Qwen3-235B-A22B

Qwen3-235B-A22B#

简介#

Qwen3 是通义千问系列最新一代大语言模型，提供全面的稠密和混合专家（MoE）模型。基于大规模训练，Qwen3 在推理、指令遵循、智能体能力和多语言支持方面取得了突破性进展。

本文档将展示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、精度评估和性能评估。

Qwen3-235B-A22B 模型从 vllm-ascend:v0.8.4rc2 版本开始首次支持。

支持的特性#

请参阅支持的特性矩阵获取模型支持的特性列表。

请参阅特性指南获取特性的配置方法。

环境准备#

模型权重#

  • Qwen3-235B-A22B（BF16 版本）：需要 1 个 Atlas 800 A3（64G × 16）节点、1 个 Atlas 800 A2（64G × 8）节点或 2 个 Atlas 800 A2（32G × 8）节点。下载模型权重

  • Qwen3-235B-A22B-w8a8（量化版本）：需要 1 个 Atlas 800 A3（64G × 16）节点、1 个 Atlas 800 A2（64G × 8）节点或 2 个 Atlas 800 A2（32G × 8）节点。下载模型权重

建议将模型权重下载到多节点共享目录，例如 /root/.cache/。

验证多节点通信（可选）#

如果要部署多节点环境，需要按照验证多节点通信环境验证多节点通信。

安装#

例如，使用镜像 quay.io/ascend/vllm-ascend:v0.11.0rc2（适用于 Atlas 800 A2）和 quay.io/ascend/vllm-ascend:v0.11.0rc2-a3（适用于 Atlas 800 A3）。

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 安装。

  # Update --device according to your device (Atlas A2: /dev/davinci[0-7] Atlas A3:/dev/davinci[0-15]).
  # Update the vllm-ascend image according to your environment.
  # Note you should download the weight to /root/.cache in advance.
  # Update the vllm-ascend image
  export IMAGE=m.daocloud.io/quay.io/ascend/vllm-ascend:v0.20.2rc1
  export NAME=vllm-ascend

  # Run the container using the defined variables
  # Note: If you are running bridge network with docker, please expose available ports for multiple nodes communication in advance.
  docker run --rm \
  --name $NAME \
  --net=host \
  --shm-size=1g \
  --device /dev/davinci0 \
  --device /dev/davinci1 \
  --device /dev/davinci2 \
  --device /dev/davinci3 \
  --device /dev/davinci4 \
  --device /dev/davinci5 \
  --device /dev/davinci6 \
  --device /dev/davinci7 \
  --device /dev/davinci_manager \
  --device /dev/devmm_svm \
  --device /dev/hisi_hdc \
  -v /usr/local/dcmi:/usr/local/dcmi \
  -v /usr/local/Ascend/driver/tools/hccn_tool:/usr/local/Ascend/driver/tools/hccn_tool \
  -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
  -v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
  -v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
  -v /etc/ascend_install.info:/etc/ascend_install.info \
  -it $IMAGE bash

您可以从源码构建所有组件。

如果要部署多节点环境，需要在每个节点上设置环境。

部署#

单节点部署#

Qwen3-235B-A22B 和 Qwen3-235B-A22B-w8a8 都可以部署在 1 台 Atlas 800 A3（64G16）或 1 台 Atlas 800 A2（64G8）上。量化版本需要使用 --quantization ascend 参数启动。

运行以下脚本执行 128k 长度的在线推理。

#!/bin/sh
# Load model from ModelScope to speed up download
export VLLM_USE_MODELSCOPE=True
# To reduce memory fragmentation and avoid out of memory
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=512
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export TASK_QUEUE_ENABLE=1

vllm serve vllm-ascend/Qwen3-235B-A22B-w8a8 \
--host 0.0.0.0 \
--port 8000 \
--tensor-parallel-size 8 \
--data-parallel-size 1 \
--seed 1024 \
--quantization ascend \
--served-model-name qwen3 \
--max-num-seqs 32 \
--max-model-len 133000 \
--max-num-batched-tokens 8096 \
--enable-expert-parallel \
--trust-remote-code \
--gpu-memory-utilization 0.95 \
--hf-overrides '{"rope_parameters": {"rope_type":"yarn","rope_theta":1000000,"factor":4,"original_max_position_embeddings":32768}}' \
--compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \

注意：

  • Qwen3-235B-A22B 原本仅支持 40960 上下文（max_position_embeddings）。如果要使用该模型及其相关量化权重运行长序列（如 128k 上下文），需要使用 yarn rope-scaling 技术。

    • 对于 v0.12.0 及以上版本的 vLLM，使用参数：--hf-overrides '{"rope_parameters": {"rope_type":"yarn","rope_theta":1000000,"factor":4,"original_max_position_embeddings":32768}}' \。

    • 对于 v0.12.0 以下版本的 vLLM，使用参数：--rope_scaling '{"rope_type":"yarn","factor":4,"original_max_position_embeddings":32768}' \。如果您使用的权重（如 Qwen3-235B-A22B-Instruct-2507）原本就支持长上下文，则无需添加此参数。

参数解释如下：

  • --data-parallel-size 1 和 --tensor-parallel-size 8 是数据并行（DP）和张量并行（TP）大小的常见设置。

  • --max-model-len 表示上下文长度，即单个请求的输入加输出的最大值。

  • --max-num-seqs 表示每个 DP 组允许处理的最大请求数。如果发送到服务的请求数超过此限制，超出部分将处于等待状态而不会被调度。请注意，等待状态所花费的时间也会计入 TTFT 和 TPOT 等指标中。因此，在测试性能时，通常建议 --max-num-seqs * --data-parallel-size >= 实际总并发数。

  • --max-num-batched-tokens 表示模型单步能处理的最大 token 数量。目前，vLLM v1 调度默认启用了 ChunkPrefill/SplitFuse，这意味着：

    • （1）如果请求的输入长度大于 --max-num-batched-tokens，将按照 --max-num-batched-tokens 拆分为多轮计算；

    • （2）解码请求优先调度，仅在有剩余容量时才调度预填充请求。

    • 通常，--max-num-batched-tokens 设置得越大，整体延迟越低，但对 GPU 内存（激活值占用）的压力越大。

  • --gpu-memory-utilization 表示 vLLM 将用于实际推理的 HBM 占比。其核心作用是计算可用的 kv_cache 大小。在预热阶段（vLLM 中称为 profile run），vLLM 会记录输入大小为 --max-num-batched-tokens 的推理过程中的峰值 GPU 内存使用量。然后按如下方式计算可用 kv_cache 大小：--gpu-memory-utilization * HBM 大小 - 峰值 GPU 内存使用量。因此，--gpu-memory-utilization 的值越大，可用的 kv_cache 就越多。然而，由于预热阶段的 GPU 内存使用量可能与实际推理时不同（例如由于 EP 负载不均），将 --gpu-memory-utilization 设置过高可能会导致实际推理时出现 OOM（内存不足）问题。默认值为 0.9。

  • --enable-expert-parallel 表示启用 EP。请注意，vLLM 不支持 ETP 和 EP 混合的方式；即 MoE 只能使用纯 EP 或纯 TP。

  • --no-enable-prefix-caching 表示禁用前缀缓存。要启用前缀缓存，请移除该选项。

  • --quantization "ascend" 表示使用量化。要禁用量化，请移除该选项。

  • --compilation-config 包含与 aclgraph 图模式相关的配置。最重要的配置是 "cudagraph_mode" 和 "cudagraph_capture_sizes"，其含义如下："cudagraph_mode"：表示具体的图模式。目前支持 "PIECEWISE" 和 "FULL_DECODE_ONLY"。图模式主要用于降低算子下发开销。目前推荐使用 "FULL_DECODE_ONLY"。

  • "cudagraph_capture_sizes"：表示图模式的不同级别。默认值为 [1, 2, 4, 8, 16, 24, 32, 40, ..., --max-num-seqs]。在图模式下，不同级别的图输入是固定的，级别之间的输入会自动填充到下一级别。目前推荐使用默认设置。仅在少数场景下需要单独设置以获得最佳性能。

  • export VLLM_ASCEND_ENABLE_FLASHCOMM1=1 表示启用 Flashcomm1 优化。目前，该优化仅支持在 tp_size > 1 的场景下对 MoE 生效。

使用 Ray 的多节点部署#

预填充-解码分离部署#

功能验证#

服务器启动后，您可以使用输入提示词查询模型：

curl http://<node0_ip>:<port>/v1/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "qwen3",
        "prompt": "The future of AI is",
        "max_completion_tokens": 50,
        "temperature": 0
    }'

精度评估#

以下是两种精度评估方法。

使用 AISBench#

  1. 详细信息请参考使用 AISBench 进行精度评估。

  2. 执行后即可获得结果，以下是 Qwen3-235B-A22B-w8a8 在 vllm-ascend:0.11.0rc0 上的结果，仅供参考。

数据集

版本

指标

模式

vllm-api-general-chat

ceval

-

准确率

生成

91.16

性能#

使用 AISBench#

详细信息请参考使用 AISBench 进行性能评估。

使用 vLLM 基准测试#

以 Qwen3-235B-A22B-w8a8 为例运行性能评估。

更多详细信息请参考 vLLM 基准测试。

有三个 vllm bench 子命令：

  • latency：基准测试单批次请求的延迟。

  • serve：基准测试在线服务的吞吐量。

  • throughput：基准测试离线推理的吞吐量。

以 serve 为例，运行如下代码。

export VLLM_USE_MODELSCOPE=True
vllm bench serve --model vllm-ascend/Qwen3-235B-A22B-w8a8  --dataset-name random --random-input 200 --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。

复现性能结果#

在本节中，我们提供简单的脚本来复现我们最新的性能结果。同时建议阅读上述说明，以了解 vLLM 和 vLLM-Ascend 中的基本概念或选项。

单节点 A3（64G*16）#

示例服务器脚本：

#!/bin/sh
# Load model from ModelScope to speed up download
export VLLM_USE_MODELSCOPE=True
# To reduce memory fragmentation and avoid out of memory
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=512
export HCCL_OP_EXPANSION_MODE="AIV"
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export VLLM_ASCEND_ENABLE_FUSED_MC2=1
export TASK_QUEUE_ENABLE=1

vllm serve vllm-ascend/Qwen3-235B-A22B-w8a8 \
--host 0.0.0.0 \
--port 8000 \
--tensor-parallel-size 4 \
--data-parallel-size 4 \
--seed 1024 \
--quantization ascend \
--served-model-name qwen3 \
--max-num-seqs 128 \
--max-model-len 40960 \
--max-num-batched-tokens 16384 \
--enable-expert-parallel \
--trust-remote-code \
--gpu-memory-utilization 0.9 \
--no-enable-prefix-caching \
--compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \

基准测试脚本：

vllm bench serve --model qwen3 \
--tokenizer vllm-ascend/Qwen3-235B-A22B-w8a8 \
--ignore-eos \
--dataset-name random \
--random-input-len 3584 \
--random-output-len 1536 \
--num-prompts 800 \
--max-concurrency 160 \
--request-rate 24 \
--host 0.0.0.0 \
--port 8000 \

参考测试结果：

请求数

并发数

平均 TTFT（毫秒）

平均 TPOT（毫秒）

输出 token 吞吐量（token/秒）

720

144

4717.45

48.69

2761.72

注意：

  1. 设置 export VLLM_ASCEND_ENABLE_FUSED_MC2=1 可启用 MoE 融合算子，减少预填充和解码阶段 MoE 的时间消耗。这是一个实验性特性，目前仅在 Atlas A3 服务器上支持 W8A8 量化。如果使用该特性时遇到任何问题，可以通过设置 export VLLM_ASCEND_ENABLE_FUSED_MC2=0 禁用它，并在 vLLM-Ascend 社区中反馈问题。

  2. 由于使用的是随机数据集，我们在此禁用了前缀缓存。如果请求有较长的公共前缀，您可以启用前缀缓存。

三节点 A3——PD 分离部署#

在三台 Atlas 800 A3（64G*16）服务器上，我们建议使用一个节点作为预填充实例，两个节点作为一个解码实例。示例服务器脚本：预填充节点 1

#!/bin/sh
export HCCL_IF_IP=prefill_node_1_ip

# Set ifname according to your network setting
ifname=""

export GLOO_SOCKET_IFNAME=${ifname}
export TP_SOCKET_IFNAME=${ifname}
export HCCL_SOCKET_IFNAME=${ifname}

# Load model from ModelScope to speed up download
export VLLM_USE_MODELSCOPE=True
# To reduce memory fragmentation and avoid out of memory
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=512
export HCCL_OP_EXPANSION_MODE="AIV"
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export VLLM_ASCEND_ENABLE_FUSED_MC2=2
export TASK_QUEUE_ENABLE=1
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

vllm serve vllm-ascend/Qwen3-235B-A22B-w8a8 \
--host 0.0.0.0 \
--port 8000 \
--tensor-parallel-size 8 \
--data-parallel-size 2 \
--data-parallel-size-local 2 \
--data-parallel-start-rank 0 \
--data-parallel-address prefill_node_1_ip \
--data-parallel-rpc-port prefill_node_dp_port \
--seed 1024 \
--quantization ascend \
--served-model-name qwen3 \
--max-num-seqs 24 \
--max-model-len 40960 \
--max-num-batched-tokens 16384 \
--enable-expert-parallel \
--enforce-eager \
--trust-remote-code \
--gpu-memory-utilization 0.9 \
--no-enable-prefix-caching \
--kv-transfer-config \
'{"kv_connector": "MooncakeConnectorV1",
"kv_role": "kv_producer",
"kv_port": "30000",
"engine_id": "0",
"kv_connector_extra_config": {
      "prefill": {
            "dp_size": 2,
            "tp_size": 8
      },
      "decode": {
            "dp_size": 8,
            "tp_size": 4
      }
}
}'

解码节点 1

#!/bin/sh
export HCCL_IF_IP=decode_node_1_ip

ifname=""

export GLOO_SOCKET_IFNAME=${ifname}
export TP_SOCKET_IFNAME=${ifname}
export HCCL_SOCKET_IFNAME=${ifname}

# Load model from ModelScope to speed up download
export VLLM_USE_MODELSCOPE=True
# To reduce memory fragmentation and avoid out of memory
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=1024
export HCCL_OP_EXPANSION_MODE="AIV"
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export VLLM_ASCEND_ENABLE_FUSED_MC2=2
export TASK_QUEUE_ENABLE=1
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

vllm serve vllm-ascend/Qwen3-235B-A22B-w8a8 \
--host 0.0.0.0 \
--port 8000 \
--tensor-parallel-size 4 \
--data-parallel-size 8 \
--data-parallel-size-local 4 \
--data-parallel-start-rank 0 \
--data-parallel-address decode_node_1_ip \
--data-parallel-rpc-port decode_node_dp_port \
--seed 1024 \
--quantization ascend \
--served-model-name qwen3 \
--max-num-seqs 128 \
--max-model-len 40960 \
--max-num-batched-tokens 256 \
--enable-expert-parallel \
--trust-remote-code \
--gpu-memory-utilization 0.9 \
--compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \
--no-enable-prefix-caching \
--kv-transfer-config \
'{"kv_connector": "MooncakeConnectorV1",
"kv_role": "kv_consumer",
"kv_port": "30100",
"engine_id": "1",
"kv_connector_extra_config": {
      "prefill": {
            "dp_size": 2,
            "tp_size": 8
      },
      "decode": {
            "dp_size": 8,
            "tp_size": 4
      }
}
}'

解码节点 2

#!/bin/sh
export HCCL_IF_IP=decode_node_2_ip

ifname=""

export GLOO_SOCKET_IFNAME=${ifname}
export TP_SOCKET_IFNAME=${ifname}
export HCCL_SOCKET_IFNAME=${ifname}

# Load model from ModelScope to speed up download
export VLLM_USE_MODELSCOPE=True
# To reduce memory fragmentation and avoid out of memory
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export HCCL_BUFFSIZE=1024
export HCCL_OP_EXPANSION_MODE="AIV"
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=1
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export VLLM_ASCEND_ENABLE_FUSED_MC2=2
export TASK_QUEUE_ENABLE=1
export LD_LIBRARY_PATH=/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/mooncake:$LD_LIBRARY_PATH

vllm serve vllm-ascend/Qwen3-235B-A22B-w8a8 \
--host 0.0.0.0 \
--port 8000 \
--headless \
--tensor-parallel-size 4 \
--data-parallel-size 8 \
--data-parallel-size-local 4 \
--data-parallel-start-rank 4 \
--data-parallel-address decode_node_1_ip \
--data-parallel-rpc-port decode_node_dp_port \
--seed 1024 \
--quantization ascend \
--served-model-name qwen3 \
--max-num-seqs 128 \
--max-model-len 40960 \
--max-num-batched-tokens 256 \
--enable-expert-parallel \
--trust-remote-code \
--gpu-memory-utilization 0.9 \
--compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}' \
--no-enable-prefix-caching \
--kv-transfer-config \
'{"kv_connector": "MooncakeConnectorV1",
"kv_role": "kv_consumer",
"kv_port": "30100",
"engine_id": "1",
"kv_connector_extra_config": {
      "prefill": {
            "dp_size": 2,
            "tp_size": 8
      },
      "decode": {
            "dp_size": 8,
            "tp_size": 4
      }
}
}'

PD 代理：

python load_balance_proxy_server_example.py --port 12347 --prefiller-hosts prefill_node_1_ip --prefiller-port 8000 --decoder-hosts decode_node_1_ip --decoder-ports 8000

基准测试脚本：

vllm bench serve --model qwen3 \
--tokenizer vllm-ascend/Qwen3-235B-A22B-w8a8 \
--ignore-eos \
--dataset-name random \
--random-input-len 3584 \
--random-output-len 1536 \
--num-prompts 2880 \
--max-concurrency 576 \
--request-rate 8 \
--host 0.0.0.0 \
--port 12347 \

参考测试结果：

请求数

并发数

平均 TTFT（毫秒）

平均 TPOT（毫秒）

输出 token 吞吐量（token/秒）

2880

576

3735.98

52.07

8593.44

注意：

  1. 在此场景下（Qwen3-235B 通常使用 EP32），我们建议设置 export VLLM_ASCEND_ENABLE_FUSED_MC2=2。这将启用一个不同的 MoE 融合算子。