Qwen3.6-35B-A3B 部署教程

1 引言

Qwen3.6-35B-A3B 是 Qwen3.6 系列中的稀疏 MoE 模型，总参数量为 35B，每个 token 激活约 3B 参数。它采用了 Qwen3.5 风格模型使用的混合注意力架构，适用于在昇腾硬件上进行长上下文在线服务。

本文档描述了该模型的主要验证步骤，包括支持特性、前提条件、安装、单节点在线部署、功能验证、精度与性能评估、性能调优以及常见问题解答。

Qwen3.6-35B-A3B 模型首次在 vllm-ascend:v0.18.0rc1 中得到支持。请使用 v0.18.0rc1 或更高版本。以下示例使用文档构建系统配置的版本占位符。

2 支持特性

请参考支持特性获取模型的支持特性矩阵，包括 BF16、W8A8 量化、分块预填充、自动前缀缓存、异步调度、张量并行、专家并行以及 ACLGraph 支持。

请参考特性指南获取特性配置详情。

3 前提条件

3.1 模型权重

• Qwen3.6-35B-A3B（BF16版本）：需要1个Atlas A3推理产品（64G x 16）节点、1个Atlas A2推理产品（64G x 8）节点或Atlas推理产品。下载模型权重。
• Qwen3.6-35B-A3B-w8a8（量化版本）：需要1个Atlas A3推理产品（64G x 16）节点、1个Atlas A2推理产品（64G x 8）节点或Atlas推理产品。下载模型权重。

建议将模型权重下载到 /root/.cache/。

4 安装

4.1 Docker 镜像安装

根据您的机器类型选择镜像。例如，对于Atlas A2推理产品，使用quay.io/ascend/vllm-ascend:v0.22.1rc1；对于Atlas A3推理产品，使用quay.io/ascend/vllm-ascend:v0.22.1rc1-a3；对于Atlas推理产品，使用quay.io/ascend/vllm-ascend:v0.22.1rc1-310p。

请参考使用 Docker 获取完整的安装指南。

Atlas A3推理产品Atlas A2推理产品Atlas推理产品

# Download the model weight to /root/.cache in advance.
export IMAGE=quay.io/ascend/vllm-ascend:v0.22.1rc1-a3
export NAME=vllm-ascend

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

# Download the model weight to /root/.cache in advance.
export IMAGE=quay.io/ascend/vllm-ascend:v0.22.1rc1
export NAME=vllm-ascend

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/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

标准容器

# Use the vllm-ascend image
export IMAGE=quay.io/ascend/vllm-ascend:v0.22.1rc1-310p

docker run --rm \
--name vllm-ascend \
--shm-size=10g \
--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/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 \
-p 8080:8080 \
-it $IMAGE bash

进入容器后，验证 vLLM 和 vLLM-Ascend 是否可以导入：

python -c "import vllm, vllm_ascend; print('vllm and vllm_ascend are ready')"

4.2 源码安装

您也可以从源码构建并安装 vllm-ascend。请参考使用 Python 设置。

Note

对于Atlas推理产品，源码安装可能会引入triton和triton-ascend。在Atlas推理产品上运行vLLM-Ascend之前，请卸载它们：

pip uninstall -y triton-ascend triton

5 在线服务部署

5.1 单节点在线部署

单节点部署将Prefill和Decode运行在同一节点上。Qwen3.6-35B-A3B-w8a8可以部署在1个Atlas A3推理产品（64G x 16）、1个Atlas A2推理产品（64G x 8）或Atlas推理产品上。W8A8版本需要--quantization ascend。

Atlas A2推理产品 / Atlas A3推理产品Atlas推理产品

运行以下脚本，在1个Atlas A3推理产品（64G x 16）上执行上下文长度高达262144的在线推理。

#!/bin/sh

# Load model from ModelScope to speed up download.
export VLLM_USE_MODELSCOPE=True

# Reduce memory fragmentation and avoid out-of-memory errors.
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True

export HCCL_OP_EXPANSION_MODE="AIV"
export HCCL_BUFFSIZE=1024
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 kernel.sched_migration_cost_ns=50000
export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD

vllm serve Eco-Tech/Qwen3.6-35B-A3B-w8a8 \
  --host 0.0.0.0 \
  --port 8000 \
  --data-parallel-size 1 \
  --tensor-parallel-size 2 \
  --enable-expert-parallel \
  --seed 1024 \
  --quantization ascend \
  --served-model-name qwen3.6 \
  --max-num-seqs 128 \
  --max-model-len 262144 \
  --max-num-batched-tokens 16384 \
  --trust-remote-code \
  --gpu-memory-utilization 0.90 \
  --enable-prefix-caching \
  --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \
  --additional-config '{"enable_cpu_binding":true, "enable_flashcomm1":true, "multistream_overlap_shared_expert": true}' \
  --async-scheduling

关键参数：

• --data-parallel-size 1和--tensor-parallel-size 2为默认的单节点服务示例设置DP和TP。
• --enable-expert-parallel为MoE层启用专家并行。不要在同一个MoE层中混合使用MoE张量并行和专家并行。
• --max-model-len是单个请求的最大输入加输出长度。仅在KV缓存充足时增加此值。
• --max-num-seqs是每个DP组调度的最大活跃请求数。对于性能测试，设置--max-num-seqs * --data-parallel-size大于或等于测试并发数。
• --max-num-batched-tokens是单个调度步骤中处理的最大token数。较大的值可以提高预填充效率，但会消耗更多激活内存。
• --gpu-memory-utilization控制vLLM可用于计算KV缓存容量的HBM比例。较高的值会增加KV缓存大小，但如果运行时内存高于profile运行，可能触发OOM。
• --enable-prefix-caching启用前缀缓存。对于长上下文服务，请监控内存使用情况，因为前缀缓存可能增加KV缓存压力。
• --quantization ascend为W8A8模型启用Ascend量化。部署BF16模型时请移除该选项。
• --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}'启用全解码ACLGraph重放以减少调度开销。
• --additional-config启用Ascend特定优化。enable_flashcomm1启用FlashComm1，multistream_overlap_shared_expert重叠共享专家计算，enable_cpu_binding启用Ascend原生CPU绑定。
• --async-scheduling启用异步调度，可以提高高并发吞吐量。

export VLLM_USE_MODELSCOPE=True
export ASCEND_RT_VISIBLE_DEVICES=0,1

vllm serve Eco-Tech/Qwen3.6-35B-A3B-w8a8 \
  --host 127.0.0.1 \
  --port 8080 \
  --tensor-parallel-size 2 \
  --gpu-memory-utilization 0.90 \
  --max-num-seqs 16 \
  --served-model-name qwen3.6 \
  --dtype float16 \
  --additional-config '{"ascend_compilation_config": {"fuse_norm_quant": false}}' \
  --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY", "cudagraph_capture_sizes": [1,8]}' \
  --quantization ascend \
  --max-model-len 20480 \
  --no-enable-prefix-caching

关键参数：

• --tensor-parallel-size 2 maps the model across two Atlas inference devices. Adjust it together with ASCEND_RT_VISIBLE_DEVICES according to the available devices and memory.
• --dtype float16 is used for Atlas inference products to match the Atlas inference execution path.
• --max-num-seqs 16 limits concurrent active requests to reduce KV cache and graph capture pressure on Atlas inference products.
• --gpu-memory-utilization controls KV cache capacity. Reduce it if startup or runtime requests report OOM.
• --additional-config '{"ascend_compilation_config": {"fuse_norm_quant": false}}' disables norm-quant fusion for the Atlas inference products serving path.
• --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY", "cudagraph_capture_sizes": [1,2,4,8,16]}' enables decode ACLGraph replay and explicitly limits capture sizes for Atlas inference products.
• --no-enable-prefix-caching is the default recommendation for this Atlas inference products example to reduce memory pressure.
• --quantization ascend enables Ascend quantization for the W8A8 model. Remove this option when deploying the BF16 model.
• To enable MTP speculative decoding, use --speculative_config '{"method": "mtp", "num_speculative_tokens": 1}'. We recommend setting num_speculative_tokens to 1.

常见问题提示：如果服务启动失败、HBM 不足或请求未按预期调度，请先参考常见问题解答，然后检查第 10 节中的模型特定常见问题解答。

6 功能验证

服务器启动后，发送请求以验证模型基本功能。

curl http://<server_ip>:<port>/v1/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3.6",
    "prompt": "The future of AI is",
    "max_tokens": 50,
    "temperature": 0
  }'

预期结果：HTTP 状态码为 200，JSON 响应包含带有生成文本的 choices 字段。

7 精度评估

以下是两种精度评估方法。

7.1 使用 AISBench

详情请参考使用 AISBench。执行后，您可以获得 Qwen3.6-35B-A3B-w8a8 的精度结果。

7.2 使用 Language Model Evaluation Harness

安装和使用详情请参考使用 lm_eval。使用在线服务时，请将 base_url 设置为第5节中启动的端点。

lm_eval \
  --model local-completions \
  --model_args model=qwen3.6,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 基准测试

以 Qwen3.6-35B-A3B-w8a8 为例进行性能评估。更多详情请参考 vLLM 基准测试。

vllm bench 有三个子命令：

• 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：

export VLLM_USE_MODELSCOPE=True

vllm bench serve \
  --model Eco-Tech/Qwen3.6-35B-A3B-w8a8 \
  --served-model-name qwen3.6 \
  --dataset-name random \
  --random-input 200 \
  --num-prompts 200 \
  --request-rate 1 \
  --save-result \
  --result-dir ./

几分钟后，您将获得性能评估结果。

9 性能调优

9.1 推荐配置

以下配置在特定测试环境中经过验证，仅供参考。最佳配置取决于硬件类型、最大输入/输出长度、请求并发数、前缀缓存命中率和量化方式。请根据实际工作负载调整第9.2节中的参数。

场景	部署模式	NPU总数	权重版本	关键考量
长上下文	单节点在线服务	2个或更多NPU	W8A8	使用更大的--max-model-len并预留足够的KV缓存。如果发生OOM，则降低--max-num-seqs。
高吞吐量	单节点在线服务	8个或更多NPU	W8A8	增加节点内的本地DP组，并调整--max-num-batched-tokens。
低延迟	单节点在线服务	2个或更多NPU	W8A8	使用更小的--max-num-batched-tokens、全解码ACLGraph，并默认禁用推测解码。

场景	节点角色	NPU数量	TP	DP	最大序列数	最大模型长度	最大批量Token数	前缀缓存	主要优化
Long context	Single node	2 or more	2	1	128	262144	16384	On	FullGraph, FlashComm1, shared expert overlap, CPU binding
High throughput	Single node	8 or more	2	4 or more	32 per DP	65536	8192	On	FullGraph, FlashComm1, async scheduling, shared expert overlap
Low latency	Single node	2 or more	2	1	Tune by concurrency	32768 or 65536	1024 to 4096	Workload dependent	FullGraph, CPU binding, speculative decoding disabled

9.2 调优指南

通用调优方法请参考公开的性能调优文档，功能描述请参考特性矩阵。

推荐的调优顺序：

1. 使用单节点部署。如果需要更高吞吐量，在同一节点内增加本地 DP 组。
2. 使用 --max-model-len 选择最大上下文长度。长上下文会增加 KV 缓存使用量，因此如果发生 OOM，请减少 --max-num-seqs 或 --gpu-memory-utilization。
3. 调整 --max-num-batched-tokens。较大的值通常会提高预填充吞吐量，但会增加激活内存。解码密集型工作负载通常需要较小的值。
4. 根据服务并发数调整 --max-num-seqs。超过此值的请求将在队列中等待，等待时间计入 TTFT 和 TPOT。
5. 调整 --gpu-memory-utilization。增加它以提供更多 KV 缓存，但需为运行时内存波动和专家不均衡预留空间。
6. 调整 ACLGraph 捕获。解码推荐使用 FULL_DECODE_ONLY。如果手动设置 cudagraph_capture_sizes，请包含常见的解码批次大小。使用 FlashComm1 时，请使用 TP 大小的整数倍作为捕获大小。

9.3 模型特定优化

优化项	启用方式	收益	备注
混合注意力支持	由模型实现启用	支持Qwen3.6长上下文推理。	根据KV缓存容量调整上下文长度。
全解码ACLGraph	--compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}'	减少算子分发开销，稳定解码性能。	推荐用于解码密集型服务。
FlashComm1	--additional-config '{"enable_flashcomm1": true}'	减少TP和高并发场景下的通信开销。	可能对低并发工作负载无帮助。
共享专家重叠	--additional-config '{"multistream_overlap_shared_expert": true}'	在MoE工作负载中重叠共享专家计算。	推荐用于吞吐量场景。
异步调度	--async-scheduling	通过非阻塞调度提高高并发吞吐量。	如果工作负载对延迟敏感，请禁用它并进行比较。
前缀缓存	--enable-prefix-caching	改善重复前缀工作负载。	对于长上下文工作负载，监控HBM使用情况。
Qwen3.6 MTP推测解码	--speculative-config '{"method": "qwen3_5_mtp", "num_speculative_tokens": 3, "enforce_eager": true}'	当稳定且被接受的token数量较高时，可提高解码吞吐量。	验证工作负载的稳定性、TTFT、TPOT和吞吐量。

10 常见问题解答

关于常见环境、安装和通用参数问题，请参考常见问题。本节仅涵盖 Qwen3.6-35B-A3B 的模型特定问题。

Q1：为什么服务在启动时或接受请求后不久报告 OOM？

现象： 服务在性能分析运行期间失败，或者成功启动但在真实流量到来时报告 OOM。

原因： Qwen3.6 长上下文服务会消耗大量 KV 缓存。较大的 --max-model-len、--max-num-seqs、--max-num-batched-tokens 或较高的 --gpu-memory-utilization 可能导致 HBM 余量不足。

解决方案： 尽可能使用带有 --quantization ascend 的 W8A8 模型，降低 --max-model-len、--max-num-seqs、--max-num-batched-tokens，或减少 --gpu-memory-utilization。保持 PYTORCH_NPU_ALLOC_CONF=expandable_segments:True。

Q2：为什么启用前缀缓存没有提升性能？

现象： 已启用前缀缓存，但吞吐量或延迟没有改善。

原因： 前缀缓存仅在请求共享可重用前缀时才有帮助。对于随机提示或低缓存命中率，它可能会增加内存压力而没有明显收益。

解决方案： 为重复前缀的工作负载启用前缀缓存。对于随机基准数据集或内存受限的长上下文工作负载，请与 --no-enable-prefix-caching 进行比较。

Q3：如何为 Qwen3.6 调整异步调度？

现象： 在高并发场景下吞吐量提升，但某些延迟敏感型工作负载可能无法受益。

原因： 异步调度减少了阻塞开销，但其收益取决于并发度、提示/输出长度和图捕获形状。

解决方案： 对于高吞吐量服务，使用 --async-scheduling。对于低延迟服务，请比较启用和未启用此选项时的 TTFT 和 TPOT。