GLM-5.2#

1 引言#

GLM-5.2 采用混合专家(MoE)架构,面向复杂系统工程和长周期智能体任务。

本文档将展示该模型的主要验证步骤,包括支持的特性、特性配置、环境准备、单节点与多节点部署、精度及性能评估。

2 支持的特性#

请参考支持的特性获取该模型的支持特性矩阵。

请参考特性指南获取特性的配置方法。

3 前提条件#

3.1 模型权重#

  • GLM-5.2-w8a8c8:需要 2 个 Atlas 800 A3(128GB × 8)节点。下载模型权重。该权重已在 Atlas 800 A3 上验证,推荐使用。

  • GLM-5.2-w4a8c8(实验性):需要 1 个 Atlas 800 A3(128GB × 8)节点或 2 个 Atlas 800 A2(64GB × 8)节点。该实验性特性在 Prefill-Decode(PD)分离场景中存在已知的精度问题。下载模型权重。该权重已在 Atlas 800 A2 上验证,推荐使用。

  • 您可以使用msmodelslim直接对模型进行量化。

建议将模型权重下载到多节点的共享目录中,例如 /root/.cache/

3.2 验证多节点通信(可选)#

如需部署多节点环境,需按照验证多节点通信环境的步骤验证多节点通信。

4 安装#

4.1 Docker 镜像安装#

  • 您可以直接使用我们的官方Docker镜像运行GLM-5.2。

在每个节点上启动 docker 镜像。

export IMAGE=quay.io/ascend/vllm-ascend:v0.23.0.post1-a3
docker run --rm \
    --name vllm-ascend \
    --shm-size=512g \
    --net=host \
    --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/davinci8 \
    --device /dev/davinci9 \
    --device /dev/davinci10 \
    --device /dev/davinci11 \
    --device /dev/davinci12 \
    --device /dev/davinci13 \
    --device /dev/davinci14 \
    --device /dev/davinci15 \
    --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 /etc/hccn.conf:/etc/hccn.conf \
    -v /root/.cache:/root/.cache \
    -it $IMAGE bash

在每个节点上启动Docker镜像。

export IMAGE=quay.io/ascend/vllm-ascend:v0.23.0.post1
docker run --rm \
    --name vllm-ascend \
    --shm-size=512g \
    --net=host \
    --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 /etc/hccn.conf:/etc/hccn.conf \
    -v /root/.cache:/root/.cache \
    -it $IMAGE bash

如果您想部署多节点环境,需要在每个节点上配置环境。

4.2 源码安装#

如果您不想像上面那样使用 docker 镜像,您也可以从源码构建所有内容:

  • 从源码安装 vllm-ascend,请参考安装。

5 部署#

本版本验证的部署场景按上下文窗口大小(1M以下/1M)、硬件(Atlas 800 A3 / A2)和部署模式(单节点、多节点共置、Prefill-Decode分离)进行组织。以下所有启动脚本均为已验证的参考命令;关键参数在每个场景后进行说明。

5.1 1M以下上下文#

5.1.1 Atlas 800 A3#

5.1.1.1 单节点部署#
  • 量化模型 GLM-5.2-w4a8c8(实验性,参见模型权重)可部署在 1 个 Atlas 800 A3(128GB × 8)上。

运行以下脚本执行在线推理。

export HCCL_OP_EXPANSION_MODE="AIV"
export HCCL_TRANSFER_TIMEOUT=600
export HCCL_EXEC_TIMEOUT=3600
export HCCL_CONNECT_TIMEOUT=3600
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export HCCL_BUFFSIZE=200
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export VLLM_ASCEND_ENABLE_FUSED_MC2=0

vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w4a8c8 \
--host 0.0.0.0 \
--port 8077 \
--api-server-count 1 \
--data-parallel-size 2 \
--enable-expert-parallel \
--tensor-parallel-size 8 \
--seed 1024 \
--served-model-name glm-5 \
--tool-call-parser glm47 \
--reasoning-parser glm45 \
--enable-auto-tool-choice \
--max-num-seqs 12 \
--max-model-len 135000 \
--max-num-batched-tokens 8192 \
--trust-remote-code \
--gpu-memory-utilization 0.92 \
--quantization ascend \
--compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
--additional-config '{"enable_dsa_cp": true, "enable_sparse_li_c8": true,"enable_balance_scheduling": true,"multistream_overlap_shared_expert":true}' \
--speculative-config '{"num_speculative_tokens": 3, "method": "deepseek_mtp","enforce_eager":true}'

关键参数说明:

以下仅描述针对此模型/场景的关键参数。max-model-len和max-num-seqs需要根据实际使用场景进行设置。

模型相关参数:

  • --enable-expert-parallel:对于GLM-5.2的MoE架构必须启用。

  • --quantization ascend:为w4a8c8量化权重启用Ascend量化。

  • --data-parallel-size 2 / --tensor-parallel-size 8:DP2 TP8并行布局,推荐用于平衡w4a8c8权重的内存容量和计算效率。对于低延迟场景,改用dp1tp16并关闭专家并行,但会降低吞吐量。

  • --tool-call-parser glm47 / --reasoning-parser glm45 / --enable-auto-tool-choice:为GLM-5.2启用函数调用功能。

  • --speculative-config '{"num_speculative_tokens": 3, "method": "deepseek_mtp", "enforce_eager": true}':启用多令牌预测(MTP)投机解码,使用GLM-5.2的DeepSeek风格MTP草稿头。num_speculative_tokens(3-5)控制每步推测的令牌数量;enforce_eager: true是必需的,因为GLM-5.2不支持图模式投机解码。

  • --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}':仅对解码阶段启用图捕获,通过减少内核启动开销来提升解码性能。

  • VLLM_ASCEND_ENABLE_FUSED_MC2=0:在此场景中禁用融合的dispatch_ffn_combine/mega_moe算子,因为它们与multistream_overlap_shared_expert冲突;在多节点场景中如果它们有益,可以启用。

--additional-config字段(Ascend特定优化):

  • "enable_dsa_cp": true:启用DSA上下文并行以加速长上下文预填充。自v0.21.0起,DSA-CP与FlashComm1解耦,必须显式启用。启用DSA-CP后,layer_sharding不能包含o_proj。

  • "enable_sparse_li_c8": true:C8量化模型的稀疏注意力优化。enable_sparse_li_c8加速层索引(LI)稀疏注意力,建议保持为true;如果因序列长度过长导致GPU内存不足,建议启用enable_sparse_sfa_c8。

  • "enable_balance_scheduling": true:均衡调度可提升输出吞吐量并降低v1调度器中的TPOT。它取代了已弃用的环境变量VLLM_ASCEND_BALANCE_SCHEDULING;在某些场景下TTFT可能会恶化,在Prefill-Decode分离时不建议使用。

  • "multistream_overlap_shared_expert": true:在额外的流上重叠共享专家计算,提升解码效率。

5.1.1.2 多节点共置部署#

GLM-5.2-w8a8c8(198K上下文,双节点共置):

GLM-5.2-w8a8c8 可部署在 2 个 Atlas 800 A3(128GB × 8)上,用于 198K 高吞吐场景(DP8 TP4,每节点 4 个 DP rank)。

分别在两个节点上运行以下脚本。

节点0

    nic_name="xxxx" # change to your own nic name
    local_ip="xxxx" # change to your own ip

    # The value of node0_ip must be consistent with the value of local_ip set in node0 (master node)
    node0_ip="xxxx"

    export HCCL_OP_EXPANSION_MODE="AIV"
    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_TRANSFER_TIMEOUT=600
    export HCCL_EXEC_TIMEOUT=3600
    export HCCL_CONNECT_TIMEOUT=3600
    export OMP_PROC_BIND=false
    export OMP_NUM_THREADS=1
    export HCCL_BUFFSIZE=400
    export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
    export VLLM_ASCEND_ENABLE_MLAPO=1
    export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
    export VLLM_ASCEND_ENABLE_FUSED_MC2=1

    vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w8a8c8 \
    --host 0.0.0.0 \
    --port 8077 \
    --api-server-count 1 \
    --data-parallel-size 8 \
    --data-parallel-start-rank 0 \
    --data-parallel-size-local 4 \
    --data-parallel-address $node0_ip \
    --data-parallel-rpc-port 12980 \
    --tensor-parallel-size 4 \
    --enable-expert-parallel \
    --seed 1024 \
    --served-model-name glm-5 \
    --tool-call-parser glm47 \
    --reasoning-parser glm45 \
    --enable-auto-tool-choice \
    --max-num-seqs 6 \
    --max-model-len 202752 \
    --max-num-batched-tokens 4096 \
    --trust-remote-code \
    --gpu-memory-utilization 0.92 \
    --quantization ascend \
    --enable-chunked-prefill \
    --enable-prefix-caching \
    --async-scheduling \
    --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
    --additional-config '{"enable_dsa_cp": true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true, "enable_balance_scheduling": true, "fuse_muls_add": true}' \
    --speculative-config '{"num_speculative_tokens": 3, "method": "deepseek_mtp","enforce_eager":true}'

节点1

    nic_name="xxxx" # change to your own nic name
    local_ip="xxxx" # change to your own ip

    # The value of node0_ip must be consistent with the value of local_ip set in node0 (master node)
    node0_ip="xxxx"

    export HCCL_OP_EXPANSION_MODE="AIV"
    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_TRANSFER_TIMEOUT=600
    export HCCL_EXEC_TIMEOUT=3600
    export HCCL_CONNECT_TIMEOUT=3600
    export OMP_PROC_BIND=false
    export OMP_NUM_THREADS=1
    export HCCL_BUFFSIZE=400
    export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
    export VLLM_ASCEND_ENABLE_MLAPO=1
    export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
    export VLLM_ASCEND_ENABLE_FUSED_MC2=1

    vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w8a8c8 \
    --host 0.0.0.0 \
    --port 8077 \
    --headless \
    --data-parallel-size 8 \
    --data-parallel-start-rank 4 \
    --data-parallel-size-local 4 \
    --data-parallel-address $node0_ip \
    --data-parallel-rpc-port 12980 \
    --tensor-parallel-size 4 \
    --enable-expert-parallel \
    --seed 1024 \
    --served-model-name glm-5 \
    --tool-call-parser glm47 \
    --reasoning-parser glm45 \
    --enable-auto-tool-choice \
    --max-num-seqs 6 \
    --max-model-len 202752 \
    --max-num-batched-tokens 4096 \
    --trust-remote-code \
    --gpu-memory-utilization 0.92 \
    --quantization ascend \
    --enable-chunked-prefill \
    --enable-prefix-caching \
    --async-scheduling \
    --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
    --additional-config '{"enable_dsa_cp": true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true, "enable_balance_scheduling": true, "fuse_muls_add": true}' \
    --speculative-config '{"num_speculative_tokens": 3, "method": "deepseek_mtp","enforce_eager":true}'

注意:

  • VLLM_ASCEND_ENABLE_FUSED_MC2=1与"multistream_overlap_shared_expert": true冲突——启用fused MC2时,运行时自动禁用multistream_overlap_shared_expert。

  • 当使用前缀缓存命中率> 0进行测试时,保留--enable-prefix-caching(如上述脚本所示);当命中率为0时,将其替换为--no-enable-prefix-caching。

5.1.1.3 Prefill-Decode 分离部署#

我们希望在多节点环境中展示GLM-5.2的部署指南,采用Prefill-Decode(PD)分离以获得更好的性能。

在 PD 分离场景中,Mooncake 用作预填充节点和解码节点之间的 KV 缓存传输连接器。有关 Mooncake 配置,请参阅 KV 缓存池(Ascend Store)部署指南。

开始之前,请

  1. 在每个节点上准备脚本 launch_online_dp.py:

    import argparse
    import multiprocessing
    import os
    import subprocess
    import sys
    
    def parse_args():
        parser = argparse.ArgumentParser()
        parser.add_argument("--dp-size", type=int, required=True, help="Data parallel size.")
        parser.add_argument("--tp-size", type=int, default=1, help="Tensor parallel size.")
        parser.add_argument("--pp-size", type=int, default=1, help="Pipeline parallel size.")
        parser.add_argument("--dp-size-local", type=int, default=-1, help="Local data parallel size.")
        parser.add_argument("--dp-rank-start", type=int, default=0, help="Starting rank for data parallel.")
        parser.add_argument("--dp-address", type=str, required=True, help="IP address for data parallel master node.")
        parser.add_argument("--dp-rpc-port", type=str, default="12321", help="Port for data parallel master node.")
        parser.add_argument("--vllm-start-port", type=int, default=8000, help="Starting port for the engine.")
        return parser.parse_args()
    
    args = parse_args()
    dp_size = args.dp_size
    tp_size = args.tp_size
    pp_size = args.pp_size
    dp_size_local = args.dp_size_local
    if dp_size_local == -1:
        dp_size_local = dp_size
    dp_rank_start = args.dp_rank_start
    dp_address = args.dp_address
    dp_rpc_port = args.dp_rpc_port
    vllm_start_port = args.vllm_start_port
    gpus_per_dp_rank = tp_size * pp_size
    
    def run_command(visible_devices, dp_rank, vllm_engine_port):
        command = [
            "bash",
            "./run_dp_template.sh",
            visible_devices,
            str(vllm_engine_port),
            str(dp_size),
            str(dp_rank),
            dp_address,
            dp_rpc_port,
            str(tp_size),
            str(pp_size),
        ]
        subprocess.run(command, check=True)
    
    if __name__ == "__main__":
        template_path = "./run_dp_template.sh"
        if not os.path.exists(template_path):
            print(f"Template file {template_path} does not exist.")
            sys.exit(1)
    
        processes = []
        num_cards = dp_size_local * gpus_per_dp_rank
    
        for i in range(dp_size_local):
            dp_rank = dp_rank_start + i
            vllm_engine_port = vllm_start_port + i
            visible_devices = ",".join(str(x) for x in range(i * gpus_per_dp_rank, (i + 1) * gpus_per_dp_rank))
            process = multiprocessing.Process(
                target=run_command,
                args=(visible_devices, dp_rank, vllm_engine_port)
            )
            processes.append(process)
            process.start()
    
        for process in processes:
            process.join()
    
    

GLM-5.2-w8a8c8(198K上下文,PP2 PD分离):

GLM-5.2-w8a8c8 PD 分离可部署在 4 个 Atlas 800 A3(128GB × 8)上:2 个预填充节点(PP2 TP16,78 层划分为 41/37,每节点 1 个 PP rank)和 2 个解码节点(DP8 TP4,每节点 4 个 DP rank)。

预填充节点 0(run_dp_template.sh):node_rank=0,引擎端口 9081(PP 主节点,--master-addr 使用 $local_ip)。

        nic_name="xxxx" # change to your own nic name
        local_ip="xxxx" # change to your own ip
        # pp=2
        export VLLM_PP_LAYER_PARTITION="41,37"
        node_rank=0

        export VLLM_ASCEND_ENABLE_FUSED_MC2=1
        export HCCL_OP_EXPANSION_MODE="AIV"

        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_TRANSFER_TIMEOUT=600
        export HCCL_EXEC_TIMEOUT=3600
        export HCCL_CONNECT_TIMEOUT=3600

        export OMP_PROC_BIND=false
        export OMP_NUM_THREADS=1
        export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
        export HCCL_BUFFSIZE=400

        export ACL_OP_INIT_MODE=1
        export ASCEND_A3_ENABLE=1

        export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib

        export VLLM_ASCEND_ENABLE_FLASHCOMM1=1

        vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w8a8c8 \
            --host 0.0.0.0 \
            --port 9081 \
            --pipeline-parallel-size 2 \
            --distributed-executor-backend mp \
            --master-addr $local_ip \
            --master-port 7060 \
            --nnodes 2 \
            --node-rank 0 \
            --tensor-parallel-size 16 \
            --enable-expert-parallel \
            --speculative-config '{"num_speculative_tokens": 1, "method":"deepseek_mtp","enforce_eager":true}' \
            --hf-overrides '{"use_index_cache": true, "index_topk_freq": 4}' \
            --seed 1024 \
            --served-model-name glm-5 \
            --max-model-len 202752 \
            --additional-config '{"fuse_muls_add":true, "recompute_scheduler_enable" : false, "multistream_overlap_shared_expert": true, "enable_dsa_cp":true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true, "c8_enable_reshape_optim":true}' \
            --max-num-batched-tokens 16384 \
            --trust-remote-code \
            --enable-prefix-caching \
            --max-num-seqs 64 \
            --quantization ascend \
            --gpu-memory-utilization 0.92 \
            --enforce-eager \
            --enable-auto-tool-choice \
            --tool-call-parser glm47 \
            --reasoning-parser glm45 \
            --kv-transfer-config \
            '{"kv_connector": "MooncakeConnectorV1",
            "kv_role": "kv_producer",
            "kv_port": "30000",
            "engine_id": "0",
            "kv_connector_extra_config": {
                "use_ascend_direct": true,
                "prefill": {"dp_size": 1, "pp_size": 2, "tp_size": 16, "pp_layer_partition": "41,37"},
                "decode": {"dp_size": 8, "tp_size": 4}
            }
        }'

预填充节点 1(run_dp_template.sh):node_rank=1,以 --headless 模式运行的非主节点(无 API 服务器)。两个预填充节点组成单个 PP2 引擎,因此 --master-addr 指向预填充节点 0,KV 传输 engine_id 保持为 0。

        nic_name="xxxx" # change to your own nic name
        local_ip="xxxx" # change to your own ip
        node_p0_ip="xxxx" # ip of prefill node 0 (PP master node)
        # pp=2
        export VLLM_PP_LAYER_PARTITION="41,37"
        node_rank=1

        export VLLM_ASCEND_ENABLE_FUSED_MC2=1
        export HCCL_OP_EXPANSION_MODE="AIV"

        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_TRANSFER_TIMEOUT=600
        export HCCL_EXEC_TIMEOUT=3600
        export HCCL_CONNECT_TIMEOUT=3600

        export OMP_PROC_BIND=false
        export OMP_NUM_THREADS=1
        export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
        export HCCL_BUFFSIZE=400

        export ACL_OP_INIT_MODE=1
        export ASCEND_A3_ENABLE=1

        export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib

        export VLLM_ASCEND_ENABLE_FLASHCOMM1=1

        vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w8a8c8 \
            --host 0.0.0.0 \
            --pipeline-parallel-size 2 \
            --distributed-executor-backend mp \
            --master-addr $node_p0_ip \
            --master-port 7060 \
            --nnodes 2 \
            --node-rank 1 \
            --headless \
            --tensor-parallel-size 16 \
            --enable-expert-parallel \
            --speculative-config '{"num_speculative_tokens": 1, "method":"deepseek_mtp","enforce_eager":true}' \
            --hf-overrides '{"use_index_cache": true, "index_topk_freq": 4}' \
            --seed 1024 \
            --served-model-name glm-5 \
            --max-model-len 202752 \
            --additional-config '{"fuse_muls_add":true, "recompute_scheduler_enable" : false, "multistream_overlap_shared_expert": true, "enable_dsa_cp":true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true, "c8_enable_reshape_optim":true}' \
            --max-num-batched-tokens 16384 \
            --trust-remote-code \
            --enable-prefix-caching \
            --max-num-seqs 64 \
            --quantization ascend \
            --gpu-memory-utilization 0.92 \
            --enforce-eager \
            --enable-auto-tool-choice \
            --tool-call-parser glm47 \
            --reasoning-parser glm45 \
            --kv-transfer-config \
            '{"kv_connector": "MooncakeConnectorV1",
            "kv_role": "kv_producer",
            "kv_port": "30000",
            "engine_id": "0",
            "kv_connector_extra_config": {
                "use_ascend_direct": true,
                "prefill": {"dp_size": 1, "pp_size": 2, "tp_size": 16, "pp_layer_partition": "41,37"},
                "decode": {"dp_size": 8, "tp_size": 4}
            }
        }'

解码节点 0(run_dp_template.sh):承载 DP rank 0–3。模板在节点上为每个 DP rank 启动一个实例;位置参数:$1 = 可见设备,$2 = 引擎端口,$3 = 数据并行大小,$4 = 数据并行 rank,$5 = 数据并行地址,$6 = 数据并行 RPC 端口,$7 = 张量并行大小。在解码节点 0 上准备包含以下内容的 run_dp_template.sh。

        nic_name="xxxx" # change to your own nic name
        local_ip="xxxx" # change to your own ip

        # Each DP rank uses an independent engine ID to avoid KV route confusion.
        # $4 = data-parallel-rank. The rank offset within a node is 0 to 3, and the corresponding engine ID is 100 to 103.
        ENGINE_ID=$((100 + $4))

        export HCCL_OP_EXPANSION_MODE="AIV"

        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_TRANSFER_TIMEOUT=600
        export HCCL_EXEC_TIMEOUT=3600
        export HCCL_CONNECT_TIMEOUT=3600

        #Mooncake
        export OMP_PROC_BIND=false
        export OMP_NUM_THREADS=1

        export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
        export HCCL_BUFFSIZE=256

        export ACL_OP_INIT_MODE=1
        export ASCEND_A3_ENABLE=1
        export TASK_QUEUE_ENABLE=1
        export ASCEND_RT_VISIBLE_DEVICES=$1

        export VLLM_ASCEND_ENABLE_MLAPO=1
        export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib
        export VLLM_ASCEND_ENABLE_FUSED_MC2=1

        vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w8a8c8 \
            --host 0.0.0.0 \
            --port $2 \
            --data-parallel-size $3 \
            --data-parallel-rank $4 \
            --data-parallel-address $5 \
            --data-parallel-rpc-port $6 \
            --tensor-parallel-size $7 \
            --enable-expert-parallel \
            --seed 1024 \
            --served-model-name glm-5 \
            --max-model-len 202752 \
            --max-num-batched-tokens 164 \
            --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \
            --speculative-config '{"num_speculative_tokens": 3,  "method":"deepseek_mtp","enforce_eager":true}' \
            --hf-overrides '{"use_index_cache": true, "index_topk_freq": 4}' \
            --additional-config '{"fuse_muls_add":true, "recompute_scheduler_enable":true, "multistream_overlap_shared_expert":true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true}' \
            --trust-remote-code \
            --max-num-seqs 32 \
            --gpu-memory-utilization 0.92 \
            --async-scheduling \
            --quantization ascend \
            --enable-auto-tool-choice \
            --tool-call-parser glm47 \
            --reasoning-parser glm45 \
            --kv-transfer-config \
            '{"kv_connector": "MooncakeConnectorV1",
            "kv_role": "kv_consumer",
            "kv_port": "30200",
            "engine_id": "'"$ENGINE_ID"'",
            "kv_connector_extra_config": {
                "use_ascend_direct": true,
                "prefill": {"dp_size": 1, "pp_size": 2, "tp_size": 16, "pp_layer_partition": "41,37"},
                "decode": {"dp_size": 8, "tp_size": 4}
            }
        }'

解码节点 1(run_dp_template.sh):承载 DP rank 4–7。在解码节点 1 上准备包含以下内容的 run_dp_template.sh。

        nic_name="xxxx" # change to your own nic name
        local_ip="xxxx" # change to your own ip

        # Each DP rank uses an independent engine ID to avoid KV route confusion.
        # $4 = data-parallel-rank. The rank offset within a node is 0 to 3, and the corresponding engine ID is 100 to 103.
        ENGINE_ID=$((100 + $4))

        export HCCL_OP_EXPANSION_MODE="AIV"

        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_TRANSFER_TIMEOUT=600
        export HCCL_EXEC_TIMEOUT=3600
        export HCCL_CONNECT_TIMEOUT=3600

        #Mooncake
        export OMP_PROC_BIND=false
        export OMP_NUM_THREADS=1

        export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
        export HCCL_BUFFSIZE=256

        export ACL_OP_INIT_MODE=1
        export ASCEND_A3_ENABLE=1
        export TASK_QUEUE_ENABLE=1
        export ASCEND_RT_VISIBLE_DEVICES=$1

        export VLLM_ASCEND_ENABLE_MLAPO=1
        export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib
        export VLLM_ASCEND_ENABLE_FUSED_MC2=1

        vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w8a8c8 \
            --host 0.0.0.0 \
            --port $2 \
            --data-parallel-size $3 \
            --data-parallel-rank $4 \
            --data-parallel-address $5 \
            --data-parallel-rpc-port $6 \
            --tensor-parallel-size $7 \
            --enable-expert-parallel \
            --seed 1024 \
            --served-model-name glm-5 \
            --max-model-len 202752 \
            --max-num-batched-tokens 164 \
            --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \
            --speculative-config '{"num_speculative_tokens": 3,  "method":"deepseek_mtp","enforce_eager":true}' \
            --hf-overrides '{"use_index_cache": true, "index_topk_freq": 4}' \
            --additional-config '{"fuse_muls_add":true, "recompute_scheduler_enable":true, "multistream_overlap_shared_expert":true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true}' \
            --trust-remote-code \
            --max-num-seqs 32 \
            --gpu-memory-utilization 0.92 \
            --async-scheduling \
            --quantization ascend \
            --enable-auto-tool-choice \
            --tool-call-parser glm47 \
            --reasoning-parser glm45 \
            --kv-transfer-config \
            '{"kv_connector": "MooncakeConnectorV1",
            "kv_role": "kv_consumer",
            "kv_port": "30200",
            "engine_id": "'"$ENGINE_ID"'",
            "kv_connector_extra_config": {
                "use_ascend_direct": true,
                "prefill": {"dp_size": 1, "pp_size": 2, "tp_size": 16, "pp_layer_partition": "41,37"},
                "decode": {"dp_size": 8, "tp_size": 4}
            }
        }'

准备完成后,在每个节点上启动服务器:

  1. Prefill节点0:

    bash run_dp_template.sh
    
  2. Prefill节点1:

    bash run_dp_template.sh
    
  3. Decode节点0:

    # change ip to your own
    python launch_online_dp.py --dp-size 8 --tp-size 4 --pp-size 1 --dp-size-local 4 --dp-rank-start 0 --dp-address $node_d0_ip --dp-rpc-port 12321 --vllm-start-port 8000
    
  4. Decode节点1:

    # change ip to your own
    python launch_online_dp.py --dp-size 8 --tp-size 4 --pp-size 1 --dp-size-local 4 --dp-rank-start 4 --dp-address $node_d0_ip --dp-rpc-port 12321 --vllm-start-port 8000
    

要设置请求转发,请在任意机器上运行以下脚本。您可以在仓库的示例中找到代理程序:load_balance_proxy_server_example.py

unset http_proxy
unset https_proxy

python load_balance_proxy_server_example.py \
    --port 9000 \
    --host 0.0.0.0 \
    --prefiller-hosts \
      $node_p0_ip \
    --prefiller-ports \
      9081 \
    --decoder-hosts \
      $node_d0_ip \
      $node_d0_ip \
      $node_d0_ip \
      $node_d0_ip \
      $node_d1_ip \
      $node_d1_ip \
      $node_d1_ip \
      $node_d1_ip \
    --decoder-ports \
      8000 8001 8002 8003 \
      8000 8001 8002 8003

注意:

  • 当使用前缀缓存命中率> 0进行测试时,在prefill节点上添加--enable-prefix-caching(如上述脚本所示);当命中率为0时,改用--no-enable-prefix-caching。

  • 在此场景中,"recompute_scheduler_enable"在prefill节点上设置为false,在decode节点上设置为true。

关键参数说明(除单节点部署和多节点共置部署之外):

launch_online_dp.py 参数:

参数

类型

必填

默认值

说明

--dp-size

int

是

-

数据并行大小(所有节点上 DP rank 的总数)。

--tp-size

int

否

1

每个 DP rank 内的张量并行大小。

--pp-size

int

否

1

每个 DP rank 内的流水线并行大小。

--dp-size-local

int

否

(与 --dp-size 相同)

当前节点上的 DP rank 数量。如果未设置,默认为 --dp-size。

--dp-rank-start

int

否

0

此节点上数据并行 rank 的起始偏移量。

--dp-address

str

是

-

数据并行主节点(节点 0)的 IP 地址。

--dp-rpc-port

str

否

12321

数据并行主节点通信的 RPC 端口。

--vllm-start-port

int

否

8000

此节点上每个 vLLM 引擎实例的起始端口。每个 DP rank 的引擎端口 = vllm_start_port + 本地 rank 索引。

Prefill节点特定配置(PP2):

  • VLLM_PP_LAYER_PARTITION="41,37" / --pipeline-parallel-size 2 / --node-rank:78层在2个prefill节点(PP2)上划分为41/37。在prefill节点0上设置node_rank=0,在prefill节点1上设置node_rank=1。

  • VLLM_ASCEND_ENABLE_FLASHCOMM1=1:启用 FlashComm 优化以减少 prefill 节点上的通信和计算开销。启用 FlashComm 后,layer_sharding 不能包含 o_proj 作为元素。

  • VLLM_ASCEND_ENABLE_FUSED_MC2=1:启用 dispatch_ffn_combine/mega_moe 融合算子。注意:融合 MC2 与 multistream_overlap_shared_expert 存在冲突。

  • ACL_OP_INIT_MODE=1 / ASCEND_A3_ENABLE=1:针对 A3 的算子初始化和通信聚合优化。

  • --speculative-config '{"num_speculative_tokens": 1, ...}':prefill 期间使用最小的 MTP 推测(decode 节点使用更高的数量,见下文)。

  • --additional-config '{"recompute_scheduler_enable": false, ...}':在此场景中,prefill节点上禁用重计算调度器。

Decode 节点特定配置:

  • --max-num-batched-tokens 164:decode 节点上的较小批量 token 限制——decode 每步每个序列处理一个 token,因此批量 token 应接近 max-num-seqs。

  • --speculative-config '{"num_speculative_tokens": 3, ...}':decode节点上的MTP推测数量,以最大化解码吞吐量。

  • --additional-config '{"recompute_scheduler_enable": true}':启用重计算调度器。当decode节点KV缓存不足时,请求被发送回prefill节点以重新计算KV缓存。

Mooncake KV 传输配置(--kv-transfer-config):

  • "kv_connector": "MooncakeConnectorV1":使用 Mooncake 作为 prefill 和 decode 节点之间的 KV 缓存传输连接器。

  • "kv_role": "kv_producer" / "kv_consumer":prefill 节点上为 kv_producer,decode 节点上为 kv_consumer。

  • "kv_port":Mooncake KV传输通信端口。为prefill(30000)和decode(30200)节点组使用不同的端口范围。

  • "use_ascend_direct": true:为 KV 缓存启用 Ascend 直接传输,降低延迟。

  • "prefill" / "decode"部分:分别指定prefill和decode节点组的并行度。这些必须与实际部署拓扑匹配(prefill: pp_size 2, tp_size 16, pp_layer_partition 41,37,decode: dp_size 8, tp_size 4)。

请求转发(代理):

  • 代理命令将每个预填充引擎端点(1 个预填充器主机/端口)和每个解码引擎端点(8 个解码器主机/端口)映射到端口 9000 上的单个入口点。

  • 代理程序可在 load_balance_proxy_server_example.py 中找到。

请参阅 envs.py 以了解上述环境变量的进一步说明和限制。

5.1.2 Atlas 800 A2#

5.1.2.1 多节点共置部署#
  • GLM-5.2-w4a8c8(实验性):可部署在2个Atlas 800 A2(64GB × 8)上。单个Atlas 800 A2节点(8 × 64GB)无法容纳w4a8c8权重,因此2节点部署是A2系列的最小配置。

节点0

    # this obtained through ifconfig
    # nic_name is the network interface name corresponding to local_ip of the current node
    nic_name="xxx"
    local_ip="xxx"

    # The value of node0_ip must be consistent with the value of local_ip set in node0 (master node)
    node0_ip="xxx"

    export HCCL_OP_EXPANSION_MODE="AIV"
    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 VLLM_RPC_TIMEOUT=360000
    export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000
    export HCCL_EXEC_TIMEOUT=200
    export HCCL_CONNECT_TIMEOUT=120
    export OMP_PROC_BIND=false
    export OMP_NUM_THREADS=10
    export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
    export ACL_OP_INIT_MODE=1
    #export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
    #export USE_MULTI_GROUPS_KV_CACHE=1
    #export USE_MULTI_BLOCK_POOL=1
    export TASK_QUEUE_ENABLE=1
    export CPU_AFFINITY_CONF=1
    export VLLM_ENGINE_READY_TIMEOUT_S=1200

    vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w4a8c8 \
    --max_model_len 40000 \
    --max-num-batched-tokens 4096 \
    --served-model-name glm-52 \
    --seed 1024 \
    --gpu-memory-utilization 0.95 \
    --api-server-count 1 \
    --max-num-seqs 16 \
    --data-parallel-size 2 \
    --data-parallel-size-local 1 \
    --data-parallel-address $node0_ip \
    --data-parallel-rpc-port 13389 \
    --tensor-parallel-size 8 \
    --enable-expert-parallel \
    --quantization ascend \
    --port 7000 \
    --safetensors-load-strategy 'prefetch' \
    --block-size 128 \
    --async-scheduling \
    --additional-config '{"multistream_overlap_shared_expert": true}' \
    --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
    --speculative-config '{"num_speculative_tokens": 3, "method": "deepseek_mtp", "enforce_eager": true}'

节点1

    # this obtained through ifconfig
    # nic_name is the network interface name corresponding to local_ip of the current node
    nic_name="xxx"
    local_ip="xxx"

    # The value of node0_ip must be consistent with the value of local_ip set in node0 (master node)
    node0_ip="xxx"

    export HCCL_OP_EXPANSION_MODE="AIV"
    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 VLLM_RPC_TIMEOUT=360000
    export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000
    export HCCL_EXEC_TIMEOUT=200
    export HCCL_CONNECT_TIMEOUT=120
    export OMP_PROC_BIND=false
    export OMP_NUM_THREADS=10
    export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
    export ACL_OP_INIT_MODE=1
    #export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
    #export USE_MULTI_GROUPS_KV_CACHE=1
    #export USE_MULTI_BLOCK_POOL=1
    export TASK_QUEUE_ENABLE=1
    export CPU_AFFINITY_CONF=1
    export VLLM_ENGINE_READY_TIMEOUT_S=1200

    vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w4a8c8 \
    --max_model_len 40000 \
    --max-num-batched-tokens 4096 \
    --served-model-name glm-52 \
    --seed 1024 \
    --gpu-memory-utilization 0.95 \
    --max-num-seqs 16 \
    --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 \
    --tensor-parallel-size 8 \
    --enable-expert-parallel \
    --quantization ascend \
    --port 7000 \
    --safetensors-load-strategy 'prefetch' \
    --block-size 128 \
    --async-scheduling \
    --additional-config '{"multistream_overlap_shared_expert": true}' \
    --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
    --speculative-config '{"num_speculative_tokens": 3, "method": "deepseek_mtp", "enforce_eager": true}'

关键参数说明(除单节点部署和多节点共置部署之外):

A2 系列使用与 A3 不同的优化栈:此处不使用 FlashComm1 和 DSA-CP。

A2 专用环境变量:

  • CPU_AFFINITY_CONF=1:为工作进程启用 CPU 核心亲和性绑定。

  • ACL_OP_INIT_MODE=1:ACL 算子初始化模式,用于加速算子编译。

  • VLLM_RPC_TIMEOUT=360000 / VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=3000 / HCCL_EXEC_TIMEOUT=200 / HCCL_CONNECT_TIMEOUT=120 / VLLM_ENGINE_READY_TIMEOUT_S=1200:在较慢的 A2 平台上用于多节点启动和模型执行的超时设置。如果引擎无法及时就绪,请增大这些值。

5.1.2.2 预填充-解码分离#

在 Atlas 800 A2 上,每个节点提供 8 张卡,相同的全局 P/D 拓扑(预填充 DP4 TP8,解码 DP8 TP4)分布在 8 个节点上:4 个预填充节点各承载 1 个 DP rank(每个 rank 8 张卡),4 个解码节点各承载 2 个 DP rank(每个 rank 4 张卡)。上述 launch_online_dp.py 原样复用。预填充侧启用 FlashComm1 和 DSA CP;解码侧启用 MLAPO 和带有 FULL_DECODE_ONLY 图的 DYNAMIC_EPLB。两侧均启用前缀缓存和 MTP(预填充侧 num_speculative_tokens=1,解码侧为 3)。以下所有 IP、网卡名称、端口和权重路径均为占位符。

注意: GLM-5.2-w4a8c8 是实验性功能,在预填充-解码(PD)分离场景中存在已知的精度问题(参见模型权重)。

有关 KV 缓存池(Ascend Store)的启动方法和 Mooncake 配置文件,请参阅 KV 缓存池(Ascend Store)部署指南。

预填充节点的 run_dp_template.sh:

#!/usr/bin/bash
nic_name="<NIC_NAME>"
local_ip="<CURRENT_NODE_IP>"

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=10
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export VLLM_ASCEND_ENABLE_MLAPO=1
export HCCL_BUFFSIZE=256
export TASK_QUEUE_ENABLE=1
export HCCL_OP_EXPANSION_MODE="AIV"
export VLLM_USE_V1=1
export ASCEND_RT_VISIBLE_DEVICES=$1
export LD_LIBRARY_PATH=/usr/local/python3.11.10/lib:/usr/local/lib:$LD_LIBRARY_PATH
export ASCEND_AGGREGATE_ENABLE=1
export ASCEND_TRANSPORT_PRINT=1
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export PYTHONHASHSEED=0
export MOONCAKE_CONFIG_PATH=<MOONCAKE_CONFIG_PATH>
export HCCL_INTRA_ROCE_ENABLE=1
export ACL_OP_INIT_MODE=1

vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w4a8c8 \
    --host 0.0.0.0 \
    --port $2 \
    --data-parallel-size $3 \
    --data-parallel-rank $4 \
    --data-parallel-address $5 \
    --data-parallel-rpc-port $6 \
    --tensor-parallel-size $7 \
    --enable-expert-parallel \
    --enable-prefix-caching \
    --seed 1024 \
    --enable-chunked-prefill \
    --served-model-name glm-5 \
    --async-scheduling \
    --max-model-len 256000 \
    --max-num-batched-tokens 8192 \
    --trust-remote-code \
    --max-num-seqs 256 \
    --gpu-memory-utilization 0.95 \
    --safetensors-load-strategy prefetch \
    --quantization ascend \
    --enforce-eager \
    --enable-auto-tool-choice \
    --tool-call-parser glm47 \
    --reasoning-parser glm45 \
    --kv-transfer-config \
    '{
    "kv_connector": "MultiConnector",
    "kv_role": "kv_producer",
    "kv_load_failure_policy": "recompute",
    "kv_connector_extra_config": {
        "connectors": [
            {
                "kv_connector": "MooncakeConnectorV1",
                "kv_role": "kv_producer",
                "kv_port": "30000",
                "kv_connector_extra_config": {
                    "prefill": {
                        "dp_size": 4,
                        "tp_size": 8
                    },
                    "decode": {
                        "dp_size": 8,
                        "tp_size": 4
                    }
                }
            },
            {
                "kv_connector": "AscendStoreConnector",
                "kv_role": "kv_producer",
                "kv_connector_extra_config": {
                    "lookup_rpc_port":"0",
                    "backend": "mooncake"
                }
            }
        ]
    }
    }' \
    --additional-config '{"enable_flashcomm1": true, "enable_dsa_cp": true, "ascend_compilation_config": {"enable_npugraph_ex": true}, "multistream_overlap_shared_expert": true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true, "enable_cpu_binding": true}' \
    --speculative-config '{"num_speculative_tokens": 1, "method":"deepseek_mtp", "enforce_eager":true}'

解码节点的 run_dp_template.sh:

#!/usr/bin/bash

nic_name="<NIC_NAME>"
local_ip="<CURRENT_NODE_IP>"

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 VLLM_HOST_IP=$local_ip
export HCCL_IF_IP=$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=10
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export VLLM_ASCEND_ENABLE_MLAPO=1
export HCCL_BUFFSIZE=2560
export TASK_QUEUE_ENABLE=1
export HCCL_OP_EXPANSION_MODE="AIV"
export VLLM_USE_V1=1
export ASCEND_RT_VISIBLE_DEVICES=$1
export LD_LIBRARY_PATH=/usr/local/python3.11.10/lib:/usr/local/lib:$LD_LIBRARY_PATH
export PYTHONHASHSEED=0
export MOONCAKE_CONFIG_PATH=<MOONCAKE_CONFIG_PATH>
export HCCL_INTRA_ROCE_ENABLE=1
export ACL_OP_INIT_MODE=1

vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w4a8c8 \
    --host 0.0.0.0 \
    --port $2 \
    --data-parallel-size $3 \
    --data-parallel-rank $4 \
    --data-parallel-address $5 \
    --data-parallel-rpc-port $6 \
    --tensor-parallel-size $7 \
    --enable-expert-parallel \
    --enable-prefix-caching \
    --seed 1024 \
    --served-model-name glm-5 \
    --async-scheduling \
    --max-model-len 256000 \
    --max-num-batched-tokens 768 \
    --trust-remote-code \
    --max-num-seqs 128 \
    --gpu-memory-utilization 0.95 \
    --safetensors-load-strategy prefetch \
    --quantization ascend \
    --enable-auto-tool-choice \
    --tool-call-parser glm47 \
    --reasoning-parser glm45 \
    --kv-transfer-config \
    '{
    "kv_connector": "MultiConnector",
    "kv_role": "kv_consumer",
    "kv_load_failure_policy": "recompute",
    "kv_connector_extra_config": {
        "connectors": [
            {
                "kv_connector": "MooncakeConnectorV1",
                "kv_role": "kv_consumer",
                "kv_port": "30100",
                "kv_connector_extra_config": {
                    "prefill": {
                        "dp_size": 4,
                        "tp_size": 8
                    },
                    "decode": {
                        "dp_size": 8,
                        "tp_size": 4
                    }
                }
            },
            {
                "kv_connector": "AscendStoreConnector",
                "kv_role": "kv_consumer",
                "kv_connector_extra_config": {
                    "lookup_rpc_port":"0",
                    "load_async": true,
                    "backend": "mooncake"
                }
            }
        ]
    }
    }' \
     --compilation-config \
    '{
        "cudagraph_mode": "FULL_DECODE_ONLY",
        "cudagraph_capture_sizes": [4,8,16,24,32,40,48,56,64,96,128,160,192,224,256,298,320,352,384]
    }' \
    --additional-config '{"ascend_compilation_config": {"enable_npugraph_ex": true}, "multistream_overlap_shared_expert": true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true, "enable_cpu_binding": true, "recompute_scheduler_enable": true}' \
    --speculative-config '{"num_speculative_tokens": 5, "method":"deepseek_mtp", "enforce_eager":true}'

准备工作完成后,使用以下命令启动服务:

  1. 预填充节点 — 在 $node_p0_ip、$node_p1_ip、$node_p2_ip、$node_p3_ip 上运行,并指定 --dp-rank-start 为 0/1/2/3:

    python launch_online_dp.py --dp-size 4 --tp-size 8 --dp-size-local 1 --dp-rank-start 0 --dp-address $node_p0_ip --dp-rpc-port 16591 --vllm-start-port 9081
    python launch_online_dp.py --dp-size 4 --tp-size 8 --dp-size-local 1 --dp-rank-start 1 --dp-address $node_p0_ip --dp-rpc-port 16591 --vllm-start-port 9081
    python launch_online_dp.py --dp-size 4 --tp-size 8 --dp-size-local 1 --dp-rank-start 2 --dp-address $node_p0_ip --dp-rpc-port 16591 --vllm-start-port 9081
    python launch_online_dp.py --dp-size 4 --tp-size 8 --dp-size-local 1 --dp-rank-start 3 --dp-address $node_p0_ip --dp-rpc-port 16591 --vllm-start-port 9081
    
  2. 解码节点 — 在 $node_d0_ip、$node_d1_ip、$node_d2_ip、$node_d3_ip 上运行,使用 --dp-rank-start 参数 0/2/4/6:

    python launch_online_dp.py --dp-size 8 --tp-size 4 --dp-size-local 2 --dp-rank-start 0 --dp-address $node_d0_ip --dp-rpc-port 16600 --vllm-start-port 9900
    python launch_online_dp.py --dp-size 8 --tp-size 4 --dp-size-local 2 --dp-rank-start 2 --dp-address $node_d0_ip --dp-rpc-port 16600 --vllm-start-port 9900
    python launch_online_dp.py --dp-size 8 --tp-size 4 --dp-size-local 2 --dp-rank-start 4 --dp-address $node_d0_ip --dp-rpc-port 16600 --vllm-start-port 9900
    python launch_online_dp.py --dp-size 8 --tp-size 4 --dp-size-local 2 --dp-rank-start 6 --dp-address $node_d0_ip --dp-rpc-port 16600 --vllm-start-port 9900
    

对于此8节点A2布局的请求转发,请在下面的请求转发命令中使用4个预填充主机(每个1个端点)和4个解码主机(每个2个端点)。

要设置请求转发,请在任意机器上运行以下脚本。您可以在仓库的示例中找到代理程序:load_balance_proxy_server_example.py

unset http_proxy
unset https_proxy

python load_balance_proxy_server_example.py \
    --port 8000 \
    --host 0.0.0.0 \
    --prefiller-hosts \
      $node_p0_ip \
      $node_p1_ip \
      $node_p2_ip \
      $node_p3_ip \
    --prefiller-ports \
      9081 9081 \
      9081 9081 \
    --decoder-hosts \
      $node_d0_ip \
      $node_d0_ip \
      $node_d1_ip \
      $node_d1_ip \
      $node_d2_ip \
      $node_d2_ip \
      $node_d3_ip \
      $node_d3_ip \
    --decoder-ports \
      9900 9901 9900 9901 \
      9900 9901 9900 9901

关键参数说明(除 预填充-解码分离 中所述之外):

此 8 节点 A2 布局将全局 P/D 拓扑分布在 8 台 Atlas 800 A2 节点上:4 个预填充节点各承载 1 个 DP rank(每个 rank 8 张卡,DP4 TP8),4 个解码节点各承载 2 个 DP rank(每个 rank 4 张卡,DP8 TP4)。launch_online_dp.py 脚本与 预填充-解码分离 中的相同。

预填充节点专用配置(A2):

  • --additional-config '{"enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true, ...}':在此场景中启用了两种SFA C8优化。

解码节点专用配置(A2):

  • VLLM_ASCEND_ENABLE_MLAPO=1:在解码节点上启用 MLAPO 融合,用于内存带宽受限的 token 生成。

  • --max-num-batched-tokens 256:解码节点上的小批量 token 限制。

多连接器 KV 传输配置(--kv-transfer-config):

  • "kv_connector": "MultiConnector":组合多个 KV 传输连接器。

  • MooncakeConnectorV1:预填充和解码节点之间的 Mooncake KV 缓存传输(与 预填充-解码分离 中的角色相同)。

  • AscendStoreConnector:KV 缓存池(Ascend Store)连接器,自 v0.23.0 起可用——参见 KV 缓存池(Ascend Store)部署指南。

  • "kv_load_failure_policy": "recompute":当 KV 块从 KV 池加载失败时,请求回退到重计算而不是失败。

  • "load_async": true(解码侧):在解码节点上从池中异步加载 KV 缓存。

  • "backend": "mooncake":连接器使用的 Ascend Store 后端。

A2 PD 场景的环境变量:

  • VLLM_USE_V1=1:强制使用 v1 调度器。

  • ASCEND_AGGREGATE_ENABLE=1 / ASCEND_TRANSPORT_PRINT=1:通信聚合和传输调试打印。

  • PYTHONHASHSEED=0:用于可复现分布式调度的固定哈希种子。

  • MOONCAKE_CONFIG_PATH="/mnt/share/scripts/mooncake.json":Mooncake 配置文件的路径(必须存在于每个节点上)。

  • HCCL_INTRA_ROCE_ENABLE=1:启用通过 RoCE 的 HCCL 节点内通信。

  • ACL_OP_INIT_MODE=1:ACL 算子初始化模式。

  • VLLM_HOST_IP=$local_ip:解码引擎为跨节点通信通告的主机 IP。

请参阅 envs.py 以了解上述环境变量的进一步说明和限制。

5.2 1M 上下文部署#

1M 上下文场景仅在 Atlas 800 A3 上验证;A2 系列未针对 1M 上下文进行验证。

警告

对于GLM-5.2的稀疏Flash注意力(SFA)后端,在PD分离中使用DCP时,请在预填充节点和解码节点上同时启用或同时禁用DCP。仅在一侧启用DCP可能会导致已知的精度问题。

DCP和Sparse Flash Attention C8(enable_sparse_sfa_c8,也称为sfa_c8)根据权重版本具有不同的行为:

  • GLM-5.2-w8a8c8:它们可以同时启用——本文档中的参考w8a8c8配置同时启用了两者。

  • GLM-5.2-w4a8c8:在 v0.23.0 中同时启用它们存在已知问题,包括性能下降,不建议这样做。

5.2.1 双节点共置 1M 部署#

GLM-5.2-w8a8c8(1M 上下文,双节点共置):

GLM-5.2-w8a8c8 1M 共置部署在 2 个 Atlas 800 A3(128GB × 8)上(DP8 TP4,每节点 4 个 DP rank,解码上下文并行度 4)。

分别在两个节点上运行以下脚本。

节点0

nic_name="xxxx" # change to your own nic name
local_ip="xxxx" # change to your own ip

# The value of node0_ip must be consistent with the value of local_ip set in node0 (master node)
node0_ip="xxxx"

export HCCL_OP_EXPANSION_MODE="AIV"
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_TRANSFER_TIMEOUT=600
export HCCL_EXEC_TIMEOUT=3600
export HCCL_CONNECT_TIMEOUT=3600
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export HCCL_BUFFSIZE=400
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export VLLM_ASCEND_ENABLE_MLAPO=1
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export VLLM_ASCEND_ENABLE_FUSED_MC2=1

vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w8a8c8 \
--host 0.0.0.0 \
--port 8077 \
--api-server-count 1 \
--data-parallel-size 8 \
--data-parallel-start-rank 0 \
--data-parallel-size-local 4 \
--data-parallel-address $node0_ip \
--data-parallel-rpc-port 12980 \
--tensor-parallel-size 4 \
--enable-expert-parallel \
--prefill-context-parallel-size 1 \
--decode-context-parallel-size 4 \
--cp-kv-cache-interleave-size 128 \
--seed 1024 \
--served-model-name glm-5 \
--tool-call-parser glm47 \
--reasoning-parser glm45 \
--enable-auto-tool-choice \
--max-num-seqs 6 \
--max-model-len 1048576 \
--max-num-batched-tokens 4096 \
--trust-remote-code \
--gpu-memory-utilization 0.92 \
--quantization ascend \
--enable-chunked-prefill \
--enable-prefix-caching \
--async-scheduling \
--compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
--additional-config '{"enable_dsa_cp": true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true, "enable_balance_scheduling": true, "fuse_muls_add": true}' \
--speculative-config '{"num_speculative_tokens": 3, "method": "deepseek_mtp","enforce_eager":true}'

节点1

nic_name="xxxx" # change to your own nic name
local_ip="xxxx" # change to your own ip

# The value of node0_ip must be consistent with the value of local_ip set in node0 (master node)
node0_ip="xxxx"

export HCCL_OP_EXPANSION_MODE="AIV"
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_TRANSFER_TIMEOUT=600
export HCCL_EXEC_TIMEOUT=3600
export HCCL_CONNECT_TIMEOUT=3600
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export HCCL_BUFFSIZE=400
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export VLLM_ASCEND_ENABLE_MLAPO=1
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export VLLM_ASCEND_ENABLE_FUSED_MC2=1

vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w8a8c8 \
--host 0.0.0.0 \
--port 8077 \
--headless \
--data-parallel-size 8 \
--data-parallel-start-rank 4 \
--data-parallel-size-local 4 \
--data-parallel-address $node0_ip \
--data-parallel-rpc-port 12980 \
--tensor-parallel-size 4 \
--enable-expert-parallel \
--prefill-context-parallel-size 1 \
--decode-context-parallel-size 4 \
--cp-kv-cache-interleave-size 128 \
--seed 1024 \
--served-model-name glm-5 \
--tool-call-parser glm47 \
--reasoning-parser glm45 \
--enable-auto-tool-choice \
--max-num-seqs 6 \
--max-model-len 1048576 \
--max-num-batched-tokens 4096 \
--trust-remote-code \
--gpu-memory-utilization 0.92 \
--quantization ascend \
--enable-chunked-prefill \
--enable-prefix-caching \
--async-scheduling \
--compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
--additional-config '{"enable_dsa_cp": true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true, "enable_balance_scheduling": true, "fuse_muls_add": true}' \
--speculative-config '{"num_speculative_tokens": 3, "method": "deepseek_mtp","enforce_eager":true}'

注意:

  • VLLM_ASCEND_ENABLE_FUSED_MC2=1与"multistream_overlap_shared_expert": true冲突——启用fused MC2时,运行时自动禁用multistream_overlap_shared_expert。

  • 当使用前缀缓存命中率> 0进行测试时,保留--enable-prefix-caching(如上述脚本所示);当命中率为0时,将其替换为--no-enable-prefix-caching。

5.2.2 PD 分离 1M 部署#

GLM-5.2-w8a8c8(1M 上下文,PD 分离):

GLM-5.2-w8a8c8 1M PD 分离可部署在 4 个 Atlas 800 A3(128GB × 8)上:2 个预填充节点(DP2 TP16,每节点 1 个 DP rank,解码上下文并行度 16)和 2 个解码节点(DP8 TP4,每节点 4 个 DP rank,解码上下文并行度 4)。

Prefill 节点 0(run_dp_template.sh):DP rank 0,引擎端口 9081。node_p0_ip 的值必须与 prefill 节点 0(DP 主节点)上设置的 local_ip 保持一致。

nic_name="xxxx" # change to your own nic name
local_ip="xxxx" # change to your own ip
node_p0_ip="xxxx" # ip of prefill node 0 (DP master node)

export VLLM_ASCEND_ENABLE_FUSED_MC2=1
export HCCL_OP_EXPANSION_MODE="AIV"

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_TRANSFER_TIMEOUT=600
export HCCL_EXEC_TIMEOUT=3600
export HCCL_CONNECT_TIMEOUT=3600

export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=400

export ACL_OP_INIT_MODE=1
export ASCEND_A3_ENABLE=1

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib

export VLLM_ASCEND_ENABLE_FLASHCOMM1=1

vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w8a8c8 \
    --host 0.0.0.0 \
    --port 9081 \
    --data-parallel-size 2 \
    --data-parallel-rank 0 \
    --data-parallel-address $node_p0_ip \
    --data-parallel-rpc-port 16600 \
    --tensor-parallel-size 16 \
    --enable-expert-parallel \
    --prefill-context-parallel-size 1 \
    --decode-context-parallel-size 16 \
    --cp-kv-cache-interleave-size 128 \
    --speculative-config '{"num_speculative_tokens": 1, "method":"deepseek_mtp","enforce_eager":true}' \
    --seed 1024 \
    --served-model-name glm-5 \
    --max-model-len 1048576 \
    --additional-config '{"fuse_muls_add":true, "recompute_scheduler_enable" : false, "multistream_overlap_shared_expert": true, "enable_dsa_cp":true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true, "c8_enable_reshape_optim":true}' \
    --max-num-batched-tokens 8192 \
    --trust-remote-code \
    --enable-prefix-caching \
    --max-num-seqs 64 \
    --quantization ascend \
    --gpu-memory-utilization 0.9 \
    --enforce-eager \
    --enable-auto-tool-choice \
    --tool-call-parser glm47 \
    --reasoning-parser glm45 \
    --kv-transfer-config \
    '{"kv_connector": "MooncakeConnectorV1",
    "kv_role": "kv_producer",
    "kv_port": "30000",
    "engine_id": "0",
    "kv_connector_extra_config": {
        "use_ascend_direct": true,
        "prefill": {"dp_size": 2, "tp_size": 16},
        "decode": {"dp_size": 8, "tp_size": 4}
    }
}'

Prefill 节点 1(run_dp_template.sh):DP rank 1,引擎端口 9082。--data-parallel-address 仍指向 prefill 节点 0(DP 主节点)。

nic_name="xxxx" # change to your own nic name
local_ip="xxxx" # change to your own ip
node_p0_ip="xxxx" # ip of prefill node 0 (DP master node)

export VLLM_ASCEND_ENABLE_FUSED_MC2=1
export HCCL_OP_EXPANSION_MODE="AIV"

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_TRANSFER_TIMEOUT=600
export HCCL_EXEC_TIMEOUT=3600
export HCCL_CONNECT_TIMEOUT=3600

export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=400

export ACL_OP_INIT_MODE=1
export ASCEND_A3_ENABLE=1

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib

export VLLM_ASCEND_ENABLE_FLASHCOMM1=1

vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w8a8c8 \
    --host 0.0.0.0 \
    --port 9082 \
    --data-parallel-size 2 \
    --data-parallel-rank 1 \
    --data-parallel-address $node_p0_ip \
    --data-parallel-rpc-port 16600 \
    --tensor-parallel-size 16 \
    --enable-expert-parallel \
    --prefill-context-parallel-size 1 \
    --decode-context-parallel-size 16 \
    --cp-kv-cache-interleave-size 128 \
    --speculative-config '{"num_speculative_tokens": 1, "method":"deepseek_mtp","enforce_eager":true}' \
    --seed 1024 \
    --served-model-name glm-5 \
    --max-model-len 1048576 \
    --additional-config '{"fuse_muls_add":true, "recompute_scheduler_enable" : false, "multistream_overlap_shared_expert": true, "enable_dsa_cp":true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true, "c8_enable_reshape_optim":true}' \
    --max-num-batched-tokens 8192 \
    --trust-remote-code \
    --enable-prefix-caching \
    --max-num-seqs 64 \
    --quantization ascend \
    --gpu-memory-utilization 0.9 \
    --enforce-eager \
    --enable-auto-tool-choice \
    --tool-call-parser glm47 \
    --reasoning-parser glm45 \
    --kv-transfer-config \
    '{"kv_connector": "MooncakeConnectorV1",
    "kv_role": "kv_producer",
    "kv_port": "30000",
    "engine_id": "0",
    "kv_connector_extra_config": {
        "use_ascend_direct": true,
        "prefill": {"dp_size": 2, "tp_size": 16},
        "decode": {"dp_size": 8, "tp_size": 4}
    }
}'

解码节点 0(run_dp_template.sh):承载 DP rank 0–3。在解码节点 0 上准备包含以下内容的 run_dp_template.sh 和 launch_online_dp.py(参见预填充-解码分离)。

nic_name="xxxx" # change to your own nic name
local_ip="xxxx" # change to your own ip

export VLLM_ASCEND_ENABLE_FUSED_MC2=1
export HCCL_OP_EXPANSION_MODE="AIV"

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_TRANSFER_TIMEOUT=600
export HCCL_EXEC_TIMEOUT=3600
export HCCL_CONNECT_TIMEOUT=3600

#Mooncake
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1

export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=400

export ACL_OP_INIT_MODE=1
export ASCEND_A3_ENABLE=1
export TASK_QUEUE_ENABLE=1
export ASCEND_RT_VISIBLE_DEVICES=$1

export VLLM_ASCEND_ENABLE_MLAPO=1
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib

vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w8a8c8 \
    --host 0.0.0.0 \
    --port $2 \
    --data-parallel-size $3 \
    --data-parallel-rank $4 \
    --data-parallel-address $5 \
    --data-parallel-rpc-port $6 \
    --tensor-parallel-size $7 \
    --enable-expert-parallel \
    --prefill-context-parallel-size 1 \
    --decode-context-parallel-size 4 \
    --cp-kv-cache-interleave-size 128 \
    --speculative-config '{"num_speculative_tokens": 5,  "method":"deepseek_mtp","enforce_eager":true}' \
    --seed 1024 \
    --served-model-name glm-5 \
    --max-model-len 1048576 \
    --additional-config '{"fuse_muls_add":true, "recompute_scheduler_enable":true, "multistream_overlap_shared_expert":true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true}' \
    --max-num-batched-tokens 192 \
    --trust-remote-code \
    --max-num-seqs 32 \
    --quantization ascend \
    --gpu-memory-utilization 0.92 \
    --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \
    --async-scheduling \
    --enable-auto-tool-choice \
    --tool-call-parser glm47 \
    --reasoning-parser glm45 \
    --kv-transfer-config \
    '{"kv_connector": "MooncakeConnectorV1",
    "kv_role": "kv_consumer",
    "kv_port": "30200",
    "engine_id": "2",
    "kv_connector_extra_config": {
        "use_ascend_direct": true,
        "prefill": {"dp_size": 2, "tp_size": 16},
        "decode": {"dp_size": 8, "tp_size": 4}
    }
}'

解码节点 1(run_dp_template.sh):承载 DP rank 4–7。在解码节点 1 上准备包含以下内容的 run_dp_template.sh 和 launch_online_dp.py(参见预填充-解码分离)。

nic_name="xxxx" # change to your own nic name
local_ip="xxxx" # change to your own ip

export VLLM_ASCEND_ENABLE_FUSED_MC2=1
export HCCL_OP_EXPANSION_MODE="AIV"

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_TRANSFER_TIMEOUT=600
export HCCL_EXEC_TIMEOUT=3600
export HCCL_CONNECT_TIMEOUT=3600

#Mooncake
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1

export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=400

export ACL_OP_INIT_MODE=1
export ASCEND_A3_ENABLE=1
export TASK_QUEUE_ENABLE=1
export ASCEND_RT_VISIBLE_DEVICES=$1

export VLLM_ASCEND_ENABLE_MLAPO=1
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib

vllm serve /root/.cache/modelscope/hub/models/vllm-ascend/GLM-5.2-w8a8c8 \
    --host 0.0.0.0 \
    --port $2 \
    --data-parallel-size $3 \
    --data-parallel-rank $4 \
    --data-parallel-address $5 \
    --data-parallel-rpc-port $6 \
    --tensor-parallel-size $7 \
    --enable-expert-parallel \
    --prefill-context-parallel-size 1 \
    --decode-context-parallel-size 4 \
    --cp-kv-cache-interleave-size 128 \
    --speculative-config '{"num_speculative_tokens": 5,  "method":"deepseek_mtp","enforce_eager":true}' \
    --seed 1024 \
    --served-model-name glm-5 \
    --max-model-len 1048576 \
    --additional-config '{"fuse_muls_add":true, "recompute_scheduler_enable":true, "multistream_overlap_shared_expert":true, "enable_sparse_sfa_c8": true, "enable_sparse_li_c8": true}' \
    --max-num-batched-tokens 192 \
    --trust-remote-code \
    --max-num-seqs 32 \
    --quantization ascend \
    --gpu-memory-utilization 0.92 \
    --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \
    --async-scheduling \
    --enable-auto-tool-choice \
    --tool-call-parser glm47 \
    --reasoning-parser glm45 \
    --kv-transfer-config \
    '{"kv_connector": "MooncakeConnectorV1",
    "kv_role": "kv_consumer",
    "kv_port": "30200",
    "engine_id": "2",
    "kv_connector_extra_config": {
        "use_ascend_direct": true,
        "prefill": {"dp_size": 2, "tp_size": 16},
        "decode": {"dp_size": 8, "tp_size": 4}
    }
}'

准备完成后,在每个节点上启动服务器:

  1. Prefill 节点 0:运行上述脚本(DP rank 0,端口 9081)。

  2. Prefill 节点 1:运行上述脚本(DP rank 1,端口 9082)。

  3. Decode节点0:

    # change ip to your own
    python launch_online_dp.py --dp-size 8 --tp-size 4 --dp-size-local 4 --dp-rank-start 0 --dp-address $node_d0_ip --dp-rpc-port 16600 --vllm-start-port 9900
    
  4. Decode节点1:

    # change ip to your own
    python launch_online_dp.py --dp-size 8 --tp-size 4 --dp-size-local 4 --dp-rank-start 4 --dp-address $node_d0_ip --dp-rpc-port 16600 --vllm-start-port 9900
    

要设置请求转发,请在任意机器上运行以下脚本。您可以在仓库的示例中找到代理程序:load_balance_proxy_server_example.py

unset http_proxy
unset https_proxy

python load_balance_proxy_server_example.py \
    --port 8000 \
    --host 0.0.0.0 \
    --prefiller-hosts \
    $node_p0_ip \
    $node_p1_ip \
    --prefiller-ports \
    9081 \
    9082 \
    --decoder-hosts \
    $node_d0_ip \
    $node_d0_ip \
    $node_d0_ip \
    $node_d0_ip \
    $node_d1_ip \
    $node_d1_ip \
    $node_d1_ip \
    $node_d1_ip \
    --decoder-ports \
    9900 9901 9902 9903 \
    9900 9901 9902 9903

注意:

  • 当使用前缀缓存命中率> 0进行测试时,在prefill节点上添加--enable-prefix-caching(如上述脚本所示);当命中率为0时,改用--no-enable-prefix-caching。

  • 在此场景中,"recompute_scheduler_enable"在prefill节点上设置为false,在decode节点上设置为true。

关键参数说明(除 Prefill-Decode 分离 和 双节点共置 1M 部署 之外):

Prefill 节点(1M):

  • --prefill-context-parallel-size 1 / --decode-context-parallel-size 16 / --cp-kv-cache-interleave-size 128:1M 场景解码阶段的解码上下文并行度为 16。

  • --additional-config '{"recompute_scheduler_enable": false, ...}':在此场景中,prefill节点上禁用重计算调度器。

  • --kv-transfer-config:Mooncake 连接器作为 kv_producer,配置为 prefill: dp2 tp16 / decode: dp8 tp4。

Decode 节点(1M):

  • --decode-context-parallel-size 4 / --cp-kv-cache-interleave-size 128:每个 decode 节点的解码上下文并行度为 4。

  • --max-num-batched-tokens 192:Decode 节点存储从 prefill 节点接收的大型 1M KV 缓存。

  • --kv-transfer-config:Mooncake 连接器作为 kv_consumer(kv_port: 30200)。

6 功能验证#

服务器启动后,您可以使用输入提示查询模型:

curl http://<node0_ip>:<port>/v1/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "glm-52",
        "prompt": "The future of AI is",
        "max_completion_tokens": 50,
        "temperature": 0
    }'

7 精度评估#

以下是两种精度评估方法。

7.1 使用 AISBench#

  1. 详情请参考使用AISBench。

  2. 执行后,您可以获取结果。

7.2 使用 Language Model Evaluation Harness#

尚未测试。

8 性能评估#

8.1 使用 AISBench#

详情请参考使用AISBench进行性能评估。

8.2 使用 vLLM Benchmark#

更多详细信息请参考 vllm benchmark。

9 性能调优#

9.2 调优指南#

有关通用性能调优方法,请参阅公开性能调优文档。

有关详细的功能描述和配置选项,请参阅功能指南。

有关环境变量的说明和约束,请参阅envs.py。

10 常见问题#

  • 问:如何为GLM-5.2启用函数调用?

    答:请在vLLM启动命令中添加以下配置

    --tool-call-parser glm47 \
    --reasoning-parser glm45 \
    --enable-auto-tool-choice \