Kimi-K2.6

Kimi-K2.6#

1 简介#

Kimi K2.6 是一个开源的、原生的多模态智能体模型，通过在 Kimi-K2-Base 上持续预训练约 15 万亿混合视觉和文本 token 构建而成。它无缝集成了视觉和语言理解能力，具备先进的智能体能力、即时与思考模式，以及对话和智能体范式。

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、单节点和多节点部署、精度及性能评估。

本文档基于 vLLM-Ascend v0.20.0rc1 进行验证和编写。当前模型 (Kimi-K2.6) 在此版本中首次得到支持。

2 支持的特性#

请参考支持的特性获取该模型支持的特性矩阵。

请参考特性指南获取特性的配置。

3 前提条件#

3.1 模型权重#

Kimi-K2.6-w4a8（w4a8量化版本）：需要1个Atlas 800 A3（64G × 16）节点或2个Atlas 800 A2（64G × 8）节点。下载模型权重。
kimi-k2.6-eagle3 (用于加速 Kimi-K2.6 推理的 Eagle3 MTP 草稿模型)：下载模型权重
Kimi-K2.5-DFlash (一种利用轻量级块扩散模型进行并行草稿生成的推测解码框架)：下载模型权重

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)#

如果您想部署多节点环境，需要根据验证多节点通信环境来验证多节点通信。

4 安装#

4.1 Docker 镜像安装#

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。

A3 系列

在每个节点上启动docker镜像。

export IMAGE=quay.io/ascend/vllm-ascend:v0.23.0-a3
docker run --rm \
    --name vllm-ascend \
    --shm-size=1g \
    --net=host \
    --privileged=true \
    --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 /root/.cache:/root/.cache \
    -it $IMAGE bash

A2 系列

在每个节点上启动docker镜像。

export IMAGE=quay.io/ascend/vllm-ascend:v0.23.0
docker run --rm \
    --name vllm-ascend \
    --shm-size=1g \
    --net=host \
    --privileged=true \
    --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

docker run 成功后，您可以通过执行 docker ps 命令来验证正在运行的容器服务。

4.2 源码安装#

如果您不想像上面那样使用 docker 镜像，也可以从源码构建所有内容：

从源码安装 vllm-ascend，请参考安装。

如果您想部署多节点环境，需要在每个节点上设置环境。

要使用 tool_calls 功能，请确保您的 transformers 版本为 4.57.6 或更低。如果 vllm-ascend 已升级到 v0.21 或更高版本，则此要求不再适用。

5 在线服务部署#

5.1 单节点在线部署#

单节点部署在同一节点内完成 Prefill 和 Decode。量化模型 Kimi-K2.6-w4a8 可以部署在 1 个 Atlas 800 A3 (64G × 16) 上。

虽然单节点设置支持所有输入/输出场景，但为了获得最佳性能，请考虑部署多节点。

启动命令：

#!/bin/sh
export HCCL_OP_EXPANSION_MODE="AIV"
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export TASK_QUEUE_ENABLE=1
export VLLM_ASCEND_ENABLE_MLAPO=1

# [Optional] jemalloc
# jemalloc is for better performance, if `libjemalloc.so` is installed on your machine, you can turn it on.
export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD
echo performance | tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor
sysctl -w vm.swappiness=0
sysctl -w kernel.numa_balancing=0
sysctl -w kernel.sched_migration_cost_ns=50000

export HCCL_BUFFSIZE=800
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export VLLM_ASCEND_BALANCE_SCHEDULING=1

vllm serve Eco-Tech/Kimi-K2.6-W4A8 \
    --quantization ascend \
    --served-model-name kimi_k26 \
    --allowed-local-media-path / \
    --trust-remote-code \
    --tensor-parallel-size 4 \
    --data-parallel-size 4 \
    --no-enable-prefix-caching \
    --enable-expert-parallel \
    --port 8088 \
    --max-num-seqs 4 \
    --max-model-len 32768 \
    --max-num-batched-tokens 16384 \
    --gpu-memory-utilization 0.9 \
    --seed 42 \
    --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \
    --mm-processor-cache-gb 0 \
    --mm-encoder-tp-mode data \
    --speculative-config '{"method": "dflash","model": "z-lab/Kimi-K2.5-DFlash", "num_speculative_tokens": 15}'

关键参数说明：

设置环境变量 VLLM_ASCEND_BALANCE_SCHEDULING=1 可启用均衡调度。这有助于在 v1 调度器中提高输出吞吐量并降低 TPOT。但是，在某些场景下 TTFT 可能会恶化。此外，在 PD 分离的场景下不建议启用此功能。
--max-model-len 指定最大上下文长度——即单个请求的输入和输出 token 之和。对于输入长度 3.5K、输出长度 1.5K 的性能测试，16384 的值就足够了，但对于精度测试，请至少设置为 35000。
--no-enable-prefix-caching 表示禁用前缀缓存。要启用它，请移除该选项。
--mm-encoder-tp-mode 指示如何使用张量并行 (TP) 优化多模态编码器推理。如果您想测试多模态输入，我们建议使用 data。
如果使用w4a8权重，更多内存将分配给kvcache，您可以尝试增加--max-num-seqs以提高系统吞吐量。

常见问题提示：如果遇到问题，请参考公共 FAQ 进行故障排除。

服务验证：

curl http://<node_ip>:8088/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "kimi_k26",
        "messages": [{
            "role": "user",
            "content": [
            {
                "type": "text",
                "text": "The future of AI is"
            }]
        }],
        "max_tokens": 1024,
        "temperature": 1.0,
        "top_p": 0.95
    }'

预期结果：

服务返回 HTTP 200 OK，并带有包含 choices 字段的 JSON 响应。示例输出（内容已截断以保持简洁）：

{
    "id": "chatcmpl-9df13fd5e539af93",
    "object": "chat.completion",
    "created": 1780971952,
    "model": "kimi_k26",
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "The future of AI is not a destination we are passively approaching, but a design problem we are actively solving right now...",
                "reasoning": "The user is asking for my thoughts on \"The future of AI is\"...",
                "refusal": null,
                "annotations": null,
                "audio": null,
                "function_call": null
            },
            "logprobs": null,
            "finish_reason": "length",
            "stop_reason": null,
            "token_ids": null
        }
    ],
    "usage": {
        "prompt_tokens": 13,
        "total_tokens": 1037,
        "completion_tokens": 1024,
        "completion_tokens_details": {
            "reasoning_tokens": 0,
            "audio_tokens": null,
            "accepted_prediction_tokens": null,
            "rejected_prediction_tokens": null
        }
    }
}

5.2 多节点 PD 分离部署#

我们建议使用 Mooncake 进行部署：Mooncake。

在标准的单节点部署模式下，Prefill (提示处理) 和 Decode (token 生成) 任务运行在同一组 NPU 上。这可能导致两个问题：

Prefill抢占中断Decode：Prefill是计算密集型任务，一次性处理整个输入上下文，而Decode逐个生成token。当新用户请求到达时，其Prefill阶段可能抢占并中断正在进行的Decode任务，导致抖动和更高的每输出token延迟（TPOT）。
资源分配不灵活：Prefill和Decode具有根本不同的计算特性——Prefill受计算限制且内存带宽密集，而Decode受内存带宽限制。在同一硬件上运行两者会迫使做出折中，无法最优满足任何一方。

PD（Prefill-Decode）分离通过在专用节点组上分别运行Prefill和Decode来解决这些问题，每个节点组独立配置：

Prefill节点专注于高吞吐量提示处理，针对计算和通信进行优化（例如，启用FlashComm以实现Allreduce加速）。
Decode节点专注于低延迟token生成，针对内存带宽进行优化（例如，启用MLAPO融合算子）。

此架构推荐用于并发多用户工作负载的生产部署，其中需要同时保证稳定的延迟和高吞吐量。

以Atlas 800 A3（64G × 16）为例，我们建议部署2P1D（4节点）而非1P1D（2节点），因为在1P1D情况下NPU内存不足以支持高并发。

Kimi-K2.6-w4a8 2P1D：需要4个Atlas 800 A3（64G × 16）节点。

要运行vllm-ascend Prefill-Decode分离服务，您需要在每个节点上部署launch_online_dp.py脚本和run_dp_template.sh脚本，并在prefill主节点上部署proxy.sh脚本以转发请求。

launch_online_dp.py

参数说明：

参数	类型	必填	默认值	描述
`--dp-size`	int	是	-	数据并行大小（所有节点上的DP rank总数）。
`--tp-size`	int	否	1	每个DP rank内的张量并行大小。
`--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，则默认为`--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	12345	数据并行主节点通信的RPC端口。
`--vllm-start-port`	int	否	9000	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。

run_dp_template.sh脚本

节点0（Prefill）

# this obtained through ifconfig
# nic_name is the network interface name corresponding to local_ip of the current node
nic_name="xxx"
local_ip="141.xx.xx.1"

# 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

# [Optional] jemalloc
# jemalloc is for better performance, if `libjemalloc.so` is installed on your machine, you can turn it on.
export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD
echo performance | tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor
sysctl -w vm.swappiness=0
sysctl -w kernel.numa_balancing=0
sysctl kernel.sched_migration_cost_ns=50000
export VLLM_RPC_TIMEOUT=3600000
export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000

export HCCL_OP_EXPANSION_MODE="AIV"
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export TASK_QUEUE_ENABLE=1
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

export HCCL_BUFFSIZE=800
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export ASCEND_RT_VISIBLE_DEVICES=$1

vllm serve Eco-Tech/Kimi-K2.6-W4A8 \
    --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 \
    --quantization ascend \
    --served-model-name kimi_k26 \
    --trust-remote-code \
    --max-num-seqs 4 \
    --max-model-len 32768 \
    --max-num-batched-tokens 16384 \
    --no-enable-prefix-caching \
    --gpu-memory-utilization 0.95 \
    --enforce-eager \
    --speculative-config '{"method": "eagle3", "model":"lightseekorg/kimi-k2.6-eagle3", "num_speculative_tokens": 1}' \
    --mm-encoder-tp-mode data \
    --kv-transfer-config \
    '{"kv_connector": "MooncakeConnectorV1",
    "kv_role": "kv_producer",
    "kv_port": "30000",
    "engine_id": "0",
    "kv_connector_extra_config": {
            "prefill": {
                    "dp_size": 4,
                    "tp_size": 4
            },
            "decode": {
                    "dp_size": 8,
                    "tp_size": 4
            }
        }
    }'

节点1（Prefill）

# this obtained through ifconfig
# nic_name is the network interface name corresponding to local_ip of the current node
nic_name="xxx"
local_ip="141.xx.xx.2"

# 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

# [Optional] jemalloc
# jemalloc is for better performance, if `libjemalloc.so` is installed on your machine, you can turn it on.
export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD
echo performance | tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor
sysctl -w vm.swappiness=0
sysctl -w kernel.numa_balancing=0
sysctl kernel.sched_migration_cost_ns=50000
export VLLM_RPC_TIMEOUT=3600000
export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000

export HCCL_OP_EXPANSION_MODE="AIV"
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export TASK_QUEUE_ENABLE=1
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

export HCCL_BUFFSIZE=800
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export ASCEND_RT_VISIBLE_DEVICES=$1

vllm serve Eco-Tech/Kimi-K2.6-W4A8 \
    --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 \
    --quantization ascend \
    --served-model-name kimi_k26 \
    --trust-remote-code \
    --max-num-seqs 4 \
    --max-model-len 32768 \
    --max-num-batched-tokens 16384 \
    --no-enable-prefix-caching \
    --gpu-memory-utilization 0.95 \
    --enforce-eager \
    --speculative-config '{"method": "eagle3", "model":"lightseekorg/kimi-k2.6-eagle3", "num_speculative_tokens": 1}' \
    --mm-encoder-tp-mode data \
    --kv-transfer-config \
    '{"kv_connector": "MooncakeConnectorV1",
    "kv_role": "kv_producer",
    "kv_port": "30100",
    "engine_id": "1",
    "kv_connector_extra_config": {
            "prefill": {
                    "dp_size": 4,
                    "tp_size": 4
            },
            "decode": {
                    "dp_size": 8,
                    "tp_size": 4
            }
        }
    }'

节点0（Decode）

# this obtained through ifconfig
# nic_name is the network interface name corresponding to local_ip of the current node
nic_name="xxx"
local_ip="141.xx.xx.3"

# 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

# [Optional] jemalloc
# jemalloc is for better performance, if `libjemalloc.so` is installed on your machine, you can turn it on.
export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD
echo performance | tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor
sysctl -w vm.swappiness=0
sysctl -w kernel.numa_balancing=0
sysctl kernel.sched_migration_cost_ns=50000
export VLLM_RPC_TIMEOUT=3600000
export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000

export HCCL_OP_EXPANSION_MODE="AIV"
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export TASK_QUEUE_ENABLE=1
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

export HCCL_BUFFSIZE=800
export VLLM_ASCEND_ENABLE_MLAPO=1
export ASCEND_RT_VISIBLE_DEVICES=$1

vllm serve Eco-Tech/Kimi-K2.6-W4A8 \
    --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 \
    --quantization ascend \
    --served-model-name kimi_k26 \
    --trust-remote-code \
    --max-num-seqs 8 \
    --max-model-len 32768 \
    --max-num-batched-tokens 32 \
    --no-enable-prefix-caching \
    --gpu-memory-utilization 0.91 \
    --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
    --additional-config '{"recompute_scheduler_enable":true,"multistream_overlap_shared_expert": false}' \
    --speculative-config '{"method": "eagle3", "model":"lightseekorg/kimi-k2.6-eagle3", "num_speculative_tokens": 3}' \
    --kv-transfer-config \
    '{"kv_connector": "MooncakeConnectorV1",
    "kv_role": "kv_consumer",
    "kv_port": "30200",
    "engine_id": "2",
    "kv_connector_extra_config": {
            "prefill": {
                    "dp_size": 4,
                    "tp_size": 4
            },
            "decode": {
                    "dp_size": 8,
                    "tp_size": 4
            }
        }
    }'

节点1（Decode）

# this obtained through ifconfig
# nic_name is the network interface name corresponding to local_ip of the current node
nic_name="xxx"
local_ip="141.xx.xx.4"

# 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

# [Optional] jemalloc
# jemalloc is for better performance, if `libjemalloc.so` is installed on your machine, you can turn it on.
export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD
echo performance | tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor
sysctl -w vm.swappiness=0
sysctl -w kernel.numa_balancing=0
sysctl kernel.sched_migration_cost_ns=50000
export VLLM_RPC_TIMEOUT=3600000
export VLLM_EXECUTE_MODEL_TIMEOUT_SECONDS=30000

export HCCL_OP_EXPANSION_MODE="AIV"
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export TASK_QUEUE_ENABLE=1
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

export HCCL_BUFFSIZE=1100
export VLLM_ASCEND_ENABLE_MLAPO=1
export ASCEND_RT_VISIBLE_DEVICES=$1

vllm serve Eco-Tech/Kimi-K2.6-W4A8 \
    --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 \
    --quantization ascend \
    --served-model-name kimi_k26 \
    --trust-remote-code \
    --max-num-seqs 8 \
    --max-model-len 32768 \
    --max-num-batched-tokens 4 \
    --no-enable-prefix-caching \
    --gpu-memory-utilization 0.91 \
    --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
    --additional-config '{"recompute_scheduler_enable":true,"multistream_overlap_shared_expert": false}' \
    --speculative-config '{"method": "eagle3", "model":"lightseekorg/kimi-k2.6-eagle3", "num_speculative_tokens": 3}' \
    --kv-transfer-config \
    '{"kv_connector": "MooncakeConnectorV1",
    "kv_role": "kv_consumer",
    "kv_port": "30300",
    "engine_id": "3",
    "kv_connector_extra_config": {
            "prefill": {
                    "dp_size": 4,
                    "tp_size": 4
            },
            "decode": {
                    "dp_size": 8,
                    "tp_size": 4
            }
        }
    }'

关键参数说明：

VLLM_ASCEND_ENABLE_FLASHCOMM1=1：在prefill节点上启用通信优化功能。
VLLM_ASCEND_ENABLE_MLAPO=1：启用融合算子，可显著提升性能但会消耗更多NPU内存。在Prefill-Decode（PD）分离场景中，仅在decode节点上启用MLAPO。
recompute_scheduler_enable: true：启用重计算调度器。当decode节点的键值缓存（KV Cache）不足时，请求将被发送到prefill节点以重新计算KV Cache。在PD分离场景中，仅在decode节点上启用此配置。
multistream_overlap_shared_expert: true：当张量并行（TP）大小为1或enable_shared_expert_dp: true时，启用额外流以重叠共享专家的计算过程，从而提高效率。

为每个节点运行服务器：

# p0
python launch_online_dp.py --dp-size 4 --tp-size 4 --dp-size-local 4 --dp-rank-start 0 --dp-address 141.xx.xx.1 --dp-rpc-port 12321 --vllm-start-port 7100
# p1
python launch_online_dp.py --dp-size 4 --tp-size 4 --dp-size-local 4 --dp-rank-start 0 --dp-address 141.xx.xx.2 --dp-rpc-port 12321 --vllm-start-port 7100
# d0
python launch_online_dp.py --dp-size 8 --tp-size 4 --dp-size-local 8 --dp-rank-start 0 --dp-address 141.xx.xx.3 --dp-rpc-port 12321 --vllm-start-port 7100
# d1
python launch_online_dp.py --dp-size 8 --tp-size 4 --dp-size-local 8 --dp-rank-start 8 --dp-address 141.xx.xx.3 --dp-rpc-port 12321 --vllm-start-port 7100

在prefill主节点上运行proxy.sh脚本

在与prefiller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

python load_balance_proxy_server_example.py \
  --port 1999 \
  --host 141.xx.xx.1 \
  --prefiller-hosts \
xx.xx.1 \
xx.xx.1 \
xx.xx.1 \
xx.xx.1 \
xx.xx.2 \
xx.xx.2 \
xx.xx.2 \
xx.xx.2 \
  --prefiller-ports \
7101 7102 7103 7100 7101 7102 7103 \
  --decoder-hosts \
xx.xx.3 \
xx.xx.3 \
xx.xx.3 \
xx.xx.3 \
xx.xx.4 \
xx.xx.4 \
xx.xx.4 \
xx.xx.4 \
  --decoder-ports \
7101 7102 7103 \
7101 7102 7103 \

cd vllm-ascend/examples/disaggregated_prefill_v1/
bash proxy.sh

部署验证：

PD分离服务完全启动后，通过prefill主节点上的代理端口发送请求，验证Prefill和Decode节点是否协同工作正常：

curl http://141.xx.xx.1:1999/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "kimi_k26",
        "messages": [{
            "role": "user",
            "content": [
            {
                "type": "text",
                "text": "The future of AI is"
            }]
        }],
        "max_tokens": 1024,
        "temperature": 1.0,
        "top_p": 0.95
    }'

预期结果：

代理返回HTTP 200 OK。JSON响应中包含带有生成文本的choices字段，确认Prefill节点已成功处理提示，Decode节点已生成响应：

{
    "id": "chatcmpl-xxxxxxxxxxxxx",
    "object": "chat.completion",
    "model": "kimi_k26",
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "The future of AI is not a destination we are passively approaching...",
                "finish_reason": "length"
            }
        }
    ],
    "usage": {
        "prompt_tokens": 13,
        "total_tokens": 1037,
        "completion_tokens": 1024
    }
}

常见问题提示：如果遇到PD分离部署问题，请参考公共FAQ进行故障排除。

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/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "kimi_k26",
        "messages": [{
            "role": "user",
            "content": [
            {
                "type": "text",
                "text": "The future of AI is"
            }]
        }],
        "max_tokens": 1024,
        "temperature": 1.0,
        "top_p": 0.95
    }'

预期结果：

服务返回HTTP 200 OK。JSON响应中包含choices字段，其中包含生成的文本以及使用统计信息：

{
    "id": "chatcmpl-9df13fd5e539af93",
    "object": "chat.completion",
    "created": 1780971952,
    "model": "kimi_k26",
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": "The future of AI is not a destination we are passively approaching, but a design problem we are actively solving right now...",
                "reasoning": "The user is asking for my thoughts on...",
                "finish_reason": "length"
            }
        }
    ],
    "usage": {
        "prompt_tokens": 13,
        "total_tokens": 1037,
        "completion_tokens": 1024
    }
}

7 精度评估#

以下是一种精度评估方法。

使用AISBench#

详情请参考使用AISBench。
执行后可获取结果。以下为vllm-ascend:v0.20.0rc1中Kimi-K2.6-w4a8的结果，仅供参考。

数据集	版本	指标	模式	vllm-api-general-chat	备注
AIME2026	-	准确率	生成	90.00	1 Atlas 800 A3 (64G × 16)
GPQA	-	准确率	生成	89.90	1 Atlas 800 A3 (64G × 16)
MMMU	-	准确率	生成	82.67	1 Atlas 800 A3 (64G × 16)

8 性能评估#

使用AISBench#

详情请参考使用AISBench进行性能评估。

使用vLLM基准测试#

以Kimi-K2.6-w4a8为例运行性能评估。

更多详情请参考vllm基准测试。

vllm bench包含三个子命令：

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，运行代码如下。

vllm bench serve --model Eco-Tech/Kimi-K2.6-w4a8 --dataset-name random --random-input 1024 --num-prompts 200 --request-rate 1 --save-result --result-dir ./

大约几分钟后，即可获取性能评估结果。

9 性能调优#

9.1 推荐配置#

注意：以下配置在特定测试环境中验证，仅供参考。最佳配置取决于最大输入/输出长度、前缀缓存命中率、精度要求以及部署机器比例等因素。建议根据实际情况参考第9.2节进行调优。

表1：场景概览#

*总NPU数表示所有节点使用的NPU总数。1节点 = 1台Atlas 800 A3服务器（64G × 16 NPU）。

场景	部署模式	*总NPU数	权重版本	关键考量
高吞吐量（16k输入）	单节点混合	16 (A3)	kimi-k2.6-w4a8	使用dp2 tp8以平衡内存容量和计算效率
高吞吐量（16k输入）	1P1D部署	32 (A3)	kimi-k2.6-w4a8	P节点和D节点均使用dp2 tp8；平衡延迟和吞吐量
高吞吐量（16k输入）	2P1D部署	64 (A3)	kimi-k2.6-w4a8	跨节点从dp4 tp4扩展到dp8 tp4
长上下文（128k，无前缀缓存）	单节点混合	16 (A3)	kimi-k2.6-w4a8	使用dp1 tp16最大化TP，适应极端上下文长度
长上下文（128k，带前缀缓存）	单节点混合	16 (A3)	kimi-k2.6-w4a8	使用dp2 tp8优化内存带宽并提高缓存利用率
多模态（1080P）	单节点混合	16 (A3)	kimi-k2.6-w4a8	使用dp1 tp16处理高分辨率视觉输入
多模态（1080P）	1P1D部署	32 (A3)	kimi-k2.6-w4a8	根据内存和并发情况使用dp2 tp8或dp16 tp1
多模态（1080P）	2P1D部署	64 (A3)	kimi-k2.6-w4a8	使用dp8 tp2到dp32 tp1，最大化重多模态工作负载的吞吐量

表2：详细节点配置#

场景	配置	NPU数	TP	DP	最大模型长度	MTP推测数量
高吞吐量/低延迟（16k）	服务器/单机	16	8	2	17k	15
高吞吐量/低延迟（16k）	服务器-P节点	16	8	2	17k	3
高吞吐量/低延迟（16k）	服务器-D节点	16	8	2	17k	3
长上下文（128k，无缓存）	服务器/单机	16	16	1	130k	15
长上下文（128k，带缓存）	服务器/单机	16	8	2	130k	15
多模态（1080P）	服务器/单机	16	16	1	17k	15
多模态（1080P）	服务器-P节点	16	8	2	17k	3
多模态（1080P）	服务器-D节点	16	1	16	17k	3

完整的启动命令和参数说明请参考第5章中的部署示例。

注意： max-model-len和max-num-seqs需要根据实际使用场景设置。其他设置请参考**部署**章节。

9.2 调优指南#

调优方法请参考公共性能调优文档。

详细功能描述请参考功能矩阵。

10 常见问题#

常见环境、安装和通用参数问题请参考公共FAQ；本章仅涵盖模型特定问题。

问：tool_calls功能需要什么transformer版本？

答：要使用tool_calls功能，请确保您的transformers版本为4.57.6或更低。如果vllm-ascend已升级到v0.21或更高版本，则此要求不再适用。