基于vLLM-Ascend的Qwen3.5-122B模型Atlas 800I A3单机混部部署实践
作者：昇腾实战派
知识地图：https://blog.csdn.net/Lumos_Lovegood/article/details/161601003
背景概述
本文档将介绍基于vLLM-Ascend的Qwen3.5-122B模型在Atlas 800I A3上的单机混部部署实践，包括支持的特性、特性配置、环境信息以及性能测试典型case。
基本信息
| 软件版本 | 设备信息 | 组网形态 | 总卡数 | 数据格式 |
|---|---|---|---|---|
| 0.18.0 | NPU: Atlas 800I A3-560T, HBM 128G CPU: Kunpeng 920 (80核-2900MHz) 内存: 32根64G5200MHz OS: OpenEuler 22.03 LTS-SP4 | - | 2 | W4A8C16 |
服务化配置
低时延
exportASCEND_RT_VISIBLE_DEVICES=0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15exportPYTORCH_NPU_ALLOC_CONF="expandable_segments:True"exportHCCL_IF_IP="XXXX"exportHCCL_OP_EXPANSION_MODE="AIV"exportHCCL_BUFFSIZE=1024exportOMP_NUM_THREADS=1echoperformance|tee/sys/devices/system/cpu/cpu*/cpufreq/scaling_governorsysctl-wvm.swappiness=0sysctl-wkernel.numa_balancing=0sysctlkernel.sched_migration_cost_ns=50000exportLD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOADexportTASK_QUEUE_ENABLE=1exportVLLM_ASCEND_ENABLE_FUSED_MC2=1vllm serve /mnt/share/weights/Qwen3.5-122B-A10B-w8a8-org/\--served-model-name"qwen3.5"\--host0.0.0.0\--port8000\--data-parallel-size1\--tensor-parallel-size4\--max-model-len5000\--max-num-batched-tokens8192\--max-num-seqs128\--gpu-memory-utilization0.9\--compilation-config'{"cudagraph_capture_sizes":[1,6,12,18,24,30,36,42,48,54,72,78,84,90,96,102,108,144,192], "cudagraph_mode":"FULL_DECODE_ONLY"}'\--speculative_config'{"method": "qwen3_5_mtp", "num_speculative_tokens": 5}'\--trust-remote-code\--async-scheduling\--allowed-local-media-path /\--quantizationascend\--mm-processor-cache-gb0\--additional-config'{"enable_cpu_binding": true, "enable_shared_expert_dp": true}'典型测试用例
| 平均输入 | 平均输出 | 并行策略 | 上下文长度 | Prefix Cache命中率 | 总请求数 | 最大并发数 | 请求频率(req/s) |
|---|---|---|---|---|---|---|---|
| 2048 | 2048 | MLA：DP1+TP4 | 5000 | 0 | 96 | 24 | 0 |
| 3500 | 1500 | MLA：DP1+TP4 | 8000 | 0 | 64 | 16 | 0 |
| 16384 | 1024 | MLA：DP1+TP4 | 18432 | 0 | 32 | 8 | 0 |
| 32768 | 512 | MLA：DP1+TP4 | 34304 | 0 | 16 | 4 | 0 |
| 65536 | 1024 | MLA：DP1+TP4 | 67584 | 0 | 16 | 4 | 0 |
| 131072 | 1024 | MLA：DP1+TP4 | 133120 | 0 | 4 | 1 | 0 |
高吞吐
exportASCEND_RT_VISIBLE_DEVICES=0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15exportPYTORCH_NPU_ALLOC_CONF="expandable_segments:True"exportHCCL_IF_IP="XXX"exportHCCL_OP_EXPANSION_MODE="AIV"exportHCCL_BUFFSIZE=1024exportOMP_NUM_THREADS=1echoperformance|tee/sys/devices/system/cpu/cpu*/cpufreq/scaling_governorsysctl-wvm.swappiness=0sysctl-wkernel.numa_balancing=0sysctlkernel.sched_migration_cost_ns=50000exportLD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOADexportTASK_QUEUE_ENABLE=1exportVLLM_ASCEND_ENABLE_FUSED_MC2=1exportVLLM_ASCEND_ENABLE_FLASHCOMM1=1vllm serve /mnt/share/weights/Qwen3.5-122B-A10B-w8a8-org/\--served-model-name"qwen3.5"\--host0.0.0.0\--port8000\--data-parallel-size1\--tensor-parallel-size4\--enable-expert-parallel\--max-model-len8000\--max-num-batched-tokens4096\--max-num-seqs128\--gpu-memory-utilization0.9\--compilation-config'{"cudagraph_capture_sizes":[1,4,8,12,16,24,32,48,56,64,72,84,96,108,112,128,160,172,196,200,212,232,256,160,172,196,200,212,232,256,272,288,312,328,344,360,384,400,416,432,448,480,512], "cudagraph_mode":"FULL_DECODE_ONLY"}'\--speculative_config'{"method": "qwen3_5_mtp", "num_speculative_tokens": 3, "enforce_eager": true}'\--trust-remote-code\--async-scheduling\--allowed-local-media-path /\--quantizationascend\--mm-processor-cache-gb0\--additional-config'{"enable_cpu_binding": true, "enable_shared_expert_dp": true}'典型测试用例
| 平均输入 | 平均输出 | 并行策略 | 上下文长度 | Prefix Cache命中率 | 总请求数 | 最大并发数 | 请求频率(req/s) |
|---|---|---|---|---|---|---|---|
| 2048 | 2048 | MLA：DP1+TP2 | 5000 | 0 | 600 | 150 | 0 |
| 3500 | 1500 | MLA：DP1+TP2 | 8000 | 0 | 320 | 80 | 0 |
| 16384 | 1024 | MLA：DP1+TP2 | 18432 | 0 | 96 | 24 | 0 |
| 32768 | 512 | MLA：DP1+TP2 | 34304 | 0 | 36 | 9 | 0 |
| 65536 | 1024 | MLA：DP1+TP2 | 67584 | 0 | 32 | 8 | 0 |
| 131072 | 1024 | MLA：DP1+TP2 | 133120 | 0 | 16 | 4 | 0 |
测试命令
参考aisbench官方测试指南。
aisbench测试命令
vllm-ascend社区官网
特别声明
- 以上配置均未开启Prefix Cache，若实际生产环境需要使用该特性，参考vLLM-Ascend社区参数指南开启–enable-prefix-caching