Qwen3-VL-235B-A22B-Instruct

Qwen3-VL-235B-A22B-Instruct#

简介#

阿里云的 Qwen-VL（视觉-语言）系列包含了一系列强大的大型视觉语言模型 (LVLM)，旨在实现全面的多模态理解。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，从而支持图像检测、多模态对话和多图推理等高级功能。

本文档将展示该模型的主要验证步骤，包括支持的功能、功能配置、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 模型为例展示多 NPU 部署。

支持的功能#

请参考支持功能列表以获取该模型支持的功能矩阵。

请参考功能指南以获取功能的配置方式。

环境准备#

模型权重#

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

建议将模型权重下载到多节点共享目录中，例如 /root/.cache/。

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进行验证。

安装#

使用 Docker 镜像

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:v0.13.0
  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

源码构建

您可以从源码构建所有内容。

安装 vllm-ascend，请参考使用 Python 安装。

如果您想部署多节点环境，需要在每个节点上分别设置环境。

部署#

使用多进程 (MP) 进行多节点部署（推荐）#

假设您拥有 Atlas 800 A3 (64G*16) 节点（或 2 台 A2），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 \
--async-scheduling \
--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 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 \
--async-scheduling \
--gpu-memory-utilization 0.9 \

参数说明如下：

--max-model-len 代表上下文长度，即单个请求中“输入+输出”的最大值。
--max-num-seqs 表示每个数据并行 (DP) 组允许处理的最大请求数。如果发送到服务的请求超过此限制，多余的请求将处于等待状态且不会被调度。请注意，等待状态的时间也会计入 TTFT 和 TPOT 等指标。因此，在测试性能时，通常建议使 --max-num-seqs * --data-parallel-size >= 实际的总并发量。
--max-num-batched-tokens 代表模型在单步中能处理的最大 Token 数量。目前 vLLM v1 调度默认启用 ChunkPrefill/SplitFuse（块预填充/拆分融合），这意味着：
- (1) 如果请求的输入长度大于 --max-num-batched-tokens，它将根据该值被拆分为多轮计算；
- (2) 解码 (Decode) 请求会被优先调度，预填充 (Prefill) 请求仅在有剩余容量时才会被调度。
- 通常，如果将 --max-num-batched-tokens 设置得较大，整体延迟会更低，但显存压力（激活值占用）会更大。
--gpu-memory-utilization 代表 vLLM 用于实际推理的显存 (HBM) 比例。其核心功能是计算可用的 kv_cache 大小。在预热阶段（vLLM 中称为 profile run），vLLM 会记录在输入大小为 --max-num-batched-tokens 的推理过程中的峰值显存占用。可用 kv_cache 的计算公式为：--gpu-memory-utilization * HBM 总量 - 峰值显存占用。因此，该值设置得越大，可用的 kv_cache 就越多。然而，由于预热阶段的显存占用可能与实际推理不同（例如由于专家并行 EP 负载不均），设置过高可能导致实际推理中出现 OOM（内存溢出）。默认值为 0.9。
--enable-expert-parallel 表示启用专家并行 (EP)。请注意，vLLM 不支持 ETP 和 EP 混合模式；即 MoE 只能使用纯 EP 或纯 TP。
--no-enable-prefix-caching 表示禁用前缀缓存 (Prefix Caching)。要启用它，请移除此选项。
--quantization "ascend" 表示使用昇腾量化。要禁用量化，请移除此选项。
--compilation-config 包含与 aclgraph 图模式相关的配置。最重要的配置是 "cudagraph_mode" 和 "cudagraph_capture_sizes"，其含义如下："cudagraph_mode" 代表具体的图模式，目前支持 "PIECEWISE" 和 "FULL_DECODE_ONLY"。图模式主要用于降低算子分发（dispatch）开销，目前推荐使用 "FULL_DECODE_ONLY"。
"cudagraph_capture_sizes" 代表图模式的不同层级。默认值为 [1, 2, 4, 8, 16, 24, 32, 40,..., --max-num-seqs]。在图模式下，各层级图的输入是固定的，层级间的输入会自动填充（Padding）到下一级。目前建议使用默认设置，仅在某些特定场景下需要单独设置以达到最佳性能。
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1 表示启用 Flashcomm1 优化。目前该优化仅支持 tp_size > 1 的 MoE 场景。

如果服务成功启动，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 (Qwen/Qwen3-235B-A22B)。

预填充-解码分离 (PD 分离)#

请参考 Mooncake 架构下的 PD 分离验证

功能验证#

服务器启动后，您可以使用输入提示词查询模型：

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 illustrate?"}
    ]}
    ]
    }'

精度评估#

以下是两种精度评估方法。

使用 AISBench#

详见使用 AISBench。
执行后可获取结果，以下为 vllm-ascend:0.11.0rc2 下 Qwen3-VL-235B-A22B-Instruct 的测试结果，仅供参考。

数据集	版本	指标	模式	vllm-api-general-chat
aime2024	-	准确率	生成	93

性能#

使用 AISBench#

详见使用 AISBench 进行性能评估。

使用 vLLM 基准测试 (Benchmark)#

以 Qwen3-VL-235B-A22B-Instruct 的性能评估为例。

更多细节请参考 vLLM Benchmark。

共有三个 vllm bench 子命令：

latency：测试单批次请求的延迟。
serve：测试在线服务的吞吐量。
throughput：测试离线推理的吞吐量。

以 serve 模式为例，运行如下代码。

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

大约几分钟后，您即可获得性能评估结果。