Netloader 指南

Netloader 指南#

本指南介绍如何使用 Netloader 作为权重加载器插件，以在 vLLM Ascend 中实现加速。

概述#

Netloader 利用 NPU 卡之间的高带宽点对点 (P2P) 传输来加载模型权重。它通过插件实现（使用 vLLM 0.10 中添加的 register_model_loader API）。工作流程如下：

服务器 预加载模型。
新的 客户端 实例请求权重传输。
在验证模型和分区匹配后，客户端使用 HCCL 集合通信 (send/recv) 按照模型中存储的相同顺序接收权重。

服务器通过子线程以及 vLLM 中的 stateless_init_torch_distributed_process_group 与常规推理任务并行运行。因此，客户端接管权重初始化，无需从存储加载。

流程图#

netloader 流程图

时序图#

netloader 时序图

应用场景#

减少启动延迟：通过重用已加载的权重并在 NPU 卡之间直接传输，Netloader 相比传统的远程/本地拉取策略，缩短了模型加载时间。
减轻网络和存储负载：避免从远程仓库重复下载权重文件，从而减轻中心存储和网络流量的压力。
提高资源利用率并降低成本：更快的加载速度减少了对备用计算节点的依赖；资源可以更灵活地伸缩。
增强业务连续性和高可用性：在故障恢复时，新实例可以快速接管而无需长时间停机，从而提高系统可靠性和用户体验。

使用方法#

要启用 Netloader，请传递 --load-format=netloader 并通过 --model-loader-extra-config（作为 JSON 字符串）提供配置。以下是支持的配置字段：

字段名	类型	描述	允许值 / 备注
SOURCE	列表	权重数据源。每个条目是一个包含 `device_id` 和 `sources` 的映射，指定了 rank 及其端点 (IP:端口)。示例：`{"SOURCE": [{"device_id": 0, "sources": ["10.170.22.152:19374"]}, {"device_id": 1, "sources": ["10.170.22.152:11228"]}]}` 如果省略或为空，则回退到默认加载器。此处的 SOURCE 是第二优先级。	一个对象列表，其键为 `device_id: int` 和 `sources: List[str]`
MODEL	字符串	模型名称，用于验证客户端和服务器之间的一致性。	如果未指定，则默认为 `--model` 参数。
LISTEN_PORT	整数	服务器监听器的基础端口。	实际端口 = `LISTEN_PORT + RANK`。如果省略，则选择一个随机有效端口。有效范围：1024–65535。如果超出范围，该服务器实例将不会打开监听器。
INT8_CACHE	字符串	处理量化模型中 int8 参数的行为。	取值为 `["hbm", "dram", "no"]` 之一。 - `hbm`：将原始 int8 参数复制到高带宽内存 (HBM)（可能消耗大量 HBM）。 - `dram`：复制到 DRAM。 - `no`：不进行特殊处理（可能导致分歧或不可预测的行为）。默认值：`"no"`。
INT8_CACHE_NAME	列表	应用 `INT8_CACHE` 的参数名称（即过滤）。	默认值：`None`（表示不过滤——所有参数）。
OUTPUT_PREFIX	字符串	在服务器模式下，用于写入每个 rank 监听器地址/端口文件的前缀。	如果设置，每个 rank 将写入 `{OUTPUT_PREFIX}{RANK}.txt`（文本文件），内容为 `IP:Port`。
CONFIG_FILE	字符串	指定上述配置的 JSON 文件路径。	如果提供，此文件内的 SOURCE 具有最高优先级（覆盖其他配置中的 SOURCE）。

示例命令与占位符#

运行前替换 `<...>` 中的部分。

服务器#

VLLM_SLEEP_WHEN_IDLE=1 vllm serve <model_file> \
  --tensor-parallel-size 1 \
  --served-model-name <model_name> \
  --enforce-eager \
  --port <port> \
  --load-format netloader

客户端#

export NETLOADER_CONFIG='{"SOURCE":[{"device_id":0, "sources": ["<server_IP>:<server_Port>"]}]}'

VLLM_SLEEP_WHEN_IDLE=1 ASCEND_RT_VISIBLE_DEVICES=<device_id_diff_from_server> \
  vllm serve <model_file> \
  --tensor-parallel-size 1 \
  --served-model-name <model_name> \
  --enforce-eager \
  --port <client_port> \
  --load-format netloader \
  --model-loader-extra-config="${NETLOADER_CONFIG}"

占位符说明#

<model_file>：模型文件路径
<model_name>：模型名称（服务器和客户端之间必须匹配）
<port>：服务器上的基础监听端口
<server_IP> + <server_Port>：Netloader 服务器的 IP 和端口（来自服务器日志）
<device_id_diff_from_server>：客户端设备 ID（必须与服务器的不同）
<client_port>：客户端监听的端口

启动后，您可以通过发送 temperature = 0 的推理请求并比较输出来测试一致性。

注意事项与限制#

如果使用 Netloader，每个工作进程 都必须绑定一个监听端口。该端口可以是用户指定的，也可以是随机分配的。如果是用户指定的，请确保其可用。
Netloader requires extra on-chip memory memory to establish HCCL connections (i.e. HCCL_BUFFERSIZE, default ~200 MB). Users should reserve sufficient capacity (e.g. via --gpu-memory-utilization).
建议设置 VLLM_SLEEP_WHEN_IDLE=1 以缓解不稳定或缓慢的连接/传输。相关信息：vLLM Issue #16660, vLLM PR #16226。