长序列上下文并行(DeepSeek)#
快速入门#
备注
上下文并行功能当前仅在Atlas A3设备上支持,未来将在Atlas A2上支持。
vLLM-Ascend现已支持带上下文并行选项的长序列。本指南将逐步说明如何在资源受限的情况下验证这些功能。
以DeepSeek-V3.1-w8a8模型为例,使用3台Atlas 800T A3服务器部署“1P1D”架构。节点p跨多台机器部署,而节点d部署在单台机器上。假设预填充服务器IP为192.0.0.1(prefill 1)和192.0.0.2(prefill 2),解码器服务器为192.0.0.3(decoder 1)。每台服务器上使用8个NPU 16芯片部署一个服务实例。在当前示例中,我们将在节点p上启用上下文并行特性以提升TTFT。虽然在节点d上启用DCP特性可以减少内存占用,但会引入额外的通信和小算子开销。因此,我们不会在节点d上启用DCP特性。
环境准备#
模型权重#
DeepSeek-V3.1_w8a8mix_mtp(混合mtp量化版本):下载模型权重。请将config.json中的torch_dtype从float16修改为bfloat16。
建议将模型权重下载到多节点共享目录,例如/root/.cache/
验证多节点通信#
参考验证多节点通信环境验证多节点通信。
安装#
您可以直接使用官方Docker镜像运行DeepSeek-V3.1。
根据机器类型选择镜像并在节点上启动Docker镜像,参考使用Docker。
# Update the vllm-ascend image according to your environment.
export IMAGE=m.daocloud.io/quay.io/ascend/vllm-ascend:v0.23.0.post1
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 /root/.cache:/root/.cache \
-it $IMAGE bash
您需要在每个节点上设置环境。
预填充/解码器部署#
我们可以分别运行以下脚本在预填充/解码器节点上启动服务。请注意,每个P/D节点将占用从kv_port到kv_port + num_chips的端口来初始化socket监听器。为避免问题,应防止端口冲突。此外,确保每个节点的engine_id唯一分配以避免冲突。
分别在三台节点上运行以下脚本执行在线128k推理。
nic_name="eth0" # network card name local_ip="192.0.0.1" master_addr="192.0.0.1" export HCCL_IF_IP=$local_ip export GLOO_SOCKET_IFNAME=$nic_name export TP_SOCKET_IFNAME=$nic_name export HCCL_SOCKET_IFNAME=$nic_name export HCCL_BUFFSIZE=768 export OMP_PROC_BIND=false export VLLM_ASCEND_ENABLE_FLASHCOMM1=1 export PYTORCH_NPU_ALLOC_CONF="expandable_segments:True" export OMP_NUM_THREADS=1 export HCCL_OP_EXPANSION_MODE="AIV" export VLLM_USE_V1=1 export TASK_QUEUE_ENABLE=1 vllm serve /path_to_weight/DeepSeek-V3.1_w8a8mix_mtp \ --host 0.0.0.0 \ --port 8004 \ --decode-context-parallel-size 8 \ --prefill-context-parallel-size 2 \ --cp-kv-cache-interleave-size 128 \ --tensor-parallel-size 16 \ --enable-expert-parallel \ --quantization ascend \ --enforce-eager \ --served-model-name deepseek_v3 \ --seed 1024 \ --no-enable-chunked-prefill \ --no-enable-prefix-caching \ --max-num-seqs 1 \ --max-model-len 136000 \ --max-num-batched-tokens 136000 \ --block-size 128 \ --trust-remote-code \ --gpu-memory-utilization 0.8 \ --nnodes 2 \ --node-rank 0 \ --master-addr $master_addr \ --master-port 7001 \ --speculative-config '{"num_speculative_tokens": 3, "method":"deepseek_mtp"}' \ --kv-transfer-config \ '{"kv_connector": "MooncakeConnectorV1", "kv_role": "kv_producer", "kv_port": "30000", "kv_connector_extra_config": { "use_ascend_direct": true, "prefill": { "dp_size": 1, "tp_size": 16 }, "decode": { "dp_size": 1, "tp_size": 16 } } }'
nic_name="eth0" # network card name local_ip="192.0.0.2" master_addr="192.0.0.1" export HCCL_IF_IP=$local_ip export GLOO_SOCKET_IFNAME=$nic_name export TP_SOCKET_IFNAME=$nic_name export HCCL_SOCKET_IFNAME=$nic_name export HCCL_BUFFSIZE=768 export OMP_PROC_BIND=false export VLLM_ASCEND_ENABLE_FLASHCOMM1=1 export PYTORCH_NPU_ALLOC_CONF="expandable_segments:True" export OMP_NUM_THREADS=1 export HCCL_OP_EXPANSION_MODE="AIV" export VLLM_USE_V1=1 export TASK_QUEUE_ENABLE=1 vllm serve /path_to_weight/DeepSeek-V3.1_w8a8mix_mtp \ --host 0.0.0.0 \ --port 8004 \ --decode-context-parallel-size 8 \ --prefill-context-parallel-size 2 \ --cp-kv-cache-interleave-size 128 \ --tensor-parallel-size 16 \ --enable-expert-parallel \ --quantization ascend \ --enforce-eager \ --served-model-name deepseek_v3 \ --seed 1024 \ --no-enable-chunked-prefill \ --no-enable-prefix-caching \ --max-num-seqs 1 \ --max-model-len 136000 \ --max-num-batched-tokens 136000 \ --block-size 128 \ --trust-remote-code \ --gpu-memory-utilization 0.8 \ --nnodes 2 \ --node-rank 1 \ --headless \ --master-addr $master_addr \ --master-port 7001 \ --speculative-config '{"num_speculative_tokens": 3, "method":"deepseek_mtp"}' \ --kv-transfer-config \ '{"kv_connector": "MooncakeConnectorV1", "kv_role": "kv_producer", "kv_port": "30000", "kv_connector_extra_config": { "use_ascend_direct": true, "prefill": { "dp_size": 1, "tp_size": 16 }, "decode": { "dp_size": 1, "tp_size": 16 } } }'
nic_name="eth0" # network card name local_ip="192.0.0.3" export HCCL_IF_IP=$local_ip export GLOO_SOCKET_IFNAME=$nic_name export TP_SOCKET_IFNAME=$nic_name export HCCL_SOCKET_IFNAME=$nic_name export HCCL_BUFFSIZE=768 export OMP_PROC_BIND=false export PYTORCH_NPU_ALLOC_CONF="expandable_segments:True" export OMP_NUM_THREADS=1 export HCCL_OP_EXPANSION_MODE="AIV" export VLLM_USE_V1=1 export TASK_QUEUE_ENABLE=1 vllm serve /path_to_weight/DeepSeek-V3.1_w8a8mix_mtp \ --host 0.0.0.0 \ --port 8004 \ --api-server-count 1 \ --data-parallel-size 1 \ --data-parallel-size-local 1 \ --data-parallel-start-rank 0 \ --data-parallel-address $local_ip \ --data-parallel-rpc-port 5980 \ --decode-context-parallel-size 1 \ --tensor-parallel-size 16 \ --enable-expert-parallel \ --quantization ascend \ --no-enable-prefix-caching \ --distributed-executor-backend mp \ --served-model-name deepseek_v3 \ --seed 1024 \ --max-model-len 136000 \ --max-num-batched-tokens 128 \ --enable-chunked-prefill \ --max-num-seqs 4 \ --trust-remote-code \ --gpu-memory-utilization 0.96 \ --additional-config '{"recompute_scheduler_enable": true}' \ --speculative-config '{"num_speculative_tokens": 3, "method":"deepseek_mtp"}' \ --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY", "cudagraph_capture_sizes":[1,2,4]}' \ --kv-transfer-config \ '{"kv_connector": "MooncakeConnectorV1", "kv_role": "kv_consumer", "kv_port": "30200", "kv_connector_extra_config": { "prefill": { "dp_size": 1, "tp_size": 16 }, "decode": { "dp_size": 1, "tp_size": 16 } } }'
预填充主节点
proxy.sh脚本python load_balance_proxy_server_example.py \ --port 8005 \ --host 192.0.0.1 \ --prefiller-hosts \ 192.0.0.1 \ --prefiller-ports \ 8004 \ --decoder-hosts \ 192.0.0.3 \ --decoder-ports \ 8004
运行代理
在与预填充服务实例相同的节点上运行代理服务器。您可以在仓库的示例中获取代理程序:load_balance_proxy_server_example.py
cd vllm-ascend/examples/disaggregated_prefill_v1/
bash proxy.sh
注意: 参数说明如下:
--tensor-parallel-size16是张量并行(TP)大小的常见设置。--prefill-context-parallel-size2是预填充上下文并行(PCP)大小的常见设置。--decode-context-parallel-size8是解码上下文并行(DCP)大小的常见设置。--max-model-len表示上下文长度,即单个请求的输入加输出的最大值。--max-num-seqs表示每个DP组允许处理的最大请求数。如果发送到服务的请求数超过此限制,多余的请求将保持等待状态且不会被调度。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--max-num-seqs*--data-parallel-size>= 实际总并发数。--max-num-batched-tokens表示模型单步可处理的最大token数。当前vLLM v1调度默认启用ChunkPrefill/SplitFuse,这意味着:(1)如果请求的输入长度大于
--max-num-batched-tokens,将根据--max-num-batched-tokens拆分为多轮计算;(2)解码请求优先调度,仅当有可用容量时才调度预填充请求。
通常,如果
--max-num-batched-tokens设置较大,整体延迟会更低,但NPU内存(激活值使用)压力会更大。
--gpu-memory-utilization表示 vLLM 将用于实际推理的 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 会记录输入大小为--max-num-batched-tokens的推理过程中的峰值 NPU 内存使用量。可用的 kv_cache 大小计算公式为:--gpu-memory-utilization* HBM 大小 - 峰值 NPU 内存使用量。因此,--gpu-memory-utilization的值越大,可用的 kv_cache 就越多。然而,由于预热阶段与实际推理阶段的 NPU 内存使用可能存在差异(例如,由于 EP 负载不均),将--gpu-memory-utilization设置过高可能会导致实际推理时出现 OOM(内存不足)问题。默认值为0.9。--enable-expert-parallel表示启用 EP。请注意,vLLM 不支持 ETP 和 EP 的混合方式;也就是说,MoE 要么使用纯 EP,要么使用纯 TP。--no-enable-prefix-caching表示禁用前缀缓存。要启用它,请移除该选项。--quantization"ascend" 表示启用量化。要禁用量化,请移除该选项。--additional-config '{"recompute_scheduler_enable": true}':启用重计算调度器。当解码节点的键值缓存(KV Cache)不足时,请求将被发送到预填充节点以重新计算 KV Cache。在 PD 分离场景中,仅在解码节点上启用此配置。--compilation-config包含与 aclgraph 图模式相关的配置。其中最重要的配置是 "cudagraph_mode" 和 "cudagraph_capture_sizes",含义如下:"cudagraph_mode":表示具体的图模式。目前支持 "PIECEWISE" 和 "FULL_DECODE_ONLY"。图模式主要用于降低算子调度的开销。目前推荐使用 "FULL_DECODE_ONLY"。"cudagraph_capture_sizes":表示不同级别的图模式。默认值为 [1, 2, 4, 8, 16, 24, 32, 40,...,
--max-num-seqs]。在图模式下,不同级别图的输入是固定的,级别之间的输入会自动填充到下一级别。目前推荐使用默认设置。仅在部分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,此优化仅在 tensor-parallel-size > 1 的场景下支持 MoE。
注意:
tensor-parallel-size 必须能被 decode-context-parallel-size 整除。
decode-context-parallel-size 必须小于或等于 tensor-parallel-size。
精度评估#
使用 AISBench#
详情请参考使用 AISBench。
执行后,您可以获取结果,以下为
DeepSeek-V3.1-w8a8的结果,仅供参考。
数据集 |
版本 |
指标 |
模式 |
vllm-api-general-chat |
|---|---|---|---|---|
aime2024 |
- |
精度 |
生成 |
86.67 |
性能#
使用 AISBench#
详情请参考使用 AISBench 进行性能评估。
使用 vLLM Benchmark#
以 DeepSeek-V3.1-w8a8 为例运行性能评估。
更多详情请参考 vllm benchmark。
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。运行如下代码。
export VLLM_USE_MODELSCOPE=True
vllm bench serve --model /path_to_weight/DeepSeek-V3.1_w8a8mix_mtp --dataset-name random --random-input 131072 --num-prompts 20 --request-rate 0 --save-result --result-dir ./
大约几分钟后,您可以获取性能评估结果。
数据集 |
版本 |
指标 |
模式 |
ttft |
|---|---|---|---|---|
随机 |
- |
性能 |
性能 |
20.7秒 |