【初级】在 MTT AIBOOK 上集成 vLLM-MUSA

更新日志

版本	日期	变更描述
1.0.0 vLLM-MUSA（v0.7.3）	2026-01-30	初始版本， vLLM-MUSA 推理框架在 AI 算力本 MTT AIBOOK （型号 A141）上的使用指南。

1. 项目简介

本教程旨在指导开发者在 MTT AIBOOK 平台上使用预装的 vLLM-MUSA 推理框架，实现大模型的本地部署与高效推理。

难度：初级，适合新手入门体验

2. 前置条件

在开始本教程之前，请确保您已满足以下所有条件：

硬件：

AI 算力本 MTT AIBOOK ，型号 A141。
网络连接（用于下载模型及依赖包）。
充足的存储空间（模型文件通常需要数GB到几十GB空间）。

软件：

MTT AIBOOK 操作系统 AIOS（ 1.3.1-B15）及以上版本。
已安装 Python 3.10 或更高版本（python --version 验证）。
已安装 pip 包管理工具（pip --version 验证）。
vLLM-MUSA 推理框架（MTT AIBOOK 已预装）。当前版本对齐 vLLM 社区0.7.3版本。

3. 环境部署

本章节描述如何获取模型文件并完成环境配置。

3.1 安装必要工具

在下载模型之前，需要安装 git-lfs 工具用于处理大文件：

安装 git-lfs。
```
apt install git-lfs
```
初始化 git-lfs。
```
git lfs install
```

3.2 下载模型

当前版本对齐 vLLM 社区 v0.7.3，可以在 HuggingFace / ModelScope 直接下载开源模型。对于量化模型，我们提供加速版模型。本教程提供以下模型作为示例：

3.2.1 DeepSeek-R1-Distill-Qwen-7B GPTQ

下载模型。

git clone https://www.modelscope.cn/hiruyun/gptq-DeepSeek-R1-Distill-Qwen-7B.git

模型将下载到当前目录下的 gptq-DeepSeek-R1-Distill-Qwen-7B 文件夹。

3.2.2 Qwen2.5-7B GPTQ

下载模型。

git clone https://www.modelscope.cn/hiruyun/gptq-Qwen2.5-7B-Instruct-v2.git

模型将下载到当前目录下的 gptq-Qwen2.5-7B-Instruct-v2 文件夹。

4. 最佳实践

本章节指导您使用 vLLM-MUSA 推理框架的核心场景及常用操作。

场景1: 启动 vLLM 推理服务

通过命令行启动 vLLM 服务，提供模型推理 API：

清除系统缓存（建议）。
```
sudo sh -c "echo 3 > /proc/sys/vm/drop_caches"
```
此操作有助于释放内存，提升服务启动稳定性。
设置 Triton 缓存目录。
```
export TRITON_CACHE_DIR="/tmp/triton"
```
启动 vLLM 服务。
```
vllm serve models/gptq-Qwen2.5-7B-Instruct-v2 \\
  -tp 1 \\
  --gpu_memory_utilization 0.7 \\
  --quantization gptq \\
  --num-gpu-blocks-override 1024 \\
  --max-model-len 16384 \\
  --swap_space 0 \\
  --enforce-eager
```
提示
重要提示： 请将 models/gptq-Qwen2.5-7B-Instruct/ 替换为您实际的模型路径。

参数说明：
- tp 1：tensor-parallel-size 设置为 1（当前版本仅支持 tp=1）
- gpu_memory_utilization 0.7：GPU 内存利用率设置为 70%
- quantization gptq：使用 GPTQ 量化
- num-gpu-blocks-override 1024：GPU 块数量覆盖为 1024
- max-model-len 16384：最大模型长度 16k（适用于单并发 16k 上下文场景）
- swap_space 0：启用交换空间
- enforce-eager：立即执行，不启用 musaGraph
验证服务启动。服务启动后，默认监听在 http://localhost:8000。等待模型加载完成（通常需要几分钟时间）。

场景2: 通过 HTTP 接口调用服务

使用 curl 命令测试和调用推理服务：

测试服务接口。
```
curl http://localhost:8000/v1/models
```
若返回模型列表信息，说明服务运行正常。
调用聊天完成接口。另开一个终端窗口执行以下命令（注意替换模型路径）：
```
curl http://localhost:8000/v1/chat/completions \\
  -H "Content-Type: application/json" \\
  -d '{
  "model": "models/gptq-Qwen2.5-7B-Instruct/",
  "temperature": 0.7,
  "top_p": 0.8,
  "top_k": 20,
  "repetition_penalty": 1.05,
  "max_tokens": 1000,
  "messages": [{"role": "user", "content":"介绍一下北京"}]
  }'
```
参数说明：
- model：模型路径（需与启动服务时使用的路径一致）
- temperature：温度参数，控制输出的随机性
- top_p：核采样参数
- top_k：Top-K 采样参数
- repetition_penalty：重复惩罚系数
- max_tokens：最大生成 token 数
- messages：对话消息列表

场景3: 使用 Python 客户端调用服务

通过 Python 的 OpenAI 兼容接口进行流式或非流式调用：

流式输出调用

安装 OpenAI 客户端库（如未安装）。
```
pip install openai
```

创建 Python 脚本并执行流式调用。

from openai import OpenAI

# 修改 OpenAI 的 API key 和 API base 以使用 VLLM 的 API 服务器
openai_api_key = "EMPTY"
openai_api_base = "http://localhost:8000/v1"

client = OpenAI(
api_key=openai_api_key,
base_url=openai_api_base,
)

models = client.models.list()
model = models.data[0].id

chat_completion = client.chat.completions.create(
messages=[{
"role": "system",
"content": "You are a helpful assistant."
}, {
"role": "user",
"content": "北京有哪些名胜古迹?"
}],
model=model,
temperature=0.7,
top_p=0.8,
extra_body={
'top_k': 20,
'repetition_penalty': 1.05, # 惩罚重复
},
max_tokens=512,
stream=True, # 启用流式输出
)

# 处理流式响应
print("Chat response (streaming):")
for chunk in chat_completion:
    if chunk.choices:
        delta = chunk.choices[0].delta
        content = delta.content
        if content:
            print(content, end='', flush=True)

运行脚本。
```
python your_script.py
```

输出将以流式方式逐字显示，提供更好的交互体验。

非流式输出调用

创建 Python 脚本并执行非流式调用。

from openai import OpenAI

# 修改 OpenAI 的 API key 和 API base 以使用 VLLM 的 API 服务器
openai_api_key = "EMPTY"
openai_api_base = "http://localhost:8000/v1"

client = OpenAI(
 api_key=openai_api_key,
 base_url=openai_api_base,
)

models = client.models.list()
model = models.data[0].id

chat_completion = client.chat.completions.create(
 messages=[{
 "role": "system",
 "content": "You are a helpful assistant."
 }, {
 "role": "user",
 "content":"北京有哪些名胜古迹?"
 }],
 model=model,
 temperature=0.7,
 top_p=0.8,
 extra_body={
 'top_k': 20,
 'repetition_penalty': 1.05,
 },
 max_tokens=512,
 stream=False,
)

print("Chat completion results:")
print(chat_completion)

运行脚本。
```
python your_script.py
```

输出将一次性返回完整的响应内容。

进阶操作：vLLM 参数配置说明

vLLM-MUSA 支持以下关键参数配置：

参数	说明	支持值
model	模型路径	本地模型目录路径
device	设备类型	支持 musa
tensor-parallel-size	张量并行大小	当前版本仅支持 tp = 1
dtype	数据类型	auto、float16、bfloat16
kv-cache-dtype	KV 缓存数据类型	仅支持默认值 auto
pipeline-parallel-size	流水线并行大小	仅支持默认值 1
max_num_batched_tokens	最大批处理 token 数	根据序列长度配置，出现 OOM 时可减小
max_model_len	最大模型长度	根据序列长度配置，出现 OOM 时可减小
enforce-eager	立即执行模式	启动后不启用 musaGraph

提示

注意事项：

如果出现 OOM（内存不足）错误，可尝试减小 max_num_batched_tokens 和 max_model_len 参数值。
--num-gpu-blocks-override 1024 --max-model-len 16384 适用于单并发 16k 上下文场景。

常用操作命令

操作	命令
安装 git-lfs	`apt install git-lfs && git lfs install`
下载 DeepSeek-R1 模型	`git clone https://www.modelscope.cn/hiruyun/gptq-DeepSeek-R1-Distill-Qwen-7B.git`
下载 Qwen2.5-7B 模型	`git clone https://www.modelscope.cn/hiruyun/gptq-Qwen2.5-7B-Instruct-v2.git`
清除系统缓存	`sudo sh -c "echo 3 > /proc/sys/vm/drop_caches"`
启动 vLLM 服务	`vllm serve [模型路径] -tp 1 --gpu_memory_utilization 0.7 --quantization gptq ...`
测试服务接口	`curl http://localhost:8000/v1/models`
停止服务	终端中按 `Ctrl+C`

5. 附录

5.1 核心亮点

vLLM-MUSA 推理框架具有以下核心优势：

开箱即用：预置 vLLM-MUSA 优化框架，免去复杂配置，快速启动模型推理。
高效性能：结合硬件与软件深度优化，提供卓越的推理速度与吞吐量。
生态兼容：无缝接入主流模型平台，支持多种开源大模型本地化部署。
自主可控：完全在本地完成推理，保障数据隐私与模型使用的灵活性。

5.2 常见问题

问题描述	可能原因	解决方案
模型下载失败或速度慢	网络连接问题或 git-lfs 未正确安装	1. 检查网络连接：`ping [www.modelscope.cn；](http://www.modelscope.cn；)` 2. 确认 git-lfs 已安装：`git lfs version`； 3. 重新初始化：`git lfs install`。
服务启动时提示 OOM（内存不足）	GPU 内存不足或参数配置过大	1. 减小 `--gpu_memory_utilization` 参数值； 2. 减小 `--max-model-len` 参数值； 3. 减小 `--num-gpu-blocks-override 参数值`。
curl 调用返回连接拒绝	服务未启动或端口被占用	1. 检查服务是否运行：`ps aux
Python 调用报错 `No module named openai`	未安装 OpenAI 客户端库	执行 `pip install openai` 安装依赖。
模型加载时间过长	模型文件较大或磁盘 I/O 慢	1. 检查磁盘空间是否充足； 2. 确认模型文件完整性； 3. 等待模型加载完成（首次加载可能消耗时间较长）。
推理响应速度慢	硬件性能限制或参数配置不当	1. 检查 GPU 使用率： `mthreads-smi`；2. 调整 `--gpu_memory_utilization` 参数；3. 确认使用了量化模型（GPTQ）以提升速度。

5.3 相关资源

HuggingFace 模型库：https://huggingface.co/
ModelScope 模型库：https://www.modelscope.cn/
vLLM 官方文档：https://docs.vllm.ai/（了解 vLLM 框架更多功能）

模型名称	参数量	ModelScope链接	对应ID
DeepSeek-R1-Distill-Qwen-1.5B	1.5B	https://www.modelscope.cn/models/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B	deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B
Gemma-2-2B-IT	2.6B	https://www.modelscope.cn/models/LLM-Research/gemma-2-2b-it	LLM-Research/gemma-2-2b-it
Qwen2.5-3B-Instruct	3B	https://www.modelscope.cn/models/Qwen/Qwen2.5-3B-Instruct	Qwen/Qwen2.5-3B-Instruct
Llama-3.2-3B-Instruct	3.2B	https://www.modelscope.cn/models/LLM-Research/Llama-3.2-3B-Instruct	LLM-Research/Llama-3.2-3B-Instruct
DeepSeek-R1-Distill-Qwen-7B	7B	https://www.modelscope.cn/models/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B	deepseek-ai/DeepSeek-R1-Distill-Qwen-7B
Qwen2.5-7B-Instruct	7B	https://www.modelscope.cn/models/Qwen/Qwen2.5-7B-Instruct	Qwen/Qwen2.5-7B-Instruct

【初级】在 MTT AIBOOK 上集成 vLLM-MUSA

更新日志

1. 项目简介

2. 前置条件

3. 环境部署

3.1 安装必要工具

3.2 下载模型

3.2.1 DeepSeek-R1-Distill-Qwen-7B GPTQ

3.2.2 Qwen2.5-7B GPTQ

4. 最佳实践

场景1: 启动 vLLM 推理服务

场景2: 通过 HTTP 接口调用服务

场景3: 使用 Python 客户端调用服务

流式输出调用

非流式输出调用

进阶操作：vLLM 参数配置说明

常用操作命令

5. 附录

5.1 核心亮点

5.2 常见问题

5.3 相关资源

推荐模型列表

这篇文章对您有帮助吗？

更新日志​

1. 项目简介​

2. 前置条件​

3. 环境部署​

3.1 安装必要工具​

3.2 下载模型​

3.2.1 DeepSeek-R1-Distill-Qwen-7B GPTQ​

3.2.2 Qwen2.5-7B GPTQ​

4. 最佳实践​

场景1: 启动 vLLM 推理服务​

场景2: 通过 HTTP 接口调用服务​

场景3: 使用 Python 客户端调用服务​

流式输出调用​

非流式输出调用​

进阶操作：vLLM 参数配置说明​

常用操作命令​

5. 附录​

5.1 核心亮点​

5.2 常见问题​

5.3 相关资源​

推荐模型列表​

这篇文章对您有帮助吗？

更新日志

1. 项目简介

2. 前置条件

3. 环境部署

3.1 安装必要工具

3.2 下载模型

3.2.1 DeepSeek-R1-Distill-Qwen-7B GPTQ

3.2.2 Qwen2.5-7B GPTQ

4. 最佳实践

场景1: 启动 vLLM 推理服务

场景2: 通过 HTTP 接口调用服务

场景3: 使用 Python 客户端调用服务

流式输出调用

非流式输出调用

进阶操作：vLLM 参数配置说明

常用操作命令

5. 附录

5.1 核心亮点

5.2 常见问题

5.3 相关资源

推荐模型列表