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部署在单台机器上的场景。在这种情况下，可以使用张量并行（Tensor Parallelism）或流水线并行（Pipeline Parallelism）来分布式部署模型。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

  • 搭建并启动 Ray 集群

  • 在多节点环境下启动在线推理服务

验证多节点通信环境#

物理层要求：#

  • 物理机必须位于同一个局域网（LAN）内，且网络连通。

  • 所有 NPU 均通过光模块连接，且连接状态必须正常。

验证过程：#

依次在每个节点上执行以下命令。结果必须全部为 success，且状态必须为 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. Get NPU IP Addresses#

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

2. Cross-Node PING Test#

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

搭建并启动 Ray 集群#

搭建基础容器#

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

对于使用 Ray 搭建的多节点推理集群，容器化部署是首选方法。应在主节点和从节点上同时启动容器，并使用 --net=host 选项以确保正常的网络连通性。

下面是容器设置命令示例，应在所有节点上执行：

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

启动 Ray 集群#

在每个节点上设置好容器并安装 vllm-ascend 后，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（Primary Node），其余机器作为从节点（Secondary Node）。在开始之前，使用 ip addr 检查您的 nic_name（网卡名称）。

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

下面是主节点和从节点的执行命令：

主节点 (Primary node)：

备注

启动用于多节点推理的 Ray 集群时，各节点的环境变量必须在启动 Ray 集群之前设置才能生效。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 (Secondary node)：

备注

启动用于多节点推理的 Ray 集群时，各节点的环境变量必须在启动 Ray 集群之前设置才能生效。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}

多节点集群启动后，执行 ray status 和 ray list nodes 验证 Ray 集群状态。您应该能看到正确的节点数量和 NPU 列表。

After Ray is successfully started, the following content will appear:
A local Ray instance has started successfully.
Dashboard URL: The access address for the Ray Dashboard (default: http://localhost:8265); Node status (CPU/memory resources, number of healthy nodes); Cluster connection address (used for adding multiple nodes).

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。

您只需要在一个节点上运行 vllm 命令。

要设置并行度，通常的做法是将 tensor-parallel-size 设置为每个节点的 NPU 数量，并将 pipeline-parallel-size 设置为节点数量。

例如，跨 2 个节点共有 16 个 NPU（每节点 8 个 NPU），则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，请将张量并行大小设置为集群中的 NPU 总数。例如，跨 2 个节点共有 16 个 NPU，则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_tokens": 100,
        "temperature": 0
    }'