Qwen3-VL-235B-A22B-Instruct

简介

阿里云推出的Qwen-VL（视觉-语言）系列是一组功能强大的大型视觉语言模型（LVLM），专为全面的多模态理解而设计。它们接受图像、文本和边界框作为输入，并输出文本和检测框，从而实现图像检测、多模态对话和多图像推理等高级功能。

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、NPU部署、精度和性能评估。

本教程使用 vLLM-Ascend v0.11.0rc2 版本进行演示，以 Qwen3-VL-235B-A22B-Instruct 模型为例进行多NPU部署。

支持的特性

请参考支持的特性获取该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。

环境准备

模型权重

• Qwen3-VL-235B-A22B-Instruct（BF16版本）：需要1个Atlas 800 A3（64G × 16）节点，2个Atlas 800 A2（64G × 8）节点。下载模型权重

建议将模型权重下载到多个节点的共享目录中，例如 /root/.cache/

验证多节点通信（可选）

如果要部署多节点环境，需要按照验证多节点通信环境中的说明验证多节点通信。

安装

使用Docker镜像从源码构建

例如，使用镜像 quay.io/ascend/vllm-ascend:v0.11.0rc2（适用于Atlas 800 A2）和 quay.io/ascend/vllm-ascend:v0.11.0rc2-a3（适用于Atlas 800 A3）。

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。

  # Update --device according to your device (Atlas A2: /dev/davinci[0-7] Atlas A3:/dev/davinci[0-15]).
  # Update the vllm-ascend image according to your environment.
  # Note you should download the weight to /root/.cache in advance.
  # 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 \
  --privileged=true \
  --shm-size=500g \
  --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 \
  -it $IMAGE bash

您可以从源码构建所有组件。

• 安装 vllm-ascend，请参考使用Python设置。

如果要部署多节点环境，需要在每个节点上进行环境设置。

部署

使用MP进行多节点部署（推荐）

假设您拥有Atlas 800 A3（64G*16）节点（或2个A2节点），并希望跨多个节点部署 Qwen3-VL-235B-A22B-Instruct 模型。

节点0

#!/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
# 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"

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=1024
export TASK_QUEUE_ENABLE=1
export HCCL_OP_EXPANSION_MODE="AIV"

vllm serve Qwen/Qwen3-VL-235B-A22B-Instruct \
--host 0.0.0.0 \
--port 8000 \
--data-parallel-size 2 \
--api-server-count 2 \
--data-parallel-size-local 1 \
--data-parallel-address $local_ip \
--data-parallel-rpc-port 13389 \
--seed 1024 \
--served-model-name qwen3 \
--tensor-parallel-size 8 \
--enable-expert-parallel \
--max-num-seqs 16 \
--max-model-len 262144 \
--max-num-batched-tokens 4096 \
--trust-remote-code \
--gpu-memory-utilization 0.9 \

节点1

#!/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
# this is 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"

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=1024
export TASK_QUEUE_ENABLE=1
export HCCL_OP_EXPANSION_MODE="AIV"

vllm serve Qwen/Qwen3-VL-235B-A22B-Instruct \
--host 0.0.0.0 \
--port 8000 \
--headless \
--data-parallel-size 2 \
--data-parallel-size-local 1 \
--data-parallel-start-rank 1 \
--data-parallel-address $node0_ip \
--data-parallel-rpc-port 13389 \
--seed 1024 \
--tensor-parallel-size 8 \
--served-model-name qwen3 \
--max-num-seqs 16 \
--max-model-len 262144 \
--max-num-batched-tokens 4096 \
--enable-expert-parallel \
--trust-remote-code \
--gpu-memory-utilization 0.9 \

参数说明如下：

• --max-model-len 表示上下文长度，即单个请求输入和输出的最大值。
• --max-num-seqs 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，多余的请求将保持等待状态，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。因此，在测试性能时，通常建议 --max-num-seqs * --data-parallel-size >= 实际总并发数。
• --max-num-batched-tokens 表示模型单步可处理的最大 token 数量。目前，vLLM v1 调度默认启用 ChunkPrefill/SplitFuse，这意味着：
  • (1) 如果某个请求的输入长度大于 --max-num-batched-tokens，则会根据 --max-num-batched-tokens 将其拆分为多轮计算；
  • (2) 优先调度 Decode 请求，仅在有空闲容量时才调度 Prefill 请求。
  • 通常，如果将 --max-num-batched-tokens 设置为较大的值，整体延迟会更低，但 GPU 内存（激活值使用）的压力会更大。
• --gpu-memory-utilization 表示 vLLM 将用于实际推理的 HBM 比例。其本质功能是计算可用的 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。可用的 kv_cache 大小计算公式为：--gpu-memory-utilization * HBM 大小 - 峰值 GPU 内存使用量。因此，--gpu-memory-utilization 的值越大，可用的 kv_cache 就越多。但是，由于预热阶段的 GPU 内存使用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 0.9。
• --enable-expert-parallel 表示启用 EP。请注意，vLLM 不支持 ETP 和 EP 的混合方式；也就是说，MoE 要么使用纯 EP，要么使用纯 TP。
• --no-enable-prefix-caching 表示禁用前缀缓存。要启用它，请移除该选项。
• --quantization "ascend" 表示使用量化。要禁用量化，请移除该选项。
• --compilation-config 包含与 aclgraph 图模式相关的配置。其中最重要的配置是 "cudagraph_mode" 和 "cudagraph_capture_sizes"，其含义如下： "cudagraph_mode"：表示具体的图模式。目前支持 "PIECEWISE" 和 "FULL_DECODE_ONLY"。图模式主要用于降低算子调度的开销。目前推荐使用 "FULL_DECODE_ONLY"。
• "cudagraph_capture_sizes"：表示不同级别的图模式。默认值为 [1, 2, 4, 8, 16, 24, 32, 40,..., --max-num-seqs]。在图模式下，不同级别图的输入是固定的，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。仅在部分场景下需要单独设置以获得最佳性能。
• export VLLM_ASCEND_ENABLE_FLASHCOMM1=1 表示启用 Flashcomm1 优化。目前，此优化仅在 tp_size > 1 的场景下支持 MoE。

如果服务启动成功，节点 0 上将显示以下信息：

INFO:     Started server process [44610]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Started server process [44611]
INFO:     Waiting for application startup.
INFO:     Application startup complete.

使用 Ray 进行多节点部署

• 请参考 Ray 分布式部署 (Qwen/Qwen3-235B-A22B)。

预填充-解码分离

• 请参考 预填充-解码分离 Mooncake 验证

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/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
    "model": "qwen3",
    "messages": [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": [
        {"type": "image_url", "image_url": {"url": "https://modelscope.oss-cn-beijing.aliyuncs.com/resource/qwen.png"}},
        {"type": "text", "text": "What is the text in the illustration?"}
    ]}
    ]
    }'

精度评估

以下是两种精度评估方法。

使用 AISBench

1. 详细信息请参考 使用 AISBench。

2. 执行后，您将获得结果，以下是 Qwen3-VL-235B-A22B-Instruct 中 vllm-ascend:0.11.0rc2 的结果，仅供参考。

数据集	版本	指标	模式	vllm-api-general-chat
aime2024	-	accuracy	gen	93

性能

使用 AISBench

详细信息请参考 使用 AISBench 进行性能评估。

使用 vLLM Benchmark

以 Qwen3-VL-235B-A22B-Instruct 为例运行性能评估。

更多详细信息请参考 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。

export VLLM_USE_MODELSCOPE=True
vllm bench serve --model Qwen/Qwen3-VL-235B-A22B-Instruct  --dataset-name random --random-input 200 --num-prompts 200 --request-rate 1 --save-result --result-dir ./

大约几分钟后，您将获得性能评估结果。