Qwen3.6-35B-A3B#

1 简介#

Qwen3.6-35B-A3B 是 Qwen3.6 系列中的稀疏 MoE 模型,总参数量为 35B,每个 token 激活约 3B 参数。它采用了 Qwen3.5 风格模型使用的混合注意力架构,适用于在昇腾硬件上进行长上下文在线服务。

本文档描述了该模型的主要验证步骤,包括支持特性、前提条件、安装、单节点在线部署、功能验证、精度与性能评估、性能调优以及常见问题解答。

Qwen3.6-35B-A3B 模型首次在 vllm-ascend:v0.18.0rc1 中得到支持。请使用 v0.18.0rc1 或更高版本来运行此模型。以下示例使用了文档构建系统配置的版本占位符。

2 支持特性#

请参阅支持的功能获取模型的支持功能矩阵,包括BF16、W8A8量化、分块预填充、自动前缀缓存、异步调度、张量并行、专家并行和ACLGraph支持。

请参考特性指南获取特性配置详情。

3 前提条件#

3.1 模型权重#

  • Qwen3.6-35B-A3B(BF16版本):需要1个Atlas A3推理产品(64G x 16)节点、1个Atlas A2推理产品(64G x 8)节点,或Atlas 300I DUO。下载模型权重。

  • Qwen3.6-35B-A3B-w8a8(量化版本):需要1个Atlas A3推理产品(64G x 16)节点、1个Atlas A2推理产品(64G x 8)节点,或Atlas 300I DUO。下载模型权重。

建议将模型权重下载到 /root/.cache/ 目录。

4 安装#

4.1 Docker 镜像安装#

根据您的机器类型选择镜像。例如,Atlas A2推理产品使用quay.io/ascend/vllm-ascend:|vllm_ascend_version|,Atlas A3推理产品使用quay.io/ascend/vllm-ascend:|vllm_ascend_version|-a3,Atlas 300I DUO使用quay.io/ascend/vllm-ascend:|vllm_ascend_version|-310p。

请参考使用 Docker获取完整的安装指南。

# Download the model weight to /root/.cache in advance.
export IMAGE=quay.io/ascend/vllm-ascend:v0.23.0.post1-a3
export NAME=vllm-ascend

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/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
# Download the model weight to /root/.cache in advance.
export IMAGE=quay.io/ascend/vllm-ascend:v0.23.0.post1
export NAME=vllm-ascend

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
# Use the vllm-ascend image
export IMAGE=quay.io/ascend/vllm-ascend:v0.23.0.post1-310p

docker run --rm \
--name vllm-ascend \
--shm-size=10g \
--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/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 \
-p 8080:8080 \
-it $IMAGE bash

进入容器后,验证 vLLM 和 vLLM-Ascend 是否可以导入:

python -c "import vllm, vllm_ascend; print('vllm and vllm_ascend are ready')"

4.2 源码安装#

您也可以从源码构建并安装 vllm-ascend。请参考使用 Python 设置。

备注

对于Atlas 300I DUO,源码安装可能会引入triton和triton-ascend。在Atlas 300I DUO上运行vLLM-Ascend之前,请先卸载它们:

pip uninstall -y triton-ascend triton

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上运行Prefill和Decode。Qwen3.6-35B-A3B-w8a8可以部署在1个Atlas A3推理产品(64G x 16)或1个Atlas A2推理产品(64G x 8)或Atlas 300I DUO上。W8A8版本需要--quantization ascend。

运行以下脚本在 1 个 Atlas A3 推理产品(64G x 16)上执行最长 262144 上下文长度的在线推理。

#!/bin/sh

# Load model from ModelScope to speed up download.
export VLLM_USE_MODELSCOPE=True

# Reduce memory fragmentation and avoid out-of-memory errors.
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True

export HCCL_OP_EXPANSION_MODE="AIV"
export HCCL_BUFFSIZE=1024
export OMP_NUM_THREADS=1
export TASK_QUEUE_ENABLE=1
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 LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD

vllm serve Eco-Tech/Qwen3.6-35B-A3B-w8a8 \
  --host 0.0.0.0 \
  --port 8000 \
  --data-parallel-size 1 \
  --tensor-parallel-size 2 \
  --enable-expert-parallel \
  --seed 1024 \
  --quantization ascend \
  --served-model-name qwen3.6 \
  --max-num-seqs 128 \
  --max-model-len 262144 \
  --max-num-batched-tokens 16384 \
  --trust-remote-code \
  --gpu-memory-utilization 0.90 \
  --enable-prefix-caching \
  --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \
  --additional-config '{"enable_cpu_binding":true, "enable_flashcomm1":true, "multistream_overlap_shared_expert": true}' \
  --async-scheduling

关键参数:

  • --data-parallel-size 1 和 --tensor-parallel-size 2 为默认的单节点服务示例设置 DP 和 TP。

  • --enable-expert-parallel 为 MoE 层启用专家并行。不要在同一个 MoE 层中混合使用 MoE 张量并行和专家并行。

  • --max-model-len 是单个请求的最大输入加输出长度。仅在 KV 缓存充足时增加此值。

  • --max-num-seqs 是每个 DP 组调度的最大活跃请求数。对于性能测试,请将 --max-num-seqs * --data-parallel-size 设置为大于或等于测试并发数。

  • --max-num-batched-tokens 是单个调度步骤中处理的最大 token 数。较大的值可以提高预填充效率,但会消耗更多激活内存。

  • --gpu-memory-utilization 控制 vLLM 可用于计算 KV 缓存容量的 HBM 比例。较高的值会增加 KV 缓存大小,但如果运行时内存高于 profile 运行时的内存,可能会触发 OOM。

  • --enable-prefix-caching 启用前缀缓存。对于长上下文服务,请监控内存使用情况,因为前缀缓存可能会增加 KV 缓存压力。

  • --quantization ascend 为 W8A8 模型启用昇腾量化。部署 BF16 模型时请移除该选项。

  • --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' 启用全解码 ACLGraph 重放以减少调度开销。

  • --additional-config 启用昇腾特定的优化。enable_flashcomm1 启用 FlashComm1,multistream_overlap_shared_expert 重叠共享专家计算,enable_cpu_binding 启用昇腾原生 CPU 绑定。

  • --async-scheduling 启用异步调度,可提升高并发吞吐量。

export VLLM_USE_MODELSCOPE=True
export ASCEND_RT_VISIBLE_DEVICES=0,1

vllm serve Eco-Tech/Qwen3.6-35B-A3B-w8a8 \
  --host 127.0.0.1 \
  --port 8080 \
  --tensor-parallel-size 2 \
  --gpu-memory-utilization 0.90 \
  --max-num-seqs 16 \
  --served-model-name qwen3.6 \
  --dtype float16 \
  --additional-config '{"ascend_compilation_config": {"enable_npugraph_ex":false}}' \
  --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY", "cudagraph_capture_sizes": [1,8]}' \
  --quantization ascend \
  --max-model-len 20480 \
  --no-enable-prefix-caching

关键参数:

  • --tensor-parallel-size 2 将模型映射到两个Atlas推理设备上。请根据可用设备和内存,结合 ASCEND_RT_VISIBLE_DEVICES 进行调整。

  • --dtype float16用于Atlas 300I DUO,以匹配Atlas推理执行路径。

  • --max-num-seqs 16限制并发活动请求数,以减少Atlas 300I DUO上的KV缓存和图捕获压力。

  • --gpu-memory-utilization 控制KV缓存容量。如果启动或运行时请求报告OOM,请减小该值。

  • --additional-config需要包含"ascend_compilation_config": {"enable_npugraph_ex": false},因为Atlas 300I DUO不支持enable_npugraph_ex。

  • --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY", "cudagraph_capture_sizes": [1,2,4,8,16]}'为Atlas 300I DUO启用decode ACLGraph重放,并显式限制捕获大小。

  • --no-enable-prefix-caching是此Atlas 300I DUO示例的默认建议,以减少内存压力。

  • --quantization ascend 为 W8A8 模型启用昇腾量化。部署 BF16 模型时请移除该选项。

  • 要启用MTP推测解码,请使用 --speculative_config '{"method": "mtp", "num_speculative_tokens": 1}'。建议将 num_speculative_tokens 设置为1。

常见问题提示:如果服务启动失败、HBM不足或请求未按预期调度,请先参考常见问题,然后查看第10节中的模型特定FAQ。

6 功能验证#

服务器启动后,发送请求以验证模型基本功能。

curl http://<server_ip>:<port>/v1/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3.6",
    "prompt": "The future of AI is",
    "max_tokens": 50,
    "temperature": 0
  }'

预期结果:HTTP状态码为200,JSON响应包含带有生成文本的 choices 字段。

7 精度评估#

以下是两种精度评估方法。

7.1 使用AISBench#

详情请参考使用AISBench。执行后,可获得 Qwen3.6-35B-A3B-w8a8 的精度结果。

数据集

版本

指标

模式

vllm-api-general-chat

mmmu

-

准确率

生成

83.3

gpqa

-

准确率

生成

83.3

7.2 使用Language Model Evaluation Harness#

安装和使用详情请参考使用lm_eval。使用在线服务时,将 base_url 设置为第5节中启动的端点。

lm_eval \
  --model local-completions \
  --model_args model=qwen3.6,base_url=http://127.0.0.1:8000/v1/completions,tokenized_requests=False,trust_remote_code=True \
  --tasks gsm8k \
  --output_path ./

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#

以 Qwen3.6-35B-A3B-w8a8 的性能评估为例。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:

export VLLM_USE_MODELSCOPE=True

vllm bench serve \
  --model Eco-Tech/Qwen3.6-35B-A3B-w8a8 \
  --served-model-name qwen3.6 \
  --dataset-name random \
  --random-input 200 \
  --num-prompts 200 \
  --request-rate 1 \
  --save-result \
  --result-dir ./

几分钟后,即可获得性能评估结果。

9 性能调优#

9.2 调优指南#

通用调优方法请参考公开性能调优文档,功能描述请参考特性矩阵。

推荐调优顺序:

  1. 使用单节点部署。如需更高吞吐量,在同一节点内增加本地DP组。

  2. 使用--max-model-len选择最大上下文长度。长上下文会增加KV缓存使用量,若发生OOM,请减小--max-num-seqs或--gpu-memory-utilization。

  3. 调优--max-num-batched-tokens。较大的值通常能提升预填充吞吐量,但会增加激活内存。解码密集型工作负载通常需要较小的值。

  4. 根据服务并发度调优--max-num-seqs。超过此值的请求将在队列中等待,等待时间计入TTFT和TPOT。

  5. 调优--gpu-memory-utilization。增大该值可提供更多KV缓存,但需预留空间应对运行时内存波动和专家不均衡。

  6. 调优ACLGraph捕获。解码推荐使用FULL_DECODE_ONLY。若手动设置cudagraph_capture_sizes,请包含常见的解码批处理大小。使用FlashComm1时,捕获大小应为TP大小的倍数。

9.3 模型特定优化#

优化项

启用方式

收益

说明

混合注意力支持

由模型实现启用

支持Qwen3.6长上下文推理。

根据KV缓存容量调整上下文长度。

全解码ACLGraph

--compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}'

减少算子调度开销,稳定解码性能。

推荐用于解码密集型服务。

FlashComm1

--additional-config '{"enable_flashcomm1": true}'

减少TP和高并发场景下的通信开销。

可能对低并发工作负载无效。

共享专家重叠

--additional-config '{"multistream_overlap_shared_expert": true}'

在MoE工作负载中重叠共享专家计算。

推荐用于吞吐量场景。

异步调度

--async-scheduling

通过非阻塞调度提升高并发吞吐量。

若工作负载对延迟敏感,请禁用并对比效果。

前缀缓存

--enable-prefix-caching

提升重复前缀工作负载性能。

对于长上下文工作负载,请监控HBM使用量。

Qwen3.6 MTP推测解码

--speculative-config '{"method": "qwen3_5_mtp", "num_speculative_tokens": 3, "enforce_eager": true}'

在稳定且接受token数量高时,可提升解码吞吐量。

请验证工作负载的稳定性、TTFT、TPOT和吞吐量。

10 常见问题#

常见环境、安装和通用参数问题请参考常见问题。本节仅涵盖Qwen3.6-35B-A3B的模型特定问题。

Q1:为什么服务在启动时或刚接受请求后报告OOM?#

现象: 服务在profile运行期间失败,或启动成功但在真实流量到达时报告OOM。

原因: Qwen3.6长上下文服务消耗大量KV缓存。较大的--max-model-len、--max-num-seqs、--max-num-batched-tokens或较高的--gpu-memory-utilization可能导致HBM预留空间不足。

解决方案: 尽可能使用带--quantization ascend的W8A8模型,降低--max-model-len、--max-num-seqs、--max-num-batched-tokens,或减小--gpu-memory-utilization。保持PYTORCH_NPU_ALLOC_CONF=expandable_segments:True。

Q2:为什么启用前缀缓存后性能没有提升?#

现象: 已启用前缀缓存,但吞吐量或延迟没有改善。

原因: 前缀缓存仅在请求共享可重用前缀时有效。对于随机提示或缓存命中率低的情况,它可能增加内存压力而无明显收益。

解决方案: 对重复前缀工作负载启用前缀缓存。对于随机基准数据集或内存受限的长上下文工作负载,请与--no-enable-prefix-caching对比。

Q3:如何为Qwen3.6调优异步调度?#

现象: 高并发场景下吞吐量提升,但某些延迟敏感型工作负载可能无法受益。

原因: 异步调度减少了阻塞开销,但收益取决于并发度、提示/输出长度和图捕获形状。

解决方案: 高吞吐量服务使用--async-scheduling。对于低延迟服务,请对比启用和禁用此选项时的TTFT和TPOT。