Kimi-K2.6¶
1 简介¶
Note
本文档中提到的“PD 分离部署”仅作为示例/参考设计提供,用于演示以分离模式部署 Prefill 和 Decode 的基本流程。不建议在生产环境中使用。
对于客户侧的生产环境,推荐使用 MindIE Motor + vLLM-Ascend。
Kimi K2.6 是一个开源的原生多模态智能体模型,基于 Kimi-K2-Base,通过在大约 15 万亿混合视觉和文本 token 上进行持续预训练构建而成。它无缝集成了视觉与语言理解能力,具备高级智能体能力、即时与思考模式,以及对话与智能体范式。
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、精度及性能评估。
本文档基于 vLLM-Ascend v0.30.0 进行验证和编写。Kimi-K2.6 首次在 vLLM-Ascend v0.20.0rc1 中获得支持。
2 支持的特性¶
请参阅支持特性列表获取模型的支持特性矩阵。
请参阅特性指南获取特性的配置。
3 前提条件¶
3.1 模型权重¶
| 权重版本 | 硬件要求 | 下载链接 |
|---|---|---|
Kimi-K2.6-w4a8(w4a8 量化版本) |
1 个 Atlas 800 A3(64GB × 16)节点或 2 个 Atlas 800 A2(64GB × 8)节点 | ModelScope |
kimi-k2.6-eagle3(用于加速 Kimi-K2.6 推理的 Eagle3 MTP 草稿模型) |
1 个 Atlas 800 A3(64GB × 16)节点 | Hugging Face |
Kimi-K2.5-DFlash(一种投机解码框架,利用轻量级块扩散模型进行并行草稿生成) |
1 个 Atlas 800 A3(64GB × 16)节点 | Hugging Face |
建议将模型权重下载到多节点的共享目录中,例如 /root/.cache/。
路径说明:将模型权重下载到您选择的目录并记录该路径。确保后续部署命令中的模型路径与此目录一致。
3.2 验证多节点通信(可选)¶
如果您想部署多节点环境,需要根据验证多节点通信环境来验证多节点通信。
4 安装¶
4.1 Docker 镜像安装¶
根据您的机器类型选择镜像并在节点上启动docker镜像,请参考使用docker。
在每个节点上启动docker镜像。
export IMAGE=quay.io/ascend/vllm-ascend:v0.30.0-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:v0.30.0
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,可以通过执行 docker ps 命令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,需要在每个节点上进行环境设置。
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Kimi-K2.6-w4a8可部署在1台Atlas 800 A3(64GB × 16)上。
虽然单节点设置支持所有输入/输出场景,但为获得最佳性能,请考虑部署多节点。
启动命令:
#!/bin/sh
export HCCL_OP_EXPANSION_MODE="AIV"
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export TASK_QUEUE_ENABLE=1
echo performance | tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor
sysctl -w vm.swappiness=0
sysctl -w kernel.numa_balancing=0
sysctl -w kernel.sched_migration_cost_ns=50000
export HCCL_BUFFSIZE=600
# Ensure the model path matches the directory recorded during download
vllm serve Eco-Tech/Kimi-K2.6-w4a8 \
--quantization ascend \
--enable-auto-tool-choice \
--tool-call-parser kimi_k2 \
--reasoning-parser kimi_k2 \
--allowed-local-media-path /data/media \
--served-model-name Eco-Tech/Kimi-K2.6-w4a8 \
--trust-remote-code \
--tensor-parallel-size 4 \
--data-parallel-size 4 \
--no-enable-prefix-caching \
--enable-expert-parallel \
--port 8000 \
--max-num-seqs 4 \
--max-model-len 15000 \
--max-num-batched-tokens 16384 \
--gpu-memory-utilization 0.87 \
--seed 42 \
--compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \
--profiler-config '{"profiler": "torch", "torch_profiler_dir": "./vllm_profile", "torch_profiler_with_stack": true}' \
--mm-processor-cache-gb 0 \
--mm-encoder-tp-mode data \
--additional-config '{"scheduler_config":{"enable_balance_scheduling":false},"enable_mlapo":true}' \
--speculative-config '{"method": "dflash","model": "z-lab/Kimi-K2.5-DFlash", "num_speculative_tokens": 15}'
关键参数说明:
- 设置
additional_config.scheduler_config.enable_balance_scheduling=true可启用均衡调度。这有助于提升 v1 调度器的输出吞吐量并降低 TPOT。但在某些场景下(长提示词涌入、多模态输入(Kimi-K2.6 特有)以及并发请求突增等),TTFT 可能会变差。此外,在 PD 分离的场景中不建议启用此特性。 --max-model-len指定最大上下文长度,即单个请求的输入与输出 token 之和。对于输入长度为 3.5k、输出长度为 1.5k 的性能测试,15000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。--allowed-local-media-path允许多模态请求从服务器上的/data/media及其子目录加载本地媒体文件(如图片和视频)。请将媒体文件放入该目录,或将路径改为包含媒体文件的目录。--mm-encoder-tp-mode表示如何利用张量并行(TP)优化多模态编码器推理。如需测试多模态输入,推荐使用data。- 如果使用 w4a8 权重,将有更多内存分配给 KV Cache,您可以尝试增大
--max-num-seqs以提升系统吞吐量。
常见问题提示:如果遇到问题,请参阅公共FAQ进行故障排查。
5.2 多节点 PD 分离部署¶
我们推荐使用 Mooncake 作为部署前提:Mooncake。
在标准单节点部署模式下,Prefill(提示处理)和 Decode(token 生成)任务在同一组 NPU 上运行。这可能导致两个问题:
- Prefill抢占中断Decode:Prefill是计算密集型任务,一次性处理整个输入上下文,而Decode逐个生成Token。当新用户请求到达时,其Prefill阶段会抢占并中断正在进行的Decode任务,导致抖动和更高的每个输出Token延迟(TPOT)。
- 资源分配不灵活:Prefill和Decode具有根本不同的计算特性——Prefill受计算能力限制且内存带宽密集,而Decode受内存带宽限制。在同一硬件上运行两者会迫使做出折中,无法最优满足任何一方。
PD(Prefill-Decode)分离通过将Prefill和Decode运行在专用的节点组上(每组独立配置)来解决这些问题:
-
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(例如,启用序列并行以加速Allreduce)。
-
Decode节点专注于低延迟的Token生成,针对内存带宽进行了优化(例如,启用MLAPO融合算子)。
此架构推荐用于具有并发多用户工作负载的生产部署,其中需要稳定的延迟和高吞吐量。
以 Atlas 800 A3(64GB × 16)为例,我们推荐部署 2P1D(4 个节点,其中 1 个 Decode 实例跨 2 个节点),而不是 1P1D(2 个节点),因为在 1P1D 情况下 NPU 内存不足以支撑高并发。
Kimi-K2.6-w4a8 2P1D:需要4台Atlas 800 A3(64GB × 16)节点。
要运行vllm-ascend的Prefill-Decode分离服务,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。
建议将 launch_online_dp.py 和 run_dp_template.sh 存放在所有节点均可访问的共享目录中,例如 /xxx/shared/scripts/pd。launch_online_dp.py 会调用 run_dp_template.sh。
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,默认值为--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。 |
-
run_dp_template.sh脚本# this obtained through ifconfig # nic_name is the network interface name corresponding to local_ip of the current node nic_name="xxx" local_ip="192.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" export HCCL_IF_IP=$local_ip export GLOO_SOCKET_IFNAME=$nic_name export TP_SOCKET_IFNAME=$nic_name export HCCL_SOCKET_IFNAME=$nic_name echo performance | tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor sysctl -w vm.swappiness=0 sysctl -w kernel.numa_balancing=0 sysctl kernel.sched_migration_cost_ns=50000 export VLLM_RPC_TIMEOUT=3600000 export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000 export HCCL_EXEC_TIMEOUT=204 export HCCL_CONNECT_TIMEOUT=120 export HCCL_OP_EXPANSION_MODE="AIV" export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True export OMP_PROC_BIND=false export OMP_NUM_THREADS=1 export TASK_QUEUE_ENABLE=1 export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH export HCCL_BUFFSIZE=1536 export ASCEND_RT_VISIBLE_DEVICES=$1 # Ensure the model path matches the directory recorded during download vllm serve Eco-Tech/Kimi-K2.6-w4a8 \ --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 $7 \ --enable-expert-parallel \ --seed 1024 \ --quantization ascend \ --served-model-name Eco-Tech/Kimi-K2.6-w4a8 \ --trust-remote-code \ --max-num-seqs 1 \ --max-model-len 133120 \ --max-num-batched-tokens 16384 \ --no-enable-prefix-caching \ --gpu-memory-utilization 0.92 \ --enforce-eager \ --enable-auto-tool-choice \ --tool-call-parser kimi_k2 \ --reasoning-parser kimi_k2 \ --additional-config '{"recompute_scheduler_enable":true,"enable_shared_expert_dp": true}' \ --mm-encoder-tp-mode data \ --kv-transfer-config \ '{"kv_connector": "MooncakeConnectorV1", "kv_role": "kv_producer", "kv_port": "30000", "kv_connector_extra_config": { "use_ascend_direct": true, "prefill": { "dp_size": 4, "tp_size": 4 }, "decode": { "dp_size": 8, "tp_size": 4 } } }'# this obtained through ifconfig # nic_name is the network interface name corresponding to local_ip of the current node nic_name="xxx" local_ip="192.xx.xx.2" # The value of node0_ip must be consistent with the value of local_ip set in node0 (master node) node0_ip="xxxx" export HCCL_IF_IP=$local_ip export GLOO_SOCKET_IFNAME=$nic_name export TP_SOCKET_IFNAME=$nic_name export HCCL_SOCKET_IFNAME=$nic_name echo performance | tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor sysctl -w vm.swappiness=0 sysctl -w kernel.numa_balancing=0 sysctl kernel.sched_migration_cost_ns=50000 export VLLM_RPC_TIMEOUT=3600000 export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000 export HCCL_EXEC_TIMEOUT=204 export HCCL_CONNECT_TIMEOUT=120 export HCCL_OP_EXPANSION_MODE="AIV" export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True export OMP_PROC_BIND=false export OMP_NUM_THREADS=1 export TASK_QUEUE_ENABLE=1 export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH export HCCL_BUFFSIZE=1536 export ASCEND_RT_VISIBLE_DEVICES=$1 # Ensure the model path matches the directory recorded during download vllm serve Eco-Tech/Kimi-K2.6-w4a8 \ --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 $7 \ --enable-expert-parallel \ --seed 1024 \ --quantization ascend \ --served-model-name Eco-Tech/Kimi-K2.6-w4a8 \ --trust-remote-code \ --max-num-seqs 1 \ --max-model-len 133120 \ --max-num-batched-tokens 16384 \ --no-enable-prefix-caching \ --gpu-memory-utilization 0.92 \ --enforce-eager \ --enable-auto-tool-choice \ --tool-call-parser kimi_k2 \ --reasoning-parser kimi_k2 \ --additional-config '{"recompute_scheduler_enable":true,"enable_shared_expert_dp": true}' \ --mm-encoder-tp-mode data \ --kv-transfer-config \ '{"kv_connector": "MooncakeConnectorV1", "kv_role": "kv_producer", "kv_port": "30100", "kv_connector_extra_config": { "prefill": { "dp_size": 4, "tp_size": 4 }, "decode": { "dp_size": 8, "tp_size": 4 } } }'# this obtained through ifconfig # nic_name is the network interface name corresponding to local_ip of the current node nic_name="xxx" local_ip="192.xx.xx.3" # The value of node0_ip must be consistent with the value of local_ip set in node0 (master node) node0_ip="xxxx" export HCCL_IF_IP=$local_ip export GLOO_SOCKET_IFNAME=$nic_name export TP_SOCKET_IFNAME=$nic_name export HCCL_SOCKET_IFNAME=$nic_name echo performance | tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor sysctl -w vm.swappiness=0 sysctl -w kernel.numa_balancing=0 sysctl kernel.sched_migration_cost_ns=50000 export VLLM_RPC_TIMEOUT=3600000 export HCCL_EXEC_TIMEOUT=204 export HCCL_CONNECT_TIMEOUT=120 export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000 export HCCL_OP_EXPANSION_MODE="AIV" export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True export OMP_PROC_BIND=false export OMP_NUM_THREADS=1 export TASK_QUEUE_ENABLE=1 export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH export HCCL_BUFFSIZE=800 export ASCEND_RT_VISIBLE_DEVICES=$1 # Ensure the model path matches the directory recorded during download vllm serve Eco-Tech/Kimi-K2.6-w4a8 \ --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 $7 \ --enable-expert-parallel \ --seed 1024 \ --quantization ascend \ --served-model-name Eco-Tech/Kimi-K2.6-w4a8 \ --trust-remote-code \ --max-num-seqs 8 \ --max-model-len 133720 \ --max-num-batched-tokens 32 \ --no-enable-prefix-caching \ --gpu-memory-utilization 0.91 \ --enable-auto-tool-choice \ --tool-call-parser kimi_k2 \ --reasoning-parser kimi_k2 \ --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \ --additional-config '{"recompute_scheduler_enable":true,"multistream_overlap_shared_expert":true,"enable_mlapo":true}' \ --speculative-config '{"method": "eagle3", "model":"lightseekorg/kimi-k2.6-eagle3", "num_speculative_tokens": 3}' \ --kv-transfer-config \ '{"kv_connector": "MooncakeConnectorV1", "kv_role": "kv_consumer", "kv_port": "30200", "kv_connector_extra_config": { "prefill": { "dp_size": 4, "tp_size": 4 }, "decode": { "dp_size": 8, "tp_size": 4 } } }'# this obtained through ifconfig # nic_name is the network interface name corresponding to local_ip of the current node nic_name="xxx" local_ip="192.xx.xx.4" # The value of node0_ip must be consistent with the value of local_ip set in node0 (master node) node0_ip="xxxx" export HCCL_IF_IP=$local_ip export GLOO_SOCKET_IFNAME=$nic_name export TP_SOCKET_IFNAME=$nic_name export HCCL_SOCKET_IFNAME=$nic_name echo performance | tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor sysctl -w vm.swappiness=0 sysctl -w kernel.numa_balancing=0 sysctl kernel.sched_migration_cost_ns=50000 export VLLM_RPC_TIMEOUT=3600000 export HCCL_EXEC_TIMEOUT=204 export HCCL_CONNECT_TIMEOUT=120 export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000 export HCCL_OP_EXPANSION_MODE="AIV" export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True export OMP_PROC_BIND=false export OMP_NUM_THREADS=1 export TASK_QUEUE_ENABLE=1 export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH export HCCL_BUFFSIZE=800 export ASCEND_RT_VISIBLE_DEVICES=$1 # Ensure the model path matches the directory recorded during download vllm serve Eco-Tech/Kimi-K2.6-w4a8 \ --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 \ --quantization ascend \ --served-model-name Eco-Tech/Kimi-K2.6-w4a8 \ --trust-remote-code \ --max-num-seqs 8 \ --max-model-len 133720 \ --max-num-batched-tokens 32 \ --no-enable-prefix-caching \ --gpu-memory-utilization 0.91 \ --enable-auto-tool-choice \ --tool-call-parser kimi_k2 \ --reasoning-parser kimi_k2 \ --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \ --additional-config '{"recompute_scheduler_enable":true,"multistream_overlap_shared_expert":true,"enable_mlapo":true}' \ --speculative-config '{"method": "eagle3", "model":"lightseekorg/kimi-k2.6-eagle3", "num_speculative_tokens": 3}' \ --kv-transfer-config \ '{"kv_connector": "MooncakeConnectorV1", "kv_role": "kv_consumer", "kv_port": "30300", "kv_connector_extra_config": { "prefill": { "dp_size": 4, "tp_size": 4 }, "decode": { "dp_size": 8, "tp_size": 4 } } }'关键参数说明(Decode):
additional_config.enable_mlapo=true:启用融合算子,可显著提升性能,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,建议在 prefill 和 decode 节点上同时启用此配置。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。
-
为每个节点运行服务器:
# p0 python launch_online_dp.py --dp-size 4 --tp-size 4 --dp-size-local 4 --dp-rank-start 0 --dp-address 192.xx.xx.1 --dp-rpc-port 12321 --vllm-start-port 7100 # p1 python launch_online_dp.py --dp-size 4 --tp-size 4 --dp-size-local 4 --dp-rank-start 0 --dp-address 192.xx.xx.2 --dp-rpc-port 12321 --vllm-start-port 7100 # d0 python launch_online_dp.py --dp-size 8 --tp-size 4 --dp-size-local 4 --dp-rank-start 0 --dp-address 192.xx.xx.3 --dp-rpc-port 12321 --vllm-start-port 7100 # d1 python launch_online_dp.py --dp-size 8 --tp-size 4 --dp-size-local 4 --dp-rank-start 4 --dp-address 192.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
将以下脚本保存为
vllm-ascend/examples/disaggregated_prefill_v1/目录下的proxy.sh。python load_balance_proxy_server_example.py \ --port 1999 \ --host 192.xx.xx.1 \ --prefiller-hosts \ 192.xx.xx.1 \ 192.xx.xx.1 \ 192.xx.xx.1 \ 192.xx.xx.1 \ 192.xx.xx.2 \ 192.xx.xx.2 \ 192.xx.xx.2 \ 192.xx.xx.2 \ --prefiller-ports \ 7100 7101 7102 7103 7100 7101 7102 7103 \ --decoder-hosts \ 192.xx.xx.3 \ 192.xx.xx.3 \ 192.xx.xx.3 \ 192.xx.xx.3 \ 192.xx.xx.4 \ 192.xx.xx.4 \ 192.xx.xx.4 \ 192.xx.xx.4 \ --decoder-ports \ 7100 7101 7102 7103 \ 7100 7101 7102 7103
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,验证Prefill和Decode节点是否正确协同工作:
curl http://<NODE0_LOCAL_IP>:<SERVICE_PORT>/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "Eco-Tech/Kimi-K2.6-w4a8",
"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。如果不是,则说明 PD 分离服务未成功启动。JSON 响应中包含带有生成文本的 choices 字段,表明 Prefill 节点已成功处理提示词,Decode 节点已生成响应:
{
"id": "chatcmpl-xxxxxxxxxxxxx",
"object": "chat.completion",
"model": "Eco-Tech/Kimi-K2.6-w4a8",
"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 分离部署问题,请参阅公共FAQ进行故障排查。
6 功能验证¶
服务器启动后,您可以使用输入提示查询模型:
对于单节点部署,将 <port> 设置为服务端口 8000。对于 PD 分离部署,使用代理节点并将 <port> 设置为代理端口 1999。
curl http://<node0_ip>:<port>/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "Eco-Tech/Kimi-K2.6-w4a8",
"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响应包含带有生成文本的choices字段,以及使用统计信息:
{
"id": "chatcmpl-9df13fd5e539af93",
"object": "chat.completion",
"created": 1780971952,
"model": "Eco-Tech/Kimi-K2.6-w4a8",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "The future of AI is not a destination we are passively approaching, but a design problem we are actively solving right now...",
"reasoning": "The user is asking for my thoughts on...",
"finish_reason": "length"
}
}
],
"usage": {
"prompt_tokens": 13,
"total_tokens": 1037,
"completion_tokens": 1024
}
}
7 精度评估¶
这里提供一种精度评估方法。
7.1 使用 AISBench¶
-
详情请参考使用AISBench。
-
执行完成后,即可获得结果。以下是
vllm-ascend:v0.23.0中Kimi-K2.6-w4a8的结果,仅供参考。
| 数据集 | 版本 | 指标 | 模式 | vllm-api-general-chat | 备注 |
|---|---|---|---|---|---|
| AIME2026 | - | accuracy | gen | 96.67 | 1 Atlas 800 A3 (8 Cards, 16 NPUs × 64GB) |
| GPQA | - | accuracy | gen | 90.91 | 1 Atlas 800 A3 (8 Cards, 16 NPUs × 64GB) |
| MMMU | - | accuracy | gen | 81.89 | 1 Atlas 800 A3 (8 Cards, 16 NPUs × 64GB) |
8 性能评估¶
8.1 使用 AISBench¶
详情请参考使用 AISBench 进行性能评估。
8.2 使用 vLLM Benchmark¶
以 Kimi-K2.6-w4a8 为例运行性能评估。
更多详情请参考 vllm benchmark。
vllm bench 包含三个子命令:
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 Eco-Tech/Kimi-K2.6-w4a8 --trust-remote-code --dataset-name random --random-input 1024 --num-prompts 200 --request-rate 1 --save-result --result-dir ./
大约几分钟后,即可获得性能评估结果。
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、精度要求以及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
*NPU总数表示所有节点使用的NPU总数。1个节点 = 1台Atlas 800 A3服务器(64GB × 16个NPU)。
| 场景 | 部署模式 | NPU 总数 | 权重版本 | 关键考量 |
|---|---|---|---|---|
| 高吞吐 (16k 输入) |
单节点混合部署 | 16(A3) | Kimi-K2.6-w4a8 | 使用 dp2 tp8 以平衡内存容量与计算效率 |
| 高吞吐 (16k 输入) |
1P1D 部署 | 32(A3) | Kimi-K2.6-w4a8 | P 和 D 节点均使用 dp2 tp8;延迟与吞吐量均衡 |
| 高吞吐 (16k 输入) |
2P1D 部署 | 64(A3) | Kimi-K2.6-w4a8 | 跨节点从 dp4 tp4 扩展到 dp8 tp4 |
| 长上下文 (128k,无前缀缓存) |
单节点混合部署 | 16(A3) | Kimi-K2.6-w4a8 | 使用 dp1 tp16 以最大化 TP,适应极端上下文长度 |
| 长上下文 (128k,启用前缀缓存) |
单节点混合部署 | 16(A3) | Kimi-K2.6-w4a8 | 使用 dp2 tp8 以优化内存带宽并提升缓存利用率 |
| 多模态 (1080P) |
单节点混合部署 | 16(A3) | Kimi-K2.6-w4a8 | 使用 dp1 tp16 以处理高分辨率视觉输入 |
| 多模态 (1080P) |
1P1D 部署 | 32(A3) | Kimi-K2.6-w4a8 | 使用 dp2 tp8 或 dp16 tp1,取决于内存与并发情况 |
| 多模态 (1080P) |
2P1D 部署 | 64(A3) | Kimi-K2.6-w4a8 | 从 dp8 tp2 到 dp32 tp1,为繁重的多模态工作负载最大化吞吐量 |
表 2:详细节点配置
| 场景 | 配置 | NPU数 | TP | DP | 最大模型长度 | MTP推测数 |
|---|---|---|---|---|---|---|
| High Throughput / Low Latency (16k) | Server / Single Machine | 16 | 8 | 2 | 17k | 15 |
| High Throughput / Low Latency (16k) | Server-P Node | 16 | 8 | 2 | 17k | 3 |
| High Throughput / Low Latency (16k) | Server-D Node | 16 | 8 | 2 | 17k | 3 |
| Long Context (128k, no cache) | Server / Single Machine | 16 | 16 | 1 | 130k | 15 |
| Long Context (128k, with cache) | Server / Single Machine | 16 | 8 | 2 | 130k | 15 |
| Multimodal (1080P) | Server / Single Machine | 16 | 16 | 1 | 17k | 15 |
| Multimodal (1080P) | Server-P Node | 16 | 8 | 2 | 17k | 3 |
| Multimodal (1080P) | Server-D Node | 16 | 1 | 16 | 17k | 3 |
完整的启动命令和参数说明,请参考第 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设置。其他设置请参考 部署 章节。
9.2 调优指南¶
调优方法请参考优化与调优。
请参阅特性矩阵获取详细的特性描述。
10 常见问题¶
对于常见的环境、安装和通用参数问题,请参阅公共FAQ;本章仅涵盖模型特定问题。
- 问:tool_calls 功能需要什么版本的 transformers?
答:对于 vLLM-Ascend v0.20.0 及更早版本,使用 tool_calls 功能时 transformers 版本必须为 4.57.6 或更低。