Kimi-K2.6

1 简介

Kimi K2.6 是一个开源的原生多模态智能体模型，基于 Kimi-K2-Base，通过在大约 15 万亿混合视觉和文本 token 上进行持续预训练构建而成。它无缝集成了视觉与语言理解能力，具备高级智能体能力、即时与思考模式，以及对话与智能体范式。

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）在此版本中首次获得支持。

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方法。

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（一种投机解码框架，利用轻量级块扩散模型进行并行草稿生成）：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，需要按照验证多节点通信环境中的说明验证多节点通信。

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A2 系列

在每个节点上启动 docker 镜像。

export IMAGE=quay.io/ascend/vllm-ascend:|vllm_ascend_version|-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

在每个节点上启动 docker 镜像。

export IMAGE=quay.io/ascend/vllm-ascend:|vllm_ascend_version|
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 运行成功后，可以通过执行 docker ps 命令验证正在运行的容器服务。

4.2 源码安装

如果您不想使用上述 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，需要在每个节点上进行环境设置。

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=600
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export VLLM_ASCEND_BALANCE_SCHEDULING=0

vllm serve Eco-Tech/Kimi-K2.6-W4A8 \
    --quantization ascend \
    --tool-call-parser kimi_k2 \
    --reasoning-parser kimi_k2 \
    --allowed-local-media-path / \
    --served-model-name kimi_k26 \
    --trust-remote-code \
    --tensor-parallel-size 4 \
    --data-parallel-size 4 \
    --no-enable-prefix-caching \
    --enable-expert-parallel \
    --port 8089 \
    --max-num-seqs 4 \
    --max-model-len 34816 \
    --max-num-batched-tokens 16384 \
    --gpu-memory-utilization 0.87 \
    --seed 42 \
    --async-scheduling \
    --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \
    --profiler-config '{"profiler": "torch", "torch_profiler_dir": "./vllm_profile", "torch_profiler_with_stack": true}' \
    --mm-processor-cache-gb 0 \
    --mm-encoder-tp-mode data \
    --additional-config '{"enable_balance_scheduling": true}' \
    --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 可启用平衡调度。这可能有助于在 v1 调度器中提高输出吞吐量并降低 TPOT。然而，在某些场景下 TTFT 可能会变差。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 的值已足够；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，建议使用 data。
• 如果使用 w4a8 权重，更多内存将分配给 kvcache，您可以尝试增加系统吞吐量以获得更大的吞吐量。

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，JSON 响应中包含 choices 字段。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。

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

1. 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阶段会抢占并中断正在进行的Decode任务，导致抖动和更高的每个输出Token延迟（TPOT）。
2. 资源分配不灵活：Prefill和Decode具有根本不同的计算特性——Prefill受计算能力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）分离通过将Prefill和Decode运行在专用的节点组上（每组独立配置）来解决这些问题：

• **Prefill节点**专注于高吞吐量的提示处理，针对计算和通信进行了优化（例如，启用FlashComm以加速Allreduce）。

• **Decode节点**专注于低延迟的Token生成，针对内存带宽进行了优化（例如，启用MLAPO融合算子）。

此架构推荐用于具有并发多用户工作负载的生产部署，其中需要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情况下没有足够的NPU内存来支持高并发。

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

要运行vllm-ascend的Prefill-Decode Disaggregation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，默认值为--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。

1. run_dp_template.sh脚本

节点0(Prefill)节点1(Prefill)节点0(Decode)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.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_EXEC_TIMEOUT=204
export HCCL_CONNECT_TIMEOUT=120

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 ASCEND_BUFFER_POOL=4:8
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

export HCCL_BUFFSIZE=1536
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 1 \
    --max-model-len 133120 \
    --max-num-batched-tokens 16384 \
    --no-enable-prefix-caching \
    --gpu-memory-utilization 0.92 \
    --enforce-eager \
    --enable-auto-tool-choice \
    --tool-call-parser kimi_k2 \
    --reasoning-parser kimi_k2 \
    --additional-config '{"recompute_scheduler_enable":true,"enable_shared_expert_dp": true}' \
    --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": {
            "use_ascend_direct": true,
            "prefill": {
                    "dp_size": 4,
                    "tp_size": 4
            },
            "decode": {
                    "dp_size": 8,
                    "tp_size": 4
            }
        }
    }'

# 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_EXEC_TIMEOUT=204
export HCCL_CONNECT_TIMEOUT=120

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 ASCEND_BUFFER_POOL=4:8
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

export HCCL_BUFFSIZE=1536
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 1 \
    --max-model-len 133120 \
    --max-num-batched-tokens 16384 \
    --no-enable-prefix-caching \
    --gpu-memory-utilization 0.92 \
    --enforce-eager \
    --enable-auto-tool-choice \
    --tool-call-parser kimi_k2 \
    --reasoning-parser kimi_k2 \
    --additional-config '{"recompute_scheduler_enable":true,"enable_shared_expert_dp": true}' \
    --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
            }
        }
    }'

# 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 HCCL_EXEC_TIMEOUT=204
export HCCL_CONNECT_TIMEOUT=120
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 ASCEND_BUFFER_POOL=4:8
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 133720 \
    --max-num-batched-tokens 32 \
    --no-enable-prefix-caching \
    --gpu-memory-utilization 0.91 \
    --enable-auto-tool-choice \
    --tool-call-parser kimi_k2 \
    --reasoning-parser kimi_k2 \
    --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
    --additional-config '{"recompute_scheduler_enable":true,"multistream_overlap_shared_expert": true}' \
    --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
            }
        }
    }'

# 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 HCCL_EXEC_TIMEOUT=204
export HCCL_CONNECT_TIMEOUT=120
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 ASCEND_BUFFER_POOL=4:8
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 133720 \
    --max-num-batched-tokens 32 \
    --no-enable-prefix-caching \
    --gpu-memory-utilization 0.91 \
    --enable-auto-tool-choice \
    --tool-call-parser kimi_k2 \
    --reasoning-parser kimi_k2 \
    --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY"}' \
    --additional-config '{"recompute_scheduler_enable":true,"multistream_overlap_shared_expert": true}' \
    --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，可以显著提升性能但会消耗更多NPU内存。在Prefill-Decode（PD）分离场景下，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节点重新计算KV Cache。在PD分离场景下，建议同时在prefill和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，启用额外的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 4 --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 4 --dp-rank-start 4 --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 \
      141.xx.xx.1 \
      141.xx.xx.1 \
      141.xx.xx.1 \
      141.xx.xx.1 \
      141.xx.xx.2 \
      141.xx.xx.2 \
      141.xx.xx.2 \
      141.xx.xx.2 \
    --prefiller-ports \
      7100 7101 7102 7103 7100 7101 7102 7103 \
    --decoder-hosts \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.3 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
      141.xx.xx.4 \
    --decoder-ports \
      7100 7101 7102 7103 \
      7100 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节点是否正确协同工作：

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：如果您遇到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响应包含带有生成文本的choices字段，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

这里提供一种精度评估方法。

使用 AISBench

1. 详情请参考使用AISBench。

2. 执行后即可获得结果。以下为Kimi-K2.6-w4a8中vllm-ascend:v0.20.0rc1的结果，仅供参考。

数据集	版本	指标	模式	vllm-api-general-chat	备注
AIME2026	-	accuracy	gen	90.00	1 Atlas 800 A3 (64G × 16)
GPQA	-	accuracy	gen	89.90	1 Atlas 800 A3 (64G × 16)
MMMU	-	accuracy	gen	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 Benchmark

以 Kimi-K2.6-w4a8 为例运行性能评估。

更多详情请参考 vllm benchmark。

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，按如下方式运行代码。

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，即可获得性能评估结果。

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

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

场景	部署模式	*NPU总数	权重版本	关键考量
高吞吐 (16K输入)	单节点混合	16 (A3)	kimi-k2.6-w4a8	使用dp2 tp8平衡内存容量和计算效率
高吞吐 (16K输入)	1P1D部署	32 (A3)	kimi-k2.6-w4a8	P和D节点均使用dp2 tp8；平衡延迟和吞吐量
高吞吐 (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	dp1 tp16最大化TP，适应极端上下文长度
长上下文 (128K，有前缀缓存)	单节点混合	16 (A3)	kimi-k2.6-w4a8	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	dp1 tp16用于高分辨率视觉输入
多模态 (1080P)	1P1D部署	32 (A3)	kimi-k2.6-w4a8	dp2 tp8或dp16 tp1，取决于内存和并发度
多模态 (1080P)	2P1D部署	64 (A3)	kimi-k2.6-w4a8	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
High Throughput / Low Latency (16K)	Server / Single Machine	16	8	2	17K	15
High Throughput / Low Latency (16K)	Server-P Node	16	8	2	17K	3
High Throughput / Low Latency (16K)	Server-D Node	16	8	2	17K	3
Long Context (128K, no cache)	Server / Single Machine	16	16	1	130K	15
Long Context (128K, with cache)	Server / Single Machine	16	8	2	130K	15
Multimodal (1080P)	Server / Single Machine	16	16	1	17K	15
Multimodal (1080P)	Server-P Node	16	8	2	17K	3
Multimodal (1080P)	Server-D Node	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指南。

10 常见问题

常见的环境、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 功能需要什么版本的 transformers？

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。