SCHEDULING=1
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True

vllm serve /weights/DeepSeek-V3.1-w8a8-mtp-QuaRot \
--host 0.0.0.0 \
--port 8015 \
--data-parallel-size 4 \
--tensor-parallel-size 4 \
--quantization ascend \
--seed 1024 \
--served-model-name deepseek_v3 \
--enable-expert-parallel \
--max-num-seqs 16 \
--max-model-len 16384 \
--max-num-batched-tokens 4096 \
--trust-remote-code \
--no-enable-prefix-caching \
--gpu-memory-utilization 0.92 \
--speculative-config '{"num_speculative_tokens": 3, "method": "mtp"}' \
--compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}'

关键参数说明：

• 设置环境变量 VLLM_ASCEND_BALANCE_SCHEDULING=1 可启用均衡调度。这可能有助于在 v1 调度器中提高输出吞吐量并降低 TPOT。然而，在某些场景下 TTFT 可能会变差。此外，不建议在 PD 分离的场景下启用此功能。
• 对于单节点部署，我们建议使用 dp4tp4 而非 dp2tp8。
• --max-model-len 指定最大上下文长度，即单个请求的输入和输出 token 之和。对于输入长度 3.5K、输出长度 1.5K 的性能测试，16384 的值已足够；但对于精度测试，请至少设置为 35000。
• --no-enable-prefix-caching 表示禁用前缀缓存。如需启用，请移除该选项。
• 如果使用 w4a8 权重，将有更多内存分配给 kvcache，您可以尝试增加系统吞吐量以获得更大的吞吐。

常见问题提示：如果遇到问题，请参考公共 FAQ 进行故障排除。

服务验证：

curl http://<node_ip>:8015/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "deepseek_v3",
        "messages": [{
            "role": "user",
            "content": [
            {
                "type": "text",
                "text": "The future of AI is"
            }]
        }],
        "max_tokens": 1024,
        "temperature": 1.0,
        "top_p": 0.95
    }'

预期结果：

服务返回 HTTP 200 OK，JSON 响应中包含 choices 字段。示例输出：

{
    "id": "chatcmpl-xxxxxxxxxxxxx",
    "object": "chat.completion",
    "model": "deepseek_v3",
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "Of course. The future of AI is not a single..."
            },
            "finish_reason": "length"
        }
    ],
    "usage": {
        "prompt_tokens": 9,
        "total_tokens": 1033,
        "completion_tokens": 1024
    }
}

5.2 多节点数据并行部署

• DeepSeek-V3.1-w8a8-mtp-QuaRot：至少需要 2 台 Atlas 800 A2（64G × 8）。

分别在两个节点上运行以下脚本。

节点 0节点 1

启动命令：

#!/bin/sh

# this obtained through ifconfig
# nic_name is the network interface name corresponding to local_ip of the current node
nic_name="xxxx"
local_ip="xxxx"

# The value of node0_ip must be consistent with the value of local_ip set in node0 (master node)
node0_ip="xxxx"

# [Optional] jemalloc
# jemalloc is for better performance, if `libjemalloc.so` is installed on your machine, you can turn it on.
# export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD

export HCCL_IF_IP=$local_ip
export GLOO_SOCKET_IFNAME=$nic_name
export TP_SOCKET_IFNAME=$nic_name
export HCCL_SOCKET_IFNAME=$nic_name
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export HCCL_BUFFSIZE=200
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export VLLM_ASCEND_BALANCE_SCHEDULING=1
export HCCL_INTRA_PCIE_ENABLE=1
export HCCL_INTRA_ROCE_ENABLE=0

vllm serve /weights/DeepSeek-V3.1-w8a8-mtp-QuaRot \
--host 0.0.0.0 \
--port 8004 \
--data-parallel-size 4 \
--data-parallel-size-local 2 \
--data-parallel-address $node0_ip \
--data-parallel-rpc-port 13389 \
--tensor-parallel-size 4 \
--quantization ascend \
--seed 1024 \
--served-model-name deepseek_v3 \
--enable-expert-parallel \
--max-num-seqs 16 \
--max-model-len 16384 \
--max-num-batched-tokens 4096 \
--trust-remote-code \
--no-enable-prefix-caching \
--gpu-memory-utilization 0.92 \
--speculative-config '{"num_speculative_tokens": 3, "method": "mtp"}' \
--compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}'

启动命令：

#!/bin/sh

# this obtained through ifconfig
# nic_name is the network interface name corresponding to local_ip of the current node
nic_name="xxx"
local_ip="xxx"

# The value of node0_ip must be consistent with the value of local_ip set in node0 (master node)
node0_ip="xxxx"

# [Optional] jemalloc
# jemalloc is for better performance, if `libjemalloc.so` is installed on your machine, you can turn it on.
# export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD

export HCCL_IF_IP=$local_ip
export GLOO_SOCKET_IFNAME=$nic_name
export TP_SOCKET_IFNAME=$nic_name
export HCCL_SOCKET_IFNAME=$nic_name
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export HCCL_BUFFSIZE=200
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export VLLM_ASCEND_BALANCE_SCHEDULING=1
export HCCL_INTRA_PCIE_ENABLE=1
export HCCL_INTRA_ROCE_ENABLE=0

vllm serve /weights/DeepSeek-V3.1-w8a8-mtp-QuaRot \
--host 0.0.0.0 \
--port 8004 \
--headless \
--data-parallel-size 4 \
--data-parallel-size-local 2 \
--data-parallel-start-rank 2 \
--data-parallel-address $node0_ip \
--data-parallel-rpc-port 13389 \
--tensor-parallel-size 4 \
--quantization ascend \
--seed 1024 \
--served-model-name deepseek_v3 \
--enable-expert-parallel \
--max-num-seqs 16 \
--max-model-len 16384 \
--max-num-batched-tokens 4096 \
--trust-remote-code \
--no-enable-prefix-caching \
--gpu-memory-utilization 0.92 \
--speculative-config '{"num_speculative_tokens": 3, "method": "mtp"}' \
--compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}'

关键参数说明：

• --data-parallel-size：所有节点上的数据并行总秩数。在此示例中，4 表示模型总共分布在 4 个 DP 秩上（每个节点 2 个）。
• --data-parallel-size-local：当前节点上运行的数据并行秩数。在此示例中，每个节点运行 2 个 DP 秩。
• --data-parallel-start-rank：此节点上数据并行秩的起始秩偏移量。节点 0 从秩 0 开始（默认），节点 1 从秩 2 开始。这确保了每个节点的 DP 秩在整体秩空间中占据不同的位置。
• --data-parallel-address：数据并行主节点（节点 0）的 IP 地址。此值必须与节点 0 上设置的 local_ip 一致。
• --data-parallel-rpc-port：数据并行主节点通信的 RPC 端口。所有节点必须相同。
• --headless：表示此 vLLM 实例不是主服务节点。仅在非主节点（节点 1）上设置。主节点（节点 0）不应设置此标志。
• 对于单节点部署，我们建议使用 dp4 tp4 而不是 dp2 tp8。

常见问题提示：如果遇到问题，请参考公共 FAQ 进行故障排除。

服务验证：

curl http://<node_ip>:8015/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "deepseek_v3",
        "messages": [{
            "role": "user",
            "content": [
            {
                "type": "text",
                "text": "The future of AI is"
            }]
        }],
        "max_tokens": 1024,
        "temperature": 1.0,
        "top_p": 0.95
    }'

预期结果：

服务返回 HTTP 200 OK。JSON 响应包含 choices 字段，其中包含生成的文本。

5.3 多节点 PD 分离部署

我们建议使用 Mooncake 进行部署：Mooncake。

在标准的单节点部署模式下，Prefill（提示处理）和 Decode（令牌生成）任务运行在同一组 NPU 上。PD（Prefill-Decode）分离通过将 Prefill 和 Decode 运行在专用的节点组上来解决此问题，每个节点组独立配置：

• **Prefill 节点**专注于高吞吐量的提示处理，针对计算和通信进行了优化。
• **Decode 节点**专注于低延迟的令牌生成，针对内存带宽进行了优化。

对于需要同时保证稳定延迟和高吞吐量的并发多用户工作负载的生产部署，建议采用此架构。

以 Atlas 800 A3（64G × 16）为例，我们建议部署 2P1D（4 个节点）而不是 1P1D（2 个节点），因为在 1P1D 情况下没有足够的 NPU 内存来服务高并发。

• DeepSeek-V3.1-w8a8-mtp-QuaRot 2P1D Layerwise 需要 4 个 Atlas 800 A3（64G × 16）。

要运行 vllm-ascend Prefill-Decode Disaggregation 服务，您需要在每个节点上部署 launch_online_dp.py 脚本和 run_dp_template.sh 脚本，并在 prefill 主节点上部署 proxy.sh 脚本以转发请求。

launch_online_dp.py

参数说明：

参数	类型	必填	默认值	描述
--dp-size	int	是	-	数据并行大小（所有节点上的DP rank总数）。
--tp-size	int	否	1	每个DP rank内的张量并行大小。
--dp-size-local	int	否	(与--dp-size相同)	当前节点上的DP rank数量。如果未设置，默认为--dp-size。
--dp-rank-start	int	否	0	此节点上数据并行rank的起始偏移量。
--dp-address	str	是	-	数据并行主节点（节点0）的IP地址。
--dp-rpc-port	str	否	12345	数据并行主节点通信的RPC端口。
--vllm-start-port	int	否	9000	此节点上每个vLLM引擎实例的起始端口。每个DP rank的引擎端口 = vllm_start_port + 本地rank索引。

1. run_dp_template.sh 脚本

节点 0(Prefill)节点 1(Prefill)节点 0(Decode)节点 1(Decode)

# this obtained through ifconfig
# nic_name is the network interface name corresponding to local_ip of the current node
nic_name="xxx"
local_ip="141.xx.xx.1"

# The value of node0_ip must be consistent with the value of local_ip set in node0 (master node)
node0_ip="xxxx"

# [Optional] jemalloc
# jemalloc is for better performance, if `libjemalloc.so` is installed on your machine, you can turn it on.
# export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD

export HCCL_IF_IP=$local_ip
export GLOO_SOCKET_IFNAME=$nic_name
export TP_SOCKET_IFNAME=$nic_name
export HCCL_SOCKET_IFNAME=$nic_name

export VLLM_RPC_TIMEOUT=3600000
export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000
export HCCL_EXEC_TIMEOUT=204
export HCCL_CONNECT_TIMEOUT=120

export OMP_PROC_BIND=false
export OMP_NUM_THREADS=10
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=256
export TASK_QUEUE_ENABLE=1
export HCCL_OP_EXPANSION_MODE="AIV"
export VLLM_USE_V1=1
export ASCEND_RT_VISIBLE_DEVICES=$1
export ASCEND_BUFFER_POOL=4:8
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

export VLLM_ASCEND_ENABLE_FLASHCOMM1=1

vllm serve /weights/DeepSeek-V3.1-w8a8-mtp-QuaRot \
    --host 0.0.0.0 \
    --port $2 \
    --data-parallel-size $3 \
    --data-parallel-rank $4 \
    --data-parallel-address $5 \
    --data-parallel-rpc-port $6 \
    --tensor-parallel-size $7 \
    --enable-expert-parallel \
    --seed 1024 \
    --served-model-name deepseek_v3 \
    --max-model-len 65536 \
    --max-num-batched-tokens 16384 \
    --max-num-seqs 8 \
    --enforce-eager \
    --trust-remote-code \
    --gpu-memory-utilization 0.9 \
    --quantization ascend \
    --no-enable-prefix-caching \
    --speculative-config '{"num_speculative_tokens": 1, "method": "mtp"}' \
    --additional-config '{"recompute_scheduler_enable":true}' \
    --kv-transfer-config \
    '{"kv_connector": "MooncakeConnectorV1",
    "kv_role": "kv_producer",
    "kv_port": "30000",
    "kv_connector_extra_config": {
            "prefill": {
                    "dp_size": 2,
                    "tp_size": 8
            },
            "decode": {
                    "dp_size": 32,
                    "tp_size": 1
            }
        }
    }'

# this obtained through ifconfig
# nic_name is the network interface name corresponding to local_ip of the current node
nic_name="xxx"
local_ip="141.xx.xx.2"

# The value of node0_ip must be consistent with the value of local_ip set in node0 (master node)
node0_ip="xxxx"

# [Optional] jemalloc
# jemalloc is for better performance, if `libjemalloc.so` is installed on your machine, you can turn it on.
# export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD

export HCCL_IF_IP=$local_ip
export GLOO_SOCKET_IFNAME=$nic_name
export TP_SOCKET_IFNAME=$nic_name
export HCCL_SOCKET_IFNAME=$nic_name

export VLLM_RPC_TIMEOUT=3600000
export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000
export HCCL_EXEC_TIMEOUT=204
export HCCL_CONNECT_TIMEOUT=120

export OMP_PROC_BIND=false
export OMP_NUM_THREADS=10
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=256
export TASK_QUEUE_ENABLE=1
export HCCL_OP_EXPANSION_MODE="AIV"
export VLLM_USE_V1=1
export ASCEND_RT_VISIBLE_DEVICES=$1
export ASCEND_BUFFER_POOL=4:8
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

export VLLM_ASCEND_ENABLE_FLASHCOMM1=1

vllm serve /weights/DeepSeek-V3.1-w8a8-mtp-QuaRot \
    --host 0.0.0.0 \
    --port $2 \
    --data-parallel-size $3 \
    --data-parallel-rank $4 \
    --data-parallel-address $5 \
    --data-parallel-rpc-port $6 \
    --tensor-parallel-size $7 \
    --enable-expert-parallel \
    --seed 1024 \
    --served-model-name deepseek_v3 \
    --max-model-len 65536 \
    --max-num-batched-tokens 16384 \
    --max-num-seqs 8 \
    --enforce-eager \
    --trust-remote-code \
    --gpu-memory-utilization 0.9 \
    --quantization ascend \
    --no-enable-prefix-caching \
    --speculative-config '{"num_speculative_tokens": 1, "method": "mtp"}' \
    --additional-config '{"recompute_scheduler_enable":true}' \
    --kv-transfer-config \
    '{"kv_connector": "MooncakeConnectorV1",
    "kv_role": "kv_producer",
    "kv_port": "30100",
    "kv_connector_extra_config": {
            "prefill": {
                    "dp_size": 2,
                    "tp_size": 8
            },
            "decode": {
                    "dp_size": 32,
                    "tp_size": 1
            }
        }
    }'

# this obtained through ifconfig
# nic_name is the network interface name corresponding to local_ip of the current node
nic_name="xxx"
local_ip="141.xx.xx.3"

# The value of node0_ip must be consistent with the value of local_ip set in node0 (master node)
node0_ip="xxxx"

# [Optional] jemalloc
# jemalloc is for better performance, if `libjemalloc.so` is installed on your machine, you can turn it on.
# export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD

export HCCL_IF_IP=$local_ip
export GLOO_SOCKET_IFNAME=$nic_name
export TP_SOCKET_IFNAME=$nic_name
export HCCL_SOCKET_IFNAME=$nic_name

export VLLM_RPC_TIMEOUT=3600000
export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000
export HCCL_EXEC_TIMEOUT=204
export HCCL_CONNECT_TIMEOUT=120

export OMP_PROC_BIND=false
export OMP_NUM_THREADS=10
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=1100
export TASK_QUEUE_ENABLE=1
export HCCL_OP_EXPANSION_MODE="AIV"
export VLLM_USE_V1=1
export ASCEND_RT_VISIBLE_DEVICES=$1
export ASCEND_BUFFER_POOL=4:8
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

vllm serve /weights/DeepSeek-V3.1-w8a8-mtp-QuaRot \
    --host 0.0.0.0 \
    --port $2 \
    --data-parallel-size $3 \
    --data-parallel-rank $4 \
    --data-parallel-address $5 \
    --data-parallel-rpc-port $6 \
    --tensor-parallel-size $7 \
    --enable-expert-parallel \
    --seed 1024 \
    --served-model-name deepseek_v3 \
    --max-model-len 65536 \
    --max-num-batched-tokens 256 \
    --max-num-seqs 28 \
    --trust-remote-code \
    --gpu-memory-utilization 0.92 \
    --quantization ascend \
    --no-enable-prefix-caching \
    --speculative-config '{"num_speculative_tokens": 1, "method": "mtp"}' \
    --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
    --additional-config '{"recompute_scheduler_enable":true,"multistream_overlap_shared_expert": true,"finegrained_tp_config": {"lmhead_tensor_parallel_size":16}}' \
    --kv-transfer-config \
    '{"kv_connector": "MooncakeConnectorV1",
    "kv_role": "kv_consumer",
    "kv_port": "30200",
    "kv_connector_extra_config": {
            "prefill": {
                    "dp_size": 2,
                    "tp_size": 8
            },
            "decode": {
                    "dp_size": 32,
                    "tp_size": 1
            }
        }
    }'

# this obtained through ifconfig
# nic_name is the network interface name corresponding to local_ip of the current node
nic_name="xxx"
local_ip="141.xx.xx.4"

# The value of node0_ip must be consistent with the value of local_ip set in node0 (master node)
node0_ip="xxxx"

# [Optional] jemalloc
# jemalloc is for better performance, if `libjemalloc.so` is installed on your machine, you can turn it on.
# export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD

export HCCL_IF_IP=$local_ip
export GLOO_SOCKET_IFNAME=$nic_name
export TP_SOCKET_IFNAME=$nic_name
export HCCL_SOCKET_IFNAME=$nic_name

export VLLM_RPC_TIMEOUT=3600000
export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000
export HCCL_EXEC_TIMEOUT=204
export HCCL_CONNECT_TIMEOUT=120

export OMP_PROC_BIND=false
export OMP_NUM_THREADS=10
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=1100
export TASK_QUEUE_ENABLE=1
export HCCL_OP_EXPANSION_MODE="AIV"
export VLLM_USE_V1=1
export ASCEND_RT_VISIBLE_DEVICES=$1
export ASCEND_BUFFER_POOL=4:8
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

vllm serve /weights/DeepSeek-V3.1-w8a8-mtp-QuaRot \
    --host 0.0.0.0 \
    --port $2 \
    --data-parallel-size $3 \
    --data-parallel-rank $4 \
    --data-parallel-address $5 \
    --data-parallel-rpc-port $6 \
    --tensor-parallel-size $7 \
    --enable-expert-parallel \
    --seed 1024 \
    --served-model-name deepseek_v3 \
    --max-model-len 65536 \
    --max-num-batched-tokens 256 \
    --max-num-seqs 28 \
    --trust-remote-code \
    --gpu-memory-utilization 0.92 \
    --quantization ascend \
    --no-enable-prefix-caching \
    --speculative-config '{"num_speculative_tokens": 1, "method": "mtp"}' \
    --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
    --additional-config '{"recompute_scheduler_enable":true,"multistream_overlap_shared_expert": true,"finegrained_tp_config": {"lmhead_tensor_parallel_size":16}}' \
    --kv-transfer-config \
    '{"kv_connector": "MooncakeConnectorV1",
    "kv_role": "kv_consumer",
    "kv_port": "30200",
    "kv_connector_extra_config": {
            "prefill": {
                    "dp_size": 2,
                    "tp_size": 8
            },
            "decode": {
                    "dp_size": 32,
                    "tp_size": 1
            }
        }
    }'

关键参数说明：

• VLLM_ASCEND_ENABLE_FLASHCOMM1=1：在 prefill 节点上启用通信优化功能。
• VLLM_ASCEND_ENABLE_MLAPO=1：启用融合算子，可以显著提升性能但会消耗更多 NPU 内存。在 Prefill-Decode (PD) 分离场景下，仅在 decode 节点上启用 MLAPO。
• recompute_scheduler_enable: true：启用重计算调度器。当 decode 节点的键值缓存（KV Cache）不足时，请求将被发送到 prefill 节点以重新计算 KV Cache。在 PD 分离场景下，建议同时在 prefill 和 decode 节点上启用此配置。
• multistream_overlap_shared_expert: true：当张量并行（TP）大小为 1 或 enable_shared_expert_dp: true 时，启用额外的流以重叠共享专家的计算过程，从而提高效率。

• lmhead_tensor_parallel_size: 16：当 decode 节点的张量并行（TP）大小为 1 时，此参数允许 LMHead 嵌入层的 TP 大小大于 1，用于减少每张卡在 LMHead 嵌入层上的计算负载。

• 为每个节点运行服务器：

  # p0
  python launch_online_dp.py --dp-size 2 --tp-size 8 --dp-size-local 2 --dp-rank-start 0 --dp-address 141.xx.xx.1 --dp-rpc-port 12321 --vllm-start-port 7100
  # p1
  python launch_online_dp.py --dp-size 2 --tp-size 8 --dp-size-local 2 --dp-rank-start 0 --dp-address 141.xx.xx.2 --dp-rpc-port 12321 --vllm-start-port 7100
  # d0
  python launch_online_dp.py --dp-size 32 --tp-size 1 --dp-size-local 16 --dp-rank-start 0 --dp-address 141.xx.xx.3 --dp-rpc-port 12321 --vllm-start-port 7100
  # d1
  python launch_online_dp.py --dp-size 32 --tp-size 1 --dp-size-local 16 --dp-rank-start 16 --dp-address 141.xx.xx.3 --dp-rpc-port 12321 --vllm-start-port 7100
  

• 在 prefill 主节点上运行 proxy.sh 脚本

  在与 prefiller 服务实例相同的节点上运行代理服务器。您可以在仓库的示例中获取代理程序：load_balance_proxy_server_example.py

  python load_balance_proxy_server_example.py \
    --port 1999 \
    --host 141.xx.xx.1 \
    --prefiller-hosts \
      141.xx.xx.1 \
      141.xx.xx.1 \
      141.xx.xx.2 \
      141.xx.xx.2 \
    --prefiller-ports \
      7100 7101 7100 7101 \
    --decoder-hosts \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
    --decoder-ports \
      7100 7101 7102 7103 7104 7105 7106 7107 7108 7109 7110 7111 7112 7113 7114 7115 \
      7100 7101 7102 7103 7104 7105 7106 7107 7108 7109 7110 7111 7112 7113 7114 7115 \
  

  cd vllm-ascend/examples/disaggregated_prefill_v1/
  bash proxy.sh
  

部署验证：

PD 分离服务完全启动后，通过 prefill 主节点上的代理端口发送请求，以验证 Prefill 和 Decode 节点是否协同正常工作：

curl http://141.xx.xx.1:1999/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "deepseek_v3",
        "messages": [{
            "role": "user",
            "content": [
            {
                "type": "text",
                "text": "The future of AI is"
            }]
        }],
        "max_tokens": 1024,
        "temperature": 1.0,
        "top_p": 0.95
    }'

预期结果：

代理返回 HTTP 200 OK。JSON 响应包含 choices 字段，其中包含生成的文本，确认 Prefill 节点已成功处理提示，Decode 节点已生成响应：

{
    "id": "chatcmpl-xxxxxxxxxxxxx",
    "object": "chat.completion",
    "model": "deepseek_v3",
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "The future of AI is not a destination we are passively approaching...",
                "finish_reason": "length"
            }
        }
    ],
    "usage": {
        "prompt_tokens": 13,
        "total_tokens": 1037,
        "completion_tokens": 1024
    }
}

常见问题提示：如果遇到 PD 分离部署的问题，请参考公共 FAQ 进行故障排除。

6 功能验证

服务器启动后，您可以使用输入提示查询模型：

curl http://<node0_ip>:<port>/v1/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "deepseek_v3",
        "prompt": "The future of AI is",
        "max_completion_tokens": 50,
        "temperature": 0
    }'

7 精度评估

以下是一种精度评估方法。

使用 AISBench

1. 有关详细信息，请参阅使用 AISBench。

2. 执行后，您可以获得结果，以下是 DeepSeek-V3.1-w8a8-mtp-QuaRot 中 vllm-ascend:0.18.0 的结果，仅供参考。

数据集	版本	指标	模式	vllm-api-general-chat	备注
ceval	-	accuracy	gen	90.94	1 Atlas 800 A3 (64G × 16)
gsm8k	-	accuracy	gen	96.28	1 Atlas 800 A3 (64G × 16)

使用 Language Model Evaluation Harness

尚未测试。

8 性能评估

使用 AISBench

有关详细信息，请参阅使用 AISBench 进行性能评估。

性能结果如下：

硬件：A3-752T，4 节点

部署：2P1D，Prefill 节点：DP2+TP8，Decode 节点：DP32+TP1

输入/输出：3.5k/1.5k

性能：TTFT = 6.16s，TPOT = 48.82ms，每卡平均性能为 478 TPS（每秒 Token 数）。

使用 vLLM Benchmark

以 DeepSeek-V3.1-w8a8-mtp-QuaRot 为例运行性能评估。

有关更多详细信息，请参阅 vllm benchmark。

有三个 vllm bench 子命令：

• latency：对单批请求的延迟进行基准测试。
• serve：对在线服务吞吐量进行基准测试。
• throughput：对离线推理吞吐量进行基准测试。

以 serve 为例。按如下方式运行代码。

vllm bench serve --model /weights/DeepSeek-V3.1-w8a8-mtp-QuaRot  --dataset-name random --random-input 1024 --num-prompts 200 --request-rate 1 --save-result --result-dir ./

大约几分钟后，您可以获得性能评估结果。

9 性能调优

9.1 推荐配置

注意：以下配置在特定测试环境中经过验证，仅供参考。最佳配置取决于最大输入/输出长度、前缀缓存命中率、精度要求和部署机器比例等因素。建议根据实际情况参考第 9.2 节进行调优。

表 1：场景概览

*Total NPUs 表示所有节点使用的 NPU 总数。1 节点 = 1 Atlas 800 A3 服务器（64G × 16 NPU）。

场景	部署模式	*NPU总数	权重版本	关键考虑因素
高吞吐量 (3.5K/16K输入)	单节点混合	16 (A3)	DeepSeek-V3.1-w4a8-perchannle	使用dp4 tp4平衡内存容量和计算效率
低延迟 (3.5K/16K输入)	单节点混合	16 (A3)	DeepSeek-V3.1-w4a8-perchannle	使用dp2 tp8平衡内存容量和计算效率
高吞吐量/低延迟 (64K输入)	单节点混合	16 (A3)	DeepSeek-V3.1-w4a8-perchannle	使用dp2 tp8平衡内存容量和计算效率
高吞吐量/低延迟 (3.5K输入)	2P1D部署	64 (A3)	DeepSeek-V3.1-w4a8-perchannle	使用dp2 tp8平衡内存容量和计算效率
高吞吐量/低延迟 (16K输入)	2P1D部署	64 (A3)	DeepSeek-V3.1-w4a8-perchannle	使用dp2 tp8平衡内存容量和计算效率
长上下文 (64K输入，无前缀缓存)	2P1D部署	64 (A3)	DeepSeek-V3.1-w4a8-perchannle	使用dp1 tp8平衡内存容量和计算效率

表 2：详细节点配置

场景	配置	NPU数量	TP	DP	最大模型长度	MTP推测数量
高吞吐量 (3.5K)	服务器/单机	16	4	4	39K	3
High Throughput (16K)	Server / Single Machine	16	4	4	36K	3
低延迟 (3.5K)	服务器/单机	16	8	2	36K	3
Low Latency (16K)	Server / Single Machine	16	8	2	36K	3
High Throughput / Low Latency (64K)	Server / Single Machine	16	8	2	132K	3

|高吞吐 (16K)|Server-P 节点|16|8|2|36K|1| |高吞吐 (16K)|Server-D 节点|16|4|8|36K|1| |低延迟 (16K)|Server-P 节点|16|8|2|36K|3| |低延迟 (16K)|Server-D 节点|16|4|8|36K|3| |长上下文 (64K)|Server-P 节点|16|8|1(PCP2DCP8)|36K|3| |长上下文 (64K)|Server-D 节点|16|4|8|36K|3|

有关完整的启动命令和参数说明，请参阅第 5 章中的部署示例。

注意： max-model-len 和 max-num-seqs 需要根据实际使用场景进行设置。其他设置请参考 部署 章节。

9.2 调优指南

请参考公共性能调优文档了解调优方法。

详细功能描述请参考功能指南。

10 常见问题

常见环境、安装及通用参数问题，请参考公共常见问题。