各模型支持的最小卡数和最大序列
基于vLLM部署推理服务时，不同模型推理支持的最小昇腾卡数和对应卡数下的max-model-len长度说明，如下面的表格所示。
以下值是在gpu-memory-utilization为0.95时测试得出，为服务部署所需的最小昇腾卡数及该卡数下推荐的最大max-model-len长度，不代表最佳性能。
以Qwen3-14b为例，NPU卡显存为64GB时，至少需要1张卡运行推理业务，1张卡运行的情况下，推荐的最大序列max-model-len长度最大是32K，此处的单位K是1024，即32*1024。
测试方法：gpu-memory-utilization为0.95下，以4k、8k、16k递增max-model-len，直至达到能执行静态benchmark下的最大max-model-len。
|
序号 |
模型名 |
64GB显存 |
|
|---|---|---|---|
|
最小卡数 |
最大序列(K) max-model-len |
||
|
1 |
DeepSeek-R1-Distill-Llama-8B |
1 |
32 |
|
2 |
DeepSeek-R1-Distill-Llama-70B |
4 |
32 |
|
3 |
DeepSeek-R1-Distill-Qwen-1.5B |
1 |
32 |
|
4 |
DeepSeek-R1-Distill-Qwen-7B |
1 |
32 |
|
5 |
DeepSeek-R1-Distill-Qwen-14B |
1 |
32 |
|
6 |
glm-4-9b |
1 |
32 |
|
7 |
llama3-8b |
1 |
32 |
|
8 |
llama3-70b |
4 |
32 |
|
9 |
llama3.1-8b |
1 |
32 |
|
10 |
llama3.1-70b |
4 |
32 |
|
11 |
llama-3.2-1B |
1 |
32 |
|
12 |
llama-3.2-3B |
1 |
32 |
|
13 |
qwen2-0.5b |
1 |
32 |
|
14 |
qwen2-1.5b |
1 |
32 |
|
15 |
qwen2-7b |
1 |
32 |
|
16 |
qwen2-72b |
4 |
32 |
|
17 |
qwen2.5-0.5b |
1 |
32 |
|
18 |
qwen2.5-1.5b |
1 |
32 |
|
19 |
qwen2.5-3b |
1 |
32 |
|
20 |
qwen2.5-7b |
1 |
32 |
|
21 |
qwen2.5-14b |
1 |
32 |
|
22 |
qwen2.5-32b |
2 |
32 |
|
23 |
qwen2.5-72b |
4 |
32 |
|
24 |
qwen3-0.6b |
1 |
32 |
|
25 |
qwen3-1.7b |
1 |
32 |
|
26 |
qwen3-4b |
1 |
32 |
|
27 |
qwen3-8b |
1 |
32 |
|
28 |
qwen3-14b |
1 |
32 |
|
29 |
qwen3-30b-a3b |
2 |
32 |
|
30 |
qwen3-32b |
2 |
32 |
|
31 |
qwen3-235b-a22b |
16 |
64 |
|
32 |
QwQ-32B |
2 |
32 |
|
33 |
bge-reranker-v2-m3 |
1 |
8 |
|
34 |
bge-base-en-v1.5 |
1 |
0.5 |
|
35 |
bge-base-zh-v1.5 |
1 |
0.5 |
|
36 |
bge-large-en-v1.5 |
1 |
0.5 |
|
37 |
bge-large-zh-v1.5 |
1 |
0.5 |
|
38 |
bge-m3 |
1 |
8 |
|
39 |
qwen2-vl-2B |
1 |
8 |
|
40 |
qwen2-vl-7B |
1 |
32 |
|
41 |
qwen2-vl-72B |
4 |
32 |
|
42 |
qwen2.5-vl-7B |
1 |
8 |
|
43 |
qwen2.5-vl-32B |
1 |
32 |
|
44 |
qwen2.5-vl-72B |
4 |
48 |
|
45 |
internvl2.5-26B |
1 |
8 |
|
46 |
InternVL2-Llama3-76B-AWQ |
2 |
8 |
|
47 |
gemma3-27B |
1 |
4 |
