MiniMax-M2¶

1 引言¶

MiniMax-M2是MiniMax的旗舰大语言模型系列，包括**MiniMax-M2.5**和**MiniMax-M2.7**。该系列针对代码生成、智能体工具调用/搜索以及复杂办公工作流等高价值场景进行了强化，重点强调推理效率和在挑战性任务上的端到端速度。

本文档将展示MiniMax-M2.5和MiniMax-M2.7的主要验证步骤，包括支持特性、特性配置、环境准备、单节点和多节点部署、精度及性能评估。

本文档基于最新的vLLM-Ascend版本编写。MiniMax-M2.5和MiniMax-M2.7均得到完全支持。如需使用最新特性（如PD分离、EAGLE3推测解码），建议使用最新版本。

2 支持特性¶

请参考支持特性获取模型的支持特性矩阵。

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¶

以下模型权重和EAGLE3权重可在模型Scope上获取。在模型Scope上搜索对应的模型名称以获取最新的权重文件。

模型	描述	推荐硬件	来源
`MiniMax-M2.7-w8a8-QuaRot`	M2.7 W8A8量化版本	1× Atlas 800 A3 (64G × 16) 或 1× Atlas 800I A2 (64G × 8)	MiniMax-M2.7-w8a8-QuaRot
`MiniMax-M2.5-w8a8-QuaRot`	M2.5 W8A8量化版本	1× Atlas 800 A3 (64G × 16) 或 1× Atlas 800I A2 (64G × 8)	MiniMax-M2.5-w8a8-QuaRot
`MiniMax-M2.7-w8a8c8-QuaRot`	M2.7 W8A8C8量化版本	1× Atlas 800 A3 (64G × 16) 或 1× Atlas 800I A2 (64G × 8)	MiniMax-M2.7-w8a8c8-QuaRot
`Eagle3` (M2.7)	M2.7推测解码头模型	与基础模型节点数匹配	MiniMax-M2.7-eagle-model
`Eagle3` (M2.5)	M2.5推测解码头模型	与基础模型节点数匹配	MiniMax-M2.5-eagle-model

建议将模型权重下载到共享目录中，例如/root/.cache/。

3.2 验证多节点通信（可选）¶

如果需要部署多节点环境，请按照验证多节点通信环境验证多节点通信。

4 安装¶

4.1 Docker镜像安装¶

根据机器类型选择镜像并在节点上启动容器。可用的镜像标签和发布版本请参考使用Docker。

A3系列

# 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 /root/.cache:/root/.cache \
-it $IMAGE bash

A2系列

将模型权重目录映射到容器中（示例映射到/root/.cache/）。

#!/bin/sh
NAME=minimax
IMAGE=m.daocloud.io/quay.io/ascend/vllm-ascend:v0.22.1rc1

docker run -itd -u 0 --ipc=host \
  -e VLLM_USE_MODELSCOPE=True \
  -e PYTORCH_NPU_ALLOC_CONF=max_split_size_mb:256 \
  --name $NAME \
  --net=host \
  --device /dev/davinci_manager \
  --device /dev/devmm_svm \
  --device /dev/hisi_hdc \
  --device /dev/davinci0 \
  --device /dev/davinci1 \
  --device /dev/davinci2 \
  --device /dev/davinci3 \
  --device /dev/davinci4 \
  --device /dev/davinci5 \
  --device /dev/davinci6 \
  --device /dev/davinci7 \
  --shm-size=1200g \
  -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

将脚本保存为minimax-docker-run.sh，然后启动并进入容器：

bash minimax-docker-run.sh
docker exec -it minimax bash

验证：

启动容器后，使用以下命令验证安装：

# Check that the container is running
docker ps | grep $NAME

# Verify that NPU devices are visible inside the container
docker exec $NAME npu-smi info

预期结果：docker ps显示容器状态为"Up"，npu-smi info列出预期的NPU设备数量。

4.2 源码安装¶

如果希望从源码构建而非使用Docker镜像，请按照安装指南安装vLLM-Ascend。

验证源码安装：

python -c "import vllm_ascend; print(vllm_ascend.__version__)"

5 在线服务部署¶

Note

在本教程中，我们假设您已下载模型权重。请将/path/to/weight/替换为实际的模型权重路径。

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阶段，适用于开发、测试以及中低吞吐量的生产场景。

Common Issues Tip: If you encounter OOM, HCCL port conflicts, or other startup issues, please refer to the Public FAQ for troubleshooting. For MiniMax-specific issues, refer to Chapter 10 常见问题.

A3（单节点）¶

以下是短上下文场景（如3.5k输入/1.5k输出）的推荐启动配置，以获得良好性能。

注意：

如果只关注短上下文低延迟，可以设置--max-model-len 32768、--tensor-parallel-size 4和--data-parallel-size 4。

export HCCL_OP_EXPANSION_MODE="AIV"
export HCCL_BUFFSIZE=1024
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export OMP_NUM_THREADS=1
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 LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD
export TASK_QUEUE_ENABLE=1

export VLLM_ASCEND_BALANCE_SCHEDULING=0

vllm serve /path/to/weight/MiniMax-M2.7-w8a8-QuaRot \
    --served-model-name "MiniMax-M2.7" \
    --host 0.0.0.0 \
    --port 8000 \
    --trust-remote-code \
    --quantization ascend \
    --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
    --async-scheduling \
    --additional-config '{"enable_cpu_binding":true,
                          "enable_fused_mc2":true,
                          "enable_flashcomm1":true,
                          "weight_nz_mode":true}' \
    --enable-expert-parallel \
    --tensor-parallel-size 4 \
    --data-parallel-size 4 \
    --max-num-seqs 48 \
    --max-model-len 40690 \
    --max-num-batched-tokens 16384 \
    --gpu-memory-utilization 0.85 \
    --speculative_config '{"enforce_eager": true, "method": "eagle3", "model": "/path/to/weight/Eagle3/", "num_speculative_tokens": 3}'

说明：

minimax_m2_append_think将<think>...</think>保留在content内部。
如果主要依赖/v1/responses的推理语义，建议改用--reasoning-parser minimax_m2。
为在长上下文场景（如128k或64k）中获得更好性能，建议进行以下调整：

    --tensor-parallel-size 8 \
    --data-parallel-size 1 \
    --decode-context-parallel-size 1 \
    --prefill-context-parallel-size 2 \
    --cp-kv-cache-interleave-size 128 \
    --max-num-seqs 16 \
    --max-model-len 138000 \
    --max-num-batched-tokens 65536 \
    --gpu-memory-utilization 0.85 \
    --speculative_config '{"enforce_eager": true, "method": "eagle3", "model": "/path/to/weight/Eagle3/", "num_speculative_tokens": 1}'

注意：上述参数在特定测试环境中验证，仅供参考。请根据实际输入/输出长度、并发数和硬件配置调整--max-model-len、--max-num-seqs、--max-num-batched-tokens和--gpu-memory-utilization。

如果需要使用curl和工具调用进行测试，请在启动命令中添加以下内容：

    --enable-auto-tool-choice \
    --tool-call-parser minimax_m2 \
    --reasoning-parser minimax_m2_append_think \

A2（单节点）¶

export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD
export HCCL_OP_EXPANSION_MODE="AIV"
export HCCL_BUFFSIZE=512
sysctl -w vm.swappiness=0
sysctl -w kernel.numa_balancing=0
sysctl kernel.sched_migration_cost_ns=50000
export TASK_QUEUE_ENABLE=1
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_INTRA_PCIE_ENABLE=1
export HCCL_INTRA_ROCE_ENABLE=0
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1

vllm serve /path/to/weight/MiniMax-M2.7-w8a8-QuaRot \
    --served-model-name MiniMax-M2.7 \
    --host 0.0.0.0 \
    --port 8000 \
    --trust-remote-code \
    --tensor-parallel-size 8 \
    --quantization ascend \
    --enable-expert-parallel \
    --max-num-seqs 32 \
    --seed 1024 \
    --max-num-batched-tokens 32768 \
    --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
    --gpu-memory-utilization 0.85 \
    --additional-config '{"enable_cpu_binding":true,
                          "enable_flashcomm1":true}' \
    --model-loader-extra-config '{"enable_multithread_load":true,"num_threads":16}' \
    --speculative_config '{"method": "eagle3", "model": "/path/to/weight/Eagle3/",  "num_speculative_tokens":3}'

注意：上述参数在特定测试环境中验证，仅供参考。请根据实际输入/输出长度、并发数和硬件配置调整--max-model-len、--max-num-seqs、--max-num-batched-tokens和--gpu-memory-utilization。

如果需要使用curl和工具调用进行测试，请在启动命令中添加以下内容：

    --enable-auto-tool-choice \
    --tool-call-parser minimax_m2 \
    --reasoning-parser minimax_m2_append_think \

5.2 多节点PD分离部署¶

PD（Prefill-Decode）分离将Prefill和Decode阶段分散到不同节点上，以获得更好的吞吐量。以下1P1D配置已在MiniMax-M2.7-W8A8的128k输入/输出场景中验证。

硬件: 2× Atlas 800 A3 (64G × 16)，一台用于Prefill，一台用于Decode。

Common Issues Tip: For PD separation specific issues such as KV transfer timeouts or Mooncake connection errors, please refer to the Public FAQ. For MiniMax-specific PD separation issues, refer to Chapter 10 常见问题.

首先，在每个节点上准备launch_online_dp.py：

import argparse
import multiprocessing
import os
import subprocess
import sys

def parse_args():
    parser = argparse.ArgumentParser()
    parser.add_argument("--dp-size", type=int, required=True)
    parser.add_argument("--tp-size", type=int, default=1)
    parser.add_argument("--dp-size-local", type=int, default=-1)
    parser.add_argument("--dp-rank-start", type=int, default=0)
    parser.add_argument("--dp-address", type=str, required=True)
    parser.add_argument("--dp-rpc-port", type=str, default=12345)
    parser.add_argument("--vllm-start-port", type=int, default=9000)
    return parser.parse_args()

args = parse_args()
dp_size, tp_size = args.dp_size, args.tp_size
dp_size_local = args.dp_size_local if args.dp_size_local != -1 else dp_size

def run_command(visible_devices, dp_rank, vllm_engine_port):
    subprocess.run([
        "bash", "./run_dp_template.sh",
        visible_devices, str(vllm_engine_port),
        str(dp_size), str(dp_rank), args.dp_address,
        args.dp_rpc_port, str(tp_size),
    ], check=True)

if __name__ == "__main__":
    for i in range(dp_size_local):
        dp_rank = args.dp_rank_start + i
        vllm_port = args.vllm_start_port + i
        visible_devices = ",".join(str(x) for x in range(i * tp_size, (i + 1) * tp_size))
        p = multiprocessing.Process(target=run_command, args=(visible_devices, dp_rank, vllm_port))
        p.start()
        p.join()

然后在每个节点上准备run_dp_template.sh。

Prefill节点（将nic_name和local_ip设置为自己的）：

unset http_proxy https_proxy ftp_proxy

nic_name="<your_nic_name>"
local_ip="<your_ip>"

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 HCCL_BUFFSIZE=1024
export HCCL_OP_EXPANSION_MODE="AIV"
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export OMP_NUM_THREADS=1
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 LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

export TASK_QUEUE_ENABLE=1
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export VLLM_ASCEND_ENABLE_FUSED_MC2=1
export PYTHONHASHSEED=0

export ASCEND_RT_VISIBLE_DEVICES=$1

vllm serve /path/to/weight/MiniMax-M2.7-w8a8-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 \
    --served-model-name minimax \
    --max-model-len 200000 \
    --max-num-batched-tokens 16384 \
    --max-num-seqs 64 \
    --trust-remote-code \
    --gpu-memory-utilization 0.85 \
    --quantization ascend \
    --enforce-eager \
    --speculative_config '{"method": "eagle3", "model": "/path/to/weight/Eagle3/", "num_speculative_tokens": 3}' \
    --additional-config '{"enable_cpu_binding":true}' \
    --kv-transfer-config \
        '{"kv_connector": "MooncakeConnectorV1",
        "kv_role": "kv_producer",
        "kv_port": "35880",
        "engine_id": "0",
        "kv_connector_extra_config": {
             "use_ascend_direct": true,
             "prefill": {"dp_size": 2, "tp_size": 8},
             "decode":  {"dp_size": 2, "tp_size": 8}
        }}'

Decode节点（将nic_name和local_ip设置为自己的）：

unset http_proxy https_proxy ftp_proxy

nic_name="<your_nic_name>"
local_ip="<your_ip>"

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 HCCL_BUFFSIZE=2048
export HCCL_OP_EXPANSION_MODE="AIV"
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export OMP_NUM_THREADS=1
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 LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

export TASK_QUEUE_ENABLE=1
export VLLM_ASCEND_ENABLE_FLASHCOMM1=0
export VLLM_ASCEND_ENABLE_FUSED_MC2=1
export PYTHONHASHSEED=0

export ASCEND_RT_VISIBLE_DEVICES=$1

vllm serve /path/to/weight/MiniMax-M2.7-w8a8-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 \
    --served-model-name minimax \
    --max-model-len 200000 \
    --max-num-batched-tokens 16384 \
    --max-num-seqs 16 \
    --trust-remote-code \
    --no-enable-prefix-caching \
    --gpu-memory-utilization 0.85 \
    --quantization ascend \
    --async-scheduling \
    --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \
    --speculative_config '{"method": "eagle3", "model": "/path/to/weight/Eagle3/", "num_speculative_tokens": 3}' \
    --additional-config '{"enable_cpu_binding":true}' \
    --kv-transfer-config \
        '{"kv_connector": "MooncakeConnectorV1",
        "kv_role": "kv_consumer",
        "kv_port": "56900",
        "engine_id": "1",
        "kv_connector_extra_config": {
             "use_ascend_direct": true,
             "prefill": {"dp_size": 2, "tp_size": 8},
             "decode":  {"dp_size": 2, "tp_size": 8}
        }}'

脚本准备好后，在每个节点上启动服务器。

Prefill节点:

python launch_online_dp.py \
    --dp-size 2 --tp-size 8 \
    --dp-size-local 2 --dp-rank-start 0 \
    --dp-address <prefill_ip> --dp-rpc-port 12321 \
    --vllm-start-port 7000

Decode节点:

python launch_online_dp.py \
    --dp-size 2 --tp-size 8 \
    --dp-size-local 2 --dp-rank-start 0 \
    --dp-address <decode_ip> --dp-rpc-port 12321 \
    --vllm-start-port 7100

请求转发¶

在任意一台能访问两个节点的机器上运行代理。你可以从仓库获取代理脚本：load_balance_proxy_server_example.py。

unset http_proxy https_proxy

python load_balance_proxy_server_example.py \
    --port 8009 \
    --host <prefill_ip> \
    --prefiller-hosts \
       <prefill_ip> <prefill_ip> \
    --prefiller-ports \
       7000 7001 \
    --decoder-hosts \
       <decode_ip> <decode_ip> \
    --decoder-ports \
       7100 7101

然后服务可通过http://<proxy_ip>:8009访问。

6 功能验证¶

服务器启动后，你可以使用输入提示查询模型。

注意:

<node_ip>: 运行服务器的节点IP地址（例如，单节点时为localhost）。
<port>: 服务器启动命令中指定的端口号（例如8000）。

使用curl¶

curl http://<node_ip>:<port>/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMax-M2.7",
    "messages": [{"role": "user", "content": "Hello, who are you?"}],
    "stream": false,
    "temperature": 0.8,
    "max_tokens": 200
  }'

预期结果：HTTP 200，返回JSON响应，包含choices字段，其中包含模型的回复文本。

使用OpenAI Python客户端¶

from openai import OpenAI

client = OpenAI(base_url="http://127.0.0.1:8000/v1", api_key="na")

resp = client.chat.completions.create(
    model="MiniMax-M2.7",
    messages=[{"role": "user", "content": "你好，请介绍一下你自己，并展示一次工具调用的参数格式。"}],
    max_tokens=256,
)
print(resp.choices[0].message.content)

预期结果：响应应在content字段中包含连贯的自我介绍和工具调用参数格式。

工具调用验证¶

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMax-M2.7",
    "messages": [{"role": "user", "content": "请查询上海的天气。"}],
    "tools": [{
      "type": "function",
      "function": {
        "name": "get_current_weather",
        "description": "Get weather by city",
        "parameters": {
          "type": "object",
          "properties": {
            "city": {"type": "string"},
            "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
          },
          "required": ["city"]
        }
      }
    }],
    "tool_choice": "auto",
    "temperature": 0,
    "max_tokens": 512
  }'

预期结果：HTTP 200，返回JSON响应，包含tool_calls字段，其中包含函数名和参数。

7 精度评估¶

注意: 后处理参数（例如max_tokens、temperature、stop tokens）应与模型权重的generation_config.json中定义的参数匹配。GPQA-diamond和AIME2025的推荐最大输出长度为64k（65536 tokens）。

以下是两种精度评估方法。

7.1 使用AISBench¶

详情请参考使用AISBench。

7.2 使用Language 模型 Evaluation Harness¶

以gsm8k数据集为例，在在线模式下运行MiniMax-M2.7-W8A8的精度评估。

关于lm_eval的安装，请参考使用lm_eval。
运行lm_eval执行精度评估：

lm_eval \
  --model local-completions \
  --model_args model=/path/to/weight/MiniMax-M2.7-w8a8-QuaRot,base_url=http://127.0.0.1:8000/v1/completions,tokenized_requests=False,trust_remote_code=True \
  --tasks gsm8k \
  --output_path ./

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MiniMax-M2.7-W8A8为例运行性能评估。

更多详情请参考vllm benchmark。

以serve子命令为例：

export VLLM_USE_MODELSCOPE=True
vllm bench serve \
  --model /path/to/weight/MiniMax-M2.7-w8a8-QuaRot \
  --dataset-name random \
  --random-input 200 \
  --num-prompts 200 \
  --request-rate 1 \
  --save-result \
  --result-dir ./

9 性能调优¶

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。

9.1 推荐配置¶

以下配置在自测报告（AR20260326132822）上验证，并按使用场景分类。

场景	输入/输出	部署	NPUs	P配置	D配置	最大批处理Tokens	最大序列数 (P/D)	最大模型长度	EAGLE3	FUSED_MC2	FlashComm1	异步调度
短序列高吞吐	3.5K → 1.5K	1P2D PD分离	24 (A3)	DP8TP2EP16	DP32TP1EP32	16384	128 / 128	32k	3	开启	开启	开启
短序列低延迟	3.5K → 1.5K	1P2D PD分离	24 (A3)	DP4TP4EP16	DP8TP4EP32	16384	128 / 128	32k	3	开启	开启	开启
长序列高吞吐	128K → 1K （90%缓存命中）	1P1D PD分离	16 (A3)	DP2TP8EP16	DP2TP8EP16	16384	64 / 16	200k	3	开启	开启	开启
长序列低延迟	128K → 1K （90%缓存命中）	1P2D PD分离	24 (A3)	DP2TP8EP16	DP4TP8EP32	16384	64 / 16	200k	3	开启	开启	开启

注意: 短序列测试的前缀缓存命中率为0%；长序列测试为90%。根据实际工作负载调整max-num-seqs、max-model-len和max-num-batched-tokens。

9.2 调优指南¶

9.2.1 通用调优参考¶

通用调优方法请参考公共性能调优文档。

详细功能描述请参考功能指南。

9.2.2 模型特定优化¶

默认启用的优化¶

以下优化默认启用，无需额外配置：

优化技术	技术原理	性能收益
全图优化	通过`compilation_config={"cudagraph_mode":"FULL_DECODE_ONLY"}`一次性捕获并重放整个解码图	显著降低调度延迟，稳定多设备性能
CPU绑定	使用`--additional-config '{"enable_cpu_binding":true}'`绑定CPU核心	减少跨核心调度开销，提升解码延迟稳定性
多线程权重加载	使用`--model-loader-extra-config '{"enable_multithread_load":true}'`进行并行权重加载	减少模型加载时间

需要显式启用的优化¶

优化技术	适用场景	启用方法	技术原理	注意事项
FlashComm v1	高并发、TP场景	`--additional-config '{"enable_flashcomm1": true}'`	将传统Allreduce分解为Reduce-Scatter和All-Gather	阈值保护：仅在实际token数超过阈值时生效
融合MC2	TP ≥ 4场景	`--additional-config '{"enable_fused_mc2": true}'`	融合多个通信和计算操作	推荐用于A3；不适用于A2
均衡调度	高DP场景	`export VLLM_ASCEND_BALANCE_SCHEDULING=1`	增强prefill和decode之间的调度能力	当前默认禁用(`0`)。仅在并发数≈DP×max-num-seqs时设为`1`。长上下文场景禁用
EAGLE3推测解码	所有场景	`--speculative_config '{"method": "eagle3", "model": "/path/to/Eagle3/", "num_speculative_tokens": 3}'`	使用草稿模型预测未来token	长上下文1-3个token；短上下文3个token
jemalloc预加载	所有场景	`export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2`	替换默认内存分配器以减少碎片化	确保容器中已安装jemalloc

10 常见问题¶

For common environment, installation, and general parameter issues, please refer to the Public FAQ. This chapter only covers MiniMax-M2 (M2.5/M2.7) model-specific issues.

问：C8量化是否支持EAGLE3推测解码？

答：暂不支持。C8量化与EAGLE3目前不兼容。

问：工具调用任务推荐使用哪个--reasoning-parser？

答：对于工具调用任务，建议使用--reasoning-parser minimax_m2_append_think。

问：使用reasoning后，为什么minimax_m2_append_think字段经常为空？

答：这是预期行为。解析器将<think>...</think>保留在content中。如果主要依赖/v1/responses的推理语义，请改用--reasoning-parser minimax_m2。

问：启动时出现HCCL端口冲突(address already bound)，该怎么办？

答：检查是否有其他进程已占用该端口(例如lsof -i :<port>或ss -tlnp | grep <port>)。如果发现端口冲突，使用--port切换到其他端口，或终止占用该端口的特定进程。

问：如何处理OOM或不稳定的启动？

答：请参考上游vLLM的内存不足故障排除指南。简而言之：首先减少--max-num-seqs和--max-num-batched-tokens，降低--gpu-memory-utilization(例如从0.9降至0.85)，或减少并发请求数。

问：如何选择--reasoning-parser？

答：本指南使用minimax_m2_append_think以便将<think>...</think>保留在content中。如果主要依赖/v1/responses的推理语义，请考虑使用--reasoning-parser minimax_m2。

问：哪些端口必须可访问？

答：至少需要暴露服务端口(例如8000)。对于多节点部署，还需确保HCCL通信端口和DP RPC端口可访问。