1008  
查询码: 00000525
Qwen2.5-Coder-32B-Instruct模型部署(SDK 4.4.0)
专家 2026年03月16日 发布 ,于 2026年03月16日 编辑

一、测试条件

sdk4.4版、X86环境(Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz) 、MR100卡、镜像corex-docker-installer-4.4.0-10.2-ubuntu20.04-llm-py3.10-x86_64.run

二、创建容器

1、获取镜像

sftp -P 29880 iluvatar_mr@iftp.iluvatar.com.cn    访问密码请咨询天数售后
get /SDK_4.4.0/x86/sdk/corex-docker-installer-4.4.0-10.2-ubuntu20.04-llm-py3.10-x86_64.run

2、镜像部署

bash corex-docker-installer-4.4.0-10.2-ubuntu20.04-llm-py3.10-x86_64.run

3、创建容器

docker run -dit -v /usr/src:/usr/src -v /lib/modules:/lib/modules -v /dev:/dev -v /data:/data -v /home:/home --network=host --name=sdk440llm --ipc=host --privileged --cap-add=ALL --pid=host 41fb7447b7b9 /bin/bash

三、启动服务

1、魔搭上下载权重

pip install modelscope
modelscope download --model Qwen/Qwen2.5-Coder-32B-Instruct --local_dir /data/models/Qwen2.5-Coder-32B-Instruct

2、启动模型

export VLLM_ENFORCE_CUDA_GRAPH=1
python3 -m vllm.entrypoints.openai.api_server --model /data/models/Qwen2.5-Coder-32B-Instruct/ --gpu-memory-utilization 0.9 --max-model-len 8192 --max-num-seqs 32 --tensor-parallel-size 4 --host 0.0.0.0 --port 8000 --trust-remote-code --enable-auto-tool-choice --tool-call-parser qwen3_coder --compilation-config '{"cudagraph_mode": "FULL_DECODE_ONLY", "level": 0, "cudagraph_capture_sizes":[1,2,4,8]}'

四、curl请求测试

1、普通Curl请求测试

-H "Content-Type: application/json" \
-d '{
"model": "/data/models/Qwen2.5-Coder-32B-Instruct/",
"messages": [
{
"role": "user",
"content": "介绍一下人工智能"
}
],
"temperature": 0.0,
"max_tokens": 512
}'

2、使用jq格式化curl输出

1)、安装jq

apt-get update
apt-get install jq

2)、curl请求测试

-H "Content-Type: application/json" \
-d '{
"model": "/data/models/Qwen2.5-Coder-32B-Instruct/",
"messages": [
{
"role": "user",
"content": "请介绍一下人工智能"
}
],
"temperature": 0.0,
"max_tokens": 512
}' | jq -r '.choices[0].message.content'

五、Benchmark测试

1、benchmark工具下载

sftp -P 29880 iluvatar_mr@iftp.iluvatar.com.cn    访问密码请咨询天数售后
get /client_tmp/support/kk/vllm_benchmark.tar.gz  /home/

2、进入容器,执行测试

docker exec -it sdk440llm bash
cd /data/models/vllm_benchmark
python3 benchmark_serving.py --model /data/models/Qwen2.5-Coder-32B-Instruct/ --dataset-name random --random-input-len 4096 --random-output-len 4096 --num-prompts 1 --host "0.0.0.0" --port 8000

3、测试结果

============ Serving Benchmark Result ============
Successful requests:                     1
Benchmark duration (s):                  136.79
Total input tokens:                      4096
Total generated tokens:                  4096
Request throughput (req/s):              0.01
Output token throughput (tok/s):         29.94
Total Token throughput (tok/s):          59.89
---------------Time to First Token----------------
Mean TTFT (ms):                          98.62
Median TTFT (ms):                        98.62
P99 TTFT (ms):                           98.62
------------------Generate time-------------------
Mean LATENCY (ms):                       136786.35
Median LATENCY (ms):                     136786.35
P99 LATENCY (ms):                        136786.35
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms):                          33.38
Median TPOT (ms):                        33.38
P99 TPOT (ms):                           33.38
---------------Inter-token Latency----------------
Mean ITL (ms):                           33.43
Median ITL (ms):                         33.36
P99 ITL (ms):                            44.28
==================================================

笔记



  目录
    天数智芯知识库系统 -V 5.2.7 -wcp