Ray 分布式部署（Qwen3-235B-A22B）

Ray 分布式部署（Qwen3-235B-A22B）#

多节点推理适用于模型无法在单机上部署的场景。在这种情况下，可以使用张量并行或流水线并行来分布模型。具体的并行策略将在后续章节中介绍。要成功部署多节点推理，需要完成以下三个步骤：

  • 验证多节点通信环境

  • 设置并启动 Ray 集群

  • 在多节点上启动在线推理服务

验证多节点通信环境#

物理层要求#

  • 物理机必须位于同一局域网内，并且网络互通。

  • 所有 NPU 均已通过光模块连接，且连接状态必须正常。

验证流程#

在每个节点上依次执行以下命令。结果必须全部为 success，状态必须为 UP：

 # Check the remote switch ports
 for i in {0..7}; do hccn_tool -i $i -lldp -g | grep Ifname; done 
 # Get the link status of the Ethernet ports (UP or DOWN)
 for i in {0..7}; do hccn_tool -i $i -link -g ; done
 # Check the network health status
 for i in {0..7}; do hccn_tool -i $i -net_health -g ; done
 # View the network detected IP configuration
 for i in {0..7}; do hccn_tool -i $i -netdetect -g ; done
 # View gateway configuration
 for i in {0..7}; do hccn_tool -i $i -gateway -g ; done
 # View NPU network configuration
 cat /etc/hccn.conf

NPU 互联验证#

1.获取 NPU IP 地址#

for i in {0..7}; do hccn_tool -i $i -ip -g | grep ipaddr; done

2.跨节点 PING 测试#

# Execute on the target node (replace with actual IP)
hccn_tool -i 0 -ping -g address 10.20.0.20

设置并启动 Ray 集群#

设置基础容器#

为确保所有节点（包括模型路径和 Python 环境）的执行环境一致，建议使用 Docker 镜像。

对于使用 Ray 设置多节点推理集群，容器化部署是首选方法。应在主节点和从节点上都启动容器，并使用 --net=host 选项以启用正确的网络连接。

以下是示例容器设置命令，应在所有节点上执行：

# Update the vllm-ascend image
export IMAGE=quay.nju.edu.cn/ascend/vllm-ascend:v0.20.2rc1
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/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 \
# IMPORTANT: This must be a shared directory accessible by all nodes
-v /path/to/shared/cache:/root/.cache \ 
-it $IMAGE bash

启动 Ray 集群#

在设置好容器并在每个节点上安装 vllm-ascend 后，请按照以下步骤启动 Ray 集群并执行推理任务。

选择一台机器作为主节点，其他机器作为从节点。在执行之前，使用 ip addr 检查您的 nic_name（网络接口名称）。

设置 ASCEND_RT_VISIBLE_DEVICES 环境变量以指定要使用的 NPU 设备。对于 2.1 以上版本的 Ray，还需要设置 RAY_EXPERIMENTAL_NOSET_ASCEND_RT_VISIBLE_DEVICES 变量以避免设备识别问题。

以下是主节点和从节点的命令：

主节点：

备注

在为多节点推理启动 Ray 集群时，必须在启动 Ray 集群之前设置每个节点上的环境变量，以便它们生效。更新环境变量需要重启 Ray 集群。

# Head node
export HCCL_IF_IP={local_ip}
export GLOO_SOCKET_IFNAME={nic_name}
export TP_SOCKET_IFNAME={nic_name}
export RAY_EXPERIMENTAL_NOSET_ASCEND_RT_VISIBLE_DEVICES=1
export ASCEND_RT_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
ray start --head

从节点：

备注

在为多节点推理启动 Ray 集群时，必须在启动 Ray 集群之前设置每个节点上的环境变量，以便它们生效。更新环境变量需要重启 Ray 集群。

# Worker node
export HCCL_IF_IP={local_ip}
export GLOO_SOCKET_IFNAME={nic_name}
export TP_SOCKET_IFNAME={nic_name}
export RAY_EXPERIMENTAL_NOSET_ASCEND_RT_VISIBLE_DEVICES=1
export ASCEND_RT_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
ray start --address='{head_node_ip}:6379' --node-ip-address={local_ip}

在多个节点上启动集群后，执行 ray status 和 ray list nodes 来验证 Ray 集群的状态。您应该看到列出的节点数和 NPU 数与预期一致。

Ray 成功启动后，将显示以下内容：本地 Ray 实例已成功启动。Dashboard URL：Ray Dashboard 的访问地址（默认：http://localhost:8265）；节点状态（CPU/内存资源、健康节点数）；集群连接地址（用于添加多个节点）。

在多节点场景下启动在线推理服务#

在容器中，您可以像所有 NPU 都在单个节点上一样使用 vLLM。vLLM 将利用 Ray 集群中所有节点的 NPU 资源。

您只需在一个节点上运行 vllm 命令。

要设置并行，常见的做法是将 tensor-parallel-size 设置为每个节点的 NPU 数量，将 pipeline-parallel-size 设置为节点数量。

例如，对于跨 2 个节点的 16 个 NPU（每节点 8 个 NPU），将张量并行大小设置为 8，流水线并行大小设置为 2：

vllm serve Qwen/Qwen3-235B-A22B \
  --distributed-executor-backend ray \
  --pipeline-parallel-size 2 \
  --tensor-parallel-size 8 \
  --enable-expert-parallel \
  --seed 1024 \
  --max-model-len 8192  \
  --max-num-seqs 25 \
  --served-model-name qwen \
  --trust-remote-code \
  --gpu-memory-utilization 0.9

或者，如果您只想使用张量并行，将张量并行大小设置为集群中 NPU 的总数。例如，对于跨 2 个节点的 16 个 NPU，将张量并行大小设置为 16：

vllm serve Qwen/Qwen3-235B-A22B \
  --distributed-executor-backend ray \
  --tensor-parallel-size 16 \
  --enable-expert-parallel \
  --seed 1024 \
  --max-model-len 8192  \
  --max-num-seqs 25 \
  --served-model-name qwen \
  --trust-remote-code \
  --gpu-memory-utilization 0.9

服务器启动后，您可以使用输入提示词查询模型：

curl http://localhost:8000/v1/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "qwen",
        "prompt": "tell me how to sleep well",
        "max_completion_tokens": 100,
        "temperature": 0
    }'