本文以Qwen1.5-4B-Chat模型、GPU類型為T4和A10卡為例，演示如何在ACK中使用vLLM（Versatile Large Language Model）框架部署通義千問（Qwen）模型推理服務。
背景信息
Qwen1.5-4B-Chat
Qwen1.5-4B-Chat是阿里云基于Transformer大語言模型研發的40億參數模型，模型在超大規模的預訓練數據（預訓練數據類型多樣且覆蓋廣泛，包括大量網絡文本、專業書籍、代碼等）上進行訓練得到。更多模型信息，請參見Qwen GitHub代碼庫。
vLLM
vLLM是一個高效易用的大語言模型推理服務框架，vLLM支持包括通義千問在內的多種常見大語言模型。vLLM通過PagedAttention優化、動態批量推理（Continuous Batching）、模型量化等優化技術，可以取得較好的大語言模型推理效率。更多關于vLLM框架的信息，請參見vLLM GitHub代碼庫。
前提條件
已創建包含GPU節點的ACK集群Pro版，且集群版本為1.22及以上，GPU節點顯存需為16GB及以上。具體操作，請參見創建ACK托管集群。
建議GPU節點使用525版本驅動，您可以通過為GPU節點池添加標簽
ack.aliyun.com/nvidia-driver-version:525.105.17指定驅動版本為525.105.17。具體操作，請參見通過指定版本號自定義節點GPU驅動版本。已安裝最新版Arena客戶端。具體操作，請參見配置Arena客戶端。
步驟一：準備模型數據
本文以Qwen1.5-4B-Chat模型為例，演示如何下載模型、上傳模型至OSS，以及在ACK集群中創建對應的存儲卷PV和存儲卷聲明PVC。
如需上傳模型至NAS，請參見使用NAS靜態存儲卷。
下載模型文件。
執行以下命令，安裝Git。
# 可執行yum install git或apt install git安裝。 yum install git執行以下命令，安裝Git LFS（Large File Support）插件。
# 可執行yum install git-lfs或apt install git-lfs安裝。 yum install git-lfs執行以下命令，將ModelScope上的Qwen1.5-4B-Chat倉庫克隆到本地。
GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/qwen/Qwen1.5-4B-Chat.git執行以下命令，進入Qwen1.5-4B-Chat目錄，下載LFS管理的大文件。
cd Qwen1.5-4B-Chat git lfs pull
將下載的Qwen1.5-4B-Chat文件上傳至OSS。
為目標集群配置存儲卷PV和存儲聲明PVC。具體操作，請參見使用OSS靜態存儲卷。
以下為示例PV的配置信息：
配置項
說明
存儲卷類型
OSS
名稱
llm-model
訪問證書
配置用于訪問OSS的AccessKey ID和AccessKey Secret。
Bucket ID
選擇已創建的OSS Bucket。
OSS Path
選擇模型所在的路徑，如/models/Qwen1.5-4B-Chat。
以下為示例PVC的配置信息：
配置項
說明
存儲聲明類型
OSS
名稱
llm-model
分配模式
選擇已有存儲卷。
已有存儲卷
單擊選擇已有存儲卷鏈接，選擇已創建的存儲卷PV。
步驟二：部署推理服務
大模型對顯存資源需求較高，因此在生產環境中，推薦您采用性能卓越的A10機型以確保最佳運行效果。若是出于測試目的，您可以選擇具備較高普及度和成本效益的T4機型，但T4的性能表現可能與A10存在較大差距。
執行以下命令，基于vLLM模型推理框架部署Qwen1.5-4B-Chat模型的推理服務。
您可以將模型參數文件看作是一種特殊類型的數據集合，利用Arena提供的
--data參數，將模型掛載到推理服務容器的指定位置。本文以掛載到/model/Qwen1.5-4B-Chat為例。--max_model_len設置了該模型最大可處理的Token長度，增大該配置項可獲得更好的模型對話效果，但是可能會占用更多GPU顯存資源。vLLM框架支持的完整參數列表，請參見vLLM Github代碼庫。單卡A10環境
arena serve custom \ --name=vllm-qwen-4b-chat \ --version=v1 \ --gpus=1 \ --replicas=1 \ --restful-port=8000 \ --readiness-probe-action="tcpSocket" \ --readiness-probe-action-option="port: 8000" \ --readiness-probe-option="initialDelaySeconds: 30" \ --readiness-probe-option="periodSeconds: 30" \ --image=ac2-registry.cn-hangzhou.cr.aliyuncs.com/ac2/vllm:0.4.1-ubuntu22.04 \ --data=llm-model:/model/Qwen1.5-4B-Chat \ "python3 -m vllm.entrypoints.openai.api_server --trust-remote-code --model /model/Qwen1.5-4B-Chat/ --gpu-memory-utilization 0.95 --max-model-len 16384"單卡T4環境
arena serve custom \ --name=vllm-qwen-4b-chat \ --version=v1 \ --gpus=1 \ --replicas=1 \ --restful-port=8000 \ --readiness-probe-action="tcpSocket" \ --readiness-probe-action-option="port: 8000" \ --readiness-probe-option="initialDelaySeconds: 30" \ --readiness-probe-option="periodSeconds: 30" \ --image=ac2-registry.cn-hangzhou.cr.aliyuncs.com/ac2/vllm:0.4.1-ubuntu22.04 \ --data=llm-model:/model/Qwen1.5-4B-Chat \ "python3 -m vllm.entrypoints.openai.api_server --trust-remote-code --model /model/Qwen1.5-4B-Chat/ --gpu-memory-utilization 0.95 --max-model-len 8192 --dtype half"參數說明如下所示：
參數
說明
--name
指定推理服務名稱。
--version
指定推理服務版本。
--gpus
指定單個推理服務副本需要使用的GPU卡數。
--replicas
指定推理服務副本數。
--restful-port
指定推理服務對外暴露的端口。
--readiness-probe-action
指定就緒探針連接類型，支持HttpGet、Exec、gRPC、TCPSocket。
--readiness-probe-action-option
指定就緒探針連接方式。
--readiness-probe-option
指定就緒探針配置。
--data
掛載共享存儲卷PVC到運行環境中。它由兩部分組成，通過英文冒號（:）分割。冒號左側是您已經準備好的PVC名稱。您可以通過命令
arena data list查看當前集群可用的PVC列表；冒號右側是您想將PVC的掛載到運行環境中的路徑，也是您訓練代碼要讀取數據或模型的本地路徑。這樣通過掛載的方式，您的代碼就可以訪問PVC中的數據或模型。--image
指定推理服務的鏡像地址。
預期輸出：
service/vllm-qwen-4b-chat-v1 created deployment.apps/vllm-qwen-4b-chat-v1-custom-serving created INFO[0008] The Job vllm-qwen-4b-chat has been submitted successfully INFO[0008] You can run `arena serve get vllm-qwen-4b-chat --type custom-serving -n default` to check the job status輸出結果表明已經成功部署了一個與vLLM相關的服務及其配套的Deployment和Job。
執行以下命令，查看推理服務的詳細信息。
arena serve get vllm-qwen-4b-chat預期輸出：
Name: vllm-qwen-4b-chat Namespace: default Type: Custom Version: v1 Desired: 1 Available: 1 Age: 36m Address: 172.16.XX.XX Port: RESTFUL:8000 GPU: 1 Instances: NAME STATUS AGE READY RESTARTS GPU NODE ---- ------ --- ----- -------- --- ---- vllm-qwen-4b-chat-v1-custom-serving-6d7c786b9f-z6nfk Running 36m 1/1 0 1 cn-beijing.192.168.XX.XX輸出結果表明該推理服務正在穩定運行，且已準備好提供服務。
步驟三：驗證推理服務
執行以下命令，在推理服務與本地環境之間建立端口轉發。
重要請注意kubectl port-forward建立的端口轉發不具備生產級別的可靠性、安全性和擴展性，因此僅適用于開發和調試目的，不適合在生產環境使用。更多關于Kubernetes集群內生產可用的網絡方案的信息，請參見Ingress概述。
kubectl port-forward svc/vllm-qwen-4b-chat-v1 8000:8000預期輸出：
Forwarding from 127.0.0.1:8000 -> 8000 Forwarding from [::1]:8000 -> 8000執行以下命令，向Triton模型推理服務發送了一條示例的模型推理請求。
curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{"model": "/model/Qwen1.5-4B-Chat/", "messages": [{"role": "user", "content": "測試一下"}], "max_tokens": 10, "temperature": 0.7, "top_p": 0.9, "seed": 10}'預期輸出：
{"id":"cmpl-503270b21fa44db2b6b3c3e0abaa3c02","object":"chat.completion","created":1717141209,"model":"/model/Qwen1.5-4B-Chat/","choices":[{"index":0,"message":{"role":"assistant","content":"好的，請問您需要測試什么？"},"logprobs":null,"finish_reason":"stop","stop_reason":null}],"usage":{"prompt_tokens":21,"total_tokens":30,"completion_tokens":9}}輸出結果表明模型可以根據給定的輸入（在這個例子中是一條測試消息）生成相應的回復。
（可選）步驟四：清理環境
如果不再使用已創建的資源，請及時清理。
執行以下命令，刪除清理已部署的模型推理服務。
arena serve delete vllm-qwen-4b-chat執行以下命令，刪除已創建的PV和PVC。
kubectl delete pvc llm-model kubectl delete pv llm-model