推理场景介绍
方案概览
本方案介绍了在ModelArts的Lite DevServer上使用昇腾计算资源开展常见开源大模型Llama、Qwen、ChatGLM、Yi、Baichuan等推理部署的详细过程。本方案利用适配昇腾平台的大模型推理服务框架vLLM和华为自研昇腾Snt9B硬件，为用户提供推理部署方案，帮助用户使能大模型业务。
约束限制
- 本方案目前仅适用于部分企业客户。
- 本文档适配昇腾云ModelArts 6.3.906版本，请参考软件配套版本获取配套版本的软件包，请严格遵照版本配套关系使用本文档。
- 资源规格推荐使用“西南-贵阳一”Region上的DevServer和昇腾Snt9B资源。
- 推理部署使用的服务框架是vLLM。vLLM支持v0.4.2版本。
- 支持FP16和BF16数据类型推理。
- DevServer驱动版本要求23.0.5。
资源规格要求
本文档中的模型运行环境是ModelArts Lite的DevServer。推荐使用“西南-贵阳一”Region上的资源和Ascend Snt9B。
如果使用DevServer资源，请参考DevServer资源开通，购买DevServer资源，并确保机器已开通，密码已获取，能通过SSH登录，不同机器之间网络互通。
当容器需要提供服务给多个用户，或者多个用户共享使用该容器时，应限制容器访问Openstack的管理地址（169.254.169.254），以防止容器获取宿主机的元数据。具体操作请参见禁止容器获取宿主机元数据。
镜像版本
本教程中用到基础镜像地址和配套版本关系如下表所示，请提前了解。
支持的模型列表和权重文件
本方案支持vLLM的v0.4.2版本。不同vLLM版本支持的模型列表有差异，具体如表3所示。
序号 |
模型名称 |
是否支持fp16/bf16推理 |
是否支持W4A16量化 |
是否支持W8A8量化 |
是否支持 kv-cache-int8量化 |
开源权重获取地址 |
|---|---|---|---|---|---|---|
1 |
llama-7b |
√ |
√ |
√ |
√ |
|
2 |
llama-13b |
√ |
√ |
√ |
√ |
|
3 |
llama-65b |
√ |
√ |
√ |
√ |
|
4 |
llama2-7b |
√ |
√ |
√ |
√ |
|
5 |
llama2-13b |
√ |
√ |
√ |
√ |
|
6 |
llama2-70b |
√ |
√ |
√ |
√ |
|
7 |
llama3-8b |
√ |
√ |
√ |
√ |
|
8 |
llama3-70b |
√ |
√ |
√ |
√ |
|
9 |
yi-6b |
√ |
√ |
√ |
√ |
|
10 |
yi-9b |
√ |
√ |
√ |
√ |
|
11 |
yi-34b |
√ |
√ |
√ |
√ |
|
12 |
deepseek-llm-7b |
√ |
x |
x |
x |
|
13 |
deepseek-coder-instruct-33b |
√ |
x |
x |
x |
https://huggingface.co/deepseek-ai/deepseek-coder-33b-instruct |
14 |
deepseek-llm-67b |
√ |
x |
x |
x |
|
15 |
qwen-7b |
√ |
√ |
√ |
x |
|
16 |
qwen-14b |
√ |
√ |
√ |
x |
|
17 |
qwen-72b |
√ |
√ |
√ |
x |
|
18 |
qwen1.5-0.5b |
√ |
√ |
√ |
x |
|
19 |
qwen1.5-7b |
√ |
√ |
√ |
x |
|
20 |
qwen1.5-1.8b |
√ |
√ |
√ |
x |
|
21 |
qwen1.5-14b |
√ |
√ |
√ |
x |
|
22 |
qwen1.5-32b |
√ |
√ |
√ |
x |
|
23 |
qwen1.5-72b |
√ |
√ |
√ |
x |
|
24 |
qwen1.5-110b |
√ |
√ |
√ |
x |
|
25 |
qwen2-0.5b |
√ |
√ |
√ |
x |
|
26 |
qwen2-1.5b |
√ |
√ |
√ |
x |
|
27 |
qwen2-7b |
√ |
√ |
√ |
x |
|
28 |
qwen2-72b |
√ |
√ |
√ |
x |
|
29 |
baichuan2-7b |
√ |
x |
x |
x |
|
30 |
baichuan2-13b |
√ |
x |
x |
x |
|
31 |
gemmma-2b |
√ |
x |
x |
x |
|
32 |
gemmma-7b |
√ |
x |
x |
x |
|
33 |
chatglm2-6b |
√ |
x |
x |
x |
|
34 |
chatglm3-6b |
√ |
x |
x |
x |
|
35 |
glm-4-9b |
√ |
x |
x |
x |
|
36 |
mistral-7b |
√ |
x |
x |
x |
|
37 |
mixtral-8x7b |
√ |
x |
x |
x |
说明：当前版本中yi-34b、qwen1.5-32b模型暂不支持单卡启动。
支持的rope scaling类型
本方案支持的rope scaling类型包括linear、dynamic和yarn，其中linear方法只支持传入一个固定的scaling factor值，暂不支持传入列表。
模型软件包结构说明
|——AscendCloud-LLM
├──llm_inference # 推理代码
├──ascend_vllm
├── vllm_npu # 推理源码
├── ascend_vllm-0.4.2-py3-none-any.whl # 推理安装包
├── build.sh # 推理构建脚本
├── vllm_install.patch # 社区昇腾适配的补丁包
├──llm_tools # 推理工具包
├──AutoSmoothQuant # W8A8量化工具
├── ascend_autosmoothquant_adapter # 昇腾量化使用的算子模块
├── autosmoothquant # 量化代码
├── build.sh # 安装量化模块的脚本
├──awq # W4A16量化工具
├──convert_awq_to_npu.py # awq权重转换脚本
├──llm_evaluation # 推理评测代码包
├──benchmark_tools #性能评测
├── benchmark.py # 可以基于默认的参数跑完静态benchmark和动态benchmark
├── benchmark_parallel.py # 评测静态性能脚本
├── benchmark_serving.py # 评测动态性能脚本
├── benchmark_utils.py # 抽离的工具集
├── generate_datasets.py # 生成自定义数据集的脚本
├── requirements.txt # 第三方依赖
├──benchmark_eval #精度评测
├──opencompass.sh #运行opencompass脚本
├──start.sh #安装opencompass脚本
├──vllm_api.py #启动vllm api服务器
├──vllm.py #构造vllm评测配置脚本名字
