推理性能

模型性能数据

以下数据来自 vLLM-MUSA v1.4.2 在 M1000 端侧环境的实测结果。均在性能模式+compute_only环境下测试,数值供参考。

测试环境

• 端设备：M1000 模组，64G 统一内存, DDR6400
• 系统版本：V1.4.1
• 服务参数：max-model-len=16384
• 文本测试并发：1、2
• 文本测试输入 / 输出：32/32、128/128、1024/1024、3072/1024、8192/1024
• 图片测试输入 / 输出：128/128，单图，分辨率 256×256、512×512、720×1280

指标说明

LLM / VLM 文本性能字段：

• Batch：并发数。
• Input：输入 token 数。
• Output：输出 token 数。
• Decode(tps)：Decode 吞吐率，即输出 TPS,为1000/TPOT(ms)。
• TTFT(ms)：首 token 平均延迟。
• TPOT(ms)：平均每输出 token 耗时。

图片输入性能字段：

• Image：图片分辨率。
• 其余字段含义同 LLM / VLM 文本性能字段。

Embedding / Reranker 性能字段：

• Input / Output：输入 / 输出 token 数。
• QPS：实际请求 QPS。
• Output(tps)：输出吞吐。
• Total(tps)：总吞吐。
• TTFT(ms)：首 token 平均延迟。

LLM / VLM 文本性能指标

Qwen3.6

gptq-Qwen3.6-35B-A3B-4bit-group（MoE GPTQ，GPTQ INT4（W4A16））

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	19.33	682.98	51.74
1	128.0	128.0	18.60	1200.71	53.75
1	1024.0	1024.0	18.16	4884.80	55.08
1	3072.0	1024.0	17.55	13889.76	56.99
1	8192.0	1024.0	16.18	37621.42	61.80
2	32.0	32.0	10.10	1343.77	98.97
2	128.0	128.0	9.81	2395.26	101.95
2	1024.0	1024.0	9.52	9776.32	105.04
2	3072.0	1024.0	8.96	24139.79	111.55
2	8192.0	1024.0	7.69	60426.07	130.00

Qwen3.6-27B-gptq-v1（Dense GPTQ，GPTQ INT4（W4A16））

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	4.19	1403.54	238.64
1	128.0	128.0	4.03	2780.04	248.01
1	1024.0	1024.0	3.86	13649.41	259.04
1	3072.0	1024.0	3.67	45759.20	272.31
1	8192.0	1024.0	3.24	130219.21	308.89
2	32.0	32.0	1.46	2103.60	684.85
2	128.0	128.0	1.42	4540.62	706.17
2	1024.0	1024.0	1.37	26420.41	729.73
2	3072.0	1024.0	1.30	80814.48	769.05
2	8192.0	1024.0	1.12	199596.19	890.39

Qwen3.5

gptq-Qwen3.5-35B-A3B-full-4bit-group（MoE GPTQ，GPTQ INT4（W4A16））

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	128.0	18.94	723.93	52.81
1	128.0	128.0	18.83	1200.50	53.12
1	1024.0	128.0	18.42	4702.10	54.29
1	8192.0	128.0	16.45	35673.32	60.79

gptq-Qwen3.5-9B-full-int4-group（Dense GPTQ，GPTQ INT4（W4A16））

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	11.79	394.95	84.85
1	128.0	128.0	11.31	742.54	88.40
1	1024.0	1024.0	10.75	3802.27	93.04
1	3072.0	1024.0	9.96	12133.66	100.39
1	8192.0	1024.0	8.38	33830.81	119.29
2	32.0	32.0	4.11	766.67	243.13
2	128.0	128.0	3.98	1460.13	250.97
2	1024.0	1024.0	3.82	7609.67	262.00
2	3072.0	1024.0	3.57	21808.03	280.02
2	8192.0	1024.0	3.02	53283.27	330.95

gptq-Qwen3.5-4B-full-int4-group（Dense GPTQ，GPTQ INT4（W4A16））

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	18.38	261.33	54.42
1	128.0	128.0	17.88	483.24	55.94
1	1024.0	1024.0	16.28	2386.08	61.42
1	3072.0	1024.0	14.51	7433.96	68.92
1	8192.0	1024.0	11.34	20759.12	88.15
2	32.0	32.0	7.68	480.22	130.15
2	128.0	128.0	7.44	939.95	134.46
2	1024.0	1024.0	6.89	4739.19	145.13
2	3072.0	1024.0	6.18	13075.00	161.70
2	8192.0	1024.0	4.80	32274.46	208.36

Qwen3.5-4B（Dense，BF16）

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	9.06	324.21	110.32
1	128.0	128.0	8.81	480.09	113.47
1	1024.0	1024.0	8.40	2056.30	119.04
1	3072.0	1024.0	7.89	5545.91	126.73
1	8192.0	1024.0	6.85	15006.32	145.92
2	32.0	32.0	7.38	505.13	135.50
2	128.0	128.0	7.22	818.44	138.57
2	1024.0	1024.0	6.72	4016.55	148.85
2	3072.0	1024.0	6.06	9540.27	165.06
2	8192.0	1024.0	4.77	23510.17	209.57

Qwen3-VL

gptq-Qwen3-VL-8B-Instruct-4bit-group（VLM GPTQ，GPTQ INT4（W4A16））

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	13.06	322.76	76.55
1	128.0	128.0	12.40	594.95	80.64
1	1024.0	1024.0	10.58	3176.45	94.50
1	3072.0	1024.0	8.65	10904.11	115.57
1	8192.0	1024.0	5.95	32595.23	168.05
2	32.0	32.0	4.47	605.36	223.63
2	128.0	128.0	4.30	1138.39	232.73
2	1024.0	1024.0	3.82	6321.58	261.92
2	3072.0	1024.0	3.26	19126.13	306.31
2	8192.0	1024.0	0.22	4699074.44	4566.25

gptq-Qwen3-VL-4B-Instruct-4bit-group（VLM GPTQ，GPTQ INT4（W4A16））

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	20.75	182.96	48.20
1	128.0	128.0	19.70	348.21	50.75
1	1024.0	1024.0	15.36	1775.45	65.11
1	3072.0	1024.0	11.59	6051.21	86.25
1	8192.0	1024.0	7.19	19708.28	139.02
2	32.0	32.0	8.49	327.91	117.84
2	128.0	128.0	8.07	656.81	123.98
2	1024.0	1024.0	6.59	3536.24	151.71
2	3072.0	1024.0	5.14	10742.99	194.71
2	8192.0	1024.0	0.37	2764944.77	2695.72

gptq-Qwen3-VL-2B-Instruct-4bit-group（VLM GPTQ，GPTQ INT4（W4A16））

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	38.36	98.43	26.07
1	128.0	128.0	36.05	161.66	27.74
1	1024.0	1024.0	25.62	745.43	39.03
1	3072.0	1024.0	18.01	2405.86	55.53
1	8192.0	1024.0	10.37	7756.53	96.39
2	32.0	32.0	16.38	173.50	61.04
2	128.0	128.0	15.43	296.31	64.79
2	1024.0	1024.0	11.53	1455.69	86.72
2	3072.0	1024.0	8.35	4246.47	119.78
2	8192.0	1024.0	0.93	1088641.03	1072.05

Qwen3

Qwen3-30B-A3B-GPTQ-Int4（MoE GPTQ，GPTQ INT4（W4A16））

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	22.26	742.56	44.91
1	128.0	128.0	21.46	1258.59	46.59
1	1024.0	1024.0	20.21	5354.20	49.49
1	3072.0	1024.0	18.77	15801.16	53.27
1	8192.0	1024.0	15.97	45665.25	62.63
2	32.0	32.0	12.13	1462.62	82.47
2	128.0	128.0	11.57	2487.79	86.42
2	1024.0	1024.0	10.86	10691.06	92.11
2	3072.0	1024.0	9.53	27671.27	104.96
2	8192.0	1024.0	0.16	6351976.66	6130.48

gptq-Qwen3-8B（Dense GPTQ，GPTQ INT4（W4A16））

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	10.78	286.09	92.74
1	128.0	128.0	10.38	488.14	96.37
1	1024.0	1024.0	9.01	2092.27	110.96
1	3072.0	1024.0	7.57	5921.74	132.16
1	8192.0	1024.0	5.41	18432.20	184.74
2	32.0	32.0	6.07	468.50	164.71
2	128.0	128.0	5.84	870.44	171.25
2	1024.0	1024.0	5.02	4063.83	199.20
2	3072.0	1024.0	4.13	10085.31	241.91
2	8192.0	1024.0	0.39	2598680.30	2547.36

Qwen3-8B（Dense，BF16）

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	5.71	441.86	175.01
1	128.0	128.0	5.54	596.23	180.65
1	1024.0	1024.0	5.11	2271.19	195.82
1	3072.0	1024.0	4.61	6400.03	217.03
1	8192.0	1024.0	3.71	19240.77	269.79
2	32.0	32.0	4.49	637.34	222.83
2	128.0	128.0	4.36	949.79	229.45
2	1024.0	1024.0	3.88	4323.20	257.53
2	3072.0	1024.0	3.33	10676.42	300.48
2	8192.0	1024.0	0.37	2756780.86	2721.17

Qwen3-0.6B（Dense，BF16）

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	48.52	66.01	20.61
1	128.0	128.0	44.93	86.33	22.26
1	1024.0	1024.0	29.99	310.73	33.34
1	3072.0	1024.0	20.05	1001.34	49.86
1	8192.0	1024.0	11.00	3900.75	90.94
2	32.0	32.0	38.79	93.42	25.78
2	128.0	128.0	35.14	138.29	28.46
2	1024.0	1024.0	20.10	581.38	49.74
2	3072.0	1024.0	12.16	1702.64	82.23
2	8192.0	1024.0	1.95	510700.93	513.83

Hunyuan

Hy-MT2-7B（Dense，BF16）

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	5.67	452.73	176.49
1	128.0	128.0	5.49	639.45	182.14
1	1024.0	1024.0	5.10	2310.87	195.91
1	3072.0	1024.0	4.65	6482.91	215.21
1	8192.0	1024.0	3.79	19674.85	263.55
2	32.0	32.0	4.49	657.06	222.77
2	128.0	128.0	4.37	1030.84	228.79
2	1024.0	1024.0	3.93	4405.35	254.18
2	3072.0	1024.0	3.40	10874.94	294.01
2	8192.0	1024.0	0.37	2727933.37	2692.03

Hy-MT2-1.8B（Dense，BF16）

Batch	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	32.0	32.0	18.76	128.85	53.32
1	128.0	128.0	18.04	183.24	55.42
1	1024.0	1024.0	16.59	645.86	60.29
1	3072.0	1024.0	15.36	1801.68	65.09
1	8192.0	1024.0	13.06	6120.81	76.55
2	32.0	32.0	14.89	176.11	67.16
2	128.0	128.0	14.35	279.98	69.68
2	1024.0	1024.0	12.79	1208.11	78.20
2	3072.0	1024.0	11.36	3062.23	88.06
2	8192.0	1024.0	1.21	840625.57	828.17

图片输入性能指标

Qwen3-VL

gptq-Qwen3-VL-30B-A3B-Instruct-4bit-group（VLM MoE GPTQ，GPTQ INT4（W4A16））

Batch	Image	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	256×256	128	128	19.21	1878.99	52.06
1	512×512	128	128	18.26	2906.94	54.77
1	720×1280	128	128	15.74	6442.30	63.52

gptq-Qwen3-VL-8B-Instruct-4bit-group（VLM GPTQ，GPTQ INT4（W4A16））

Batch	Image	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	256×256	128	128	12.23	781.11	81.79
1	512×512	128	128	11.93	1495.05	83.82
1	720×1280	128	128	11.10	4015.97	90.06

gptq-Qwen3-VL-4B-Instruct-4bit-group（VLM GPTQ，GPTQ INT4（W4A16））

Batch	Image	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	256×256	128	128	18.83	456.18	53.12
1	512×512	128	128	18.15	896.04	55.09
1	720×1280	128	128	16.31	2352.82	61.33

gptq-Qwen3-VL-2B-Instruct-4bit-group（VLM GPTQ，GPTQ INT4（W4A16））

Batch	Image	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	256×256	128	128	33.41	221.83	29.93
1	512×512	128	128	31.75	500.24	31.49
1	720×1280	128	128	27.33	1377.59	36.58

OCR

PaddleOCR-VL（OCR，BF16）

Batch	Image	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	256×256	128	128	63.13	89.77	15.84
1	512×512	128	128	60.57	440.23	16.51
1	720×1280	128	128	47.98	1812.57	20.84

DeepSeek-OCR-2（OCR，BF16）

Batch	Image	Input	Output	Decode(tps)	TTFT(ms)	TPOT(ms)
1	256×256	127	128	48.92	312.53	20.44
1	512×512	127	128	48.92	890.55	20.44
1	720×1280	127	128	46.61	1371.55	21.45

Embedding / Reranker 性能指标

bge-m3（Embedding，FP16）

Batch	Input / Output	QPS	Output(tps)	Total(tps)	TTFT(ms)
1	1024/1024	0.73	748	1496	250.9
1	128/128	0.74	93	187	45.0
1	3072/1024	0.63	1941	3881	1441.9
1	32/32	0.74	22	44	43.8
2	1024/1024	0.73	749	1497	241.8
2	128/128	0.74	93	187	44.4
2	3072/1024	0.64	1968	3935	2139.2
2	32/32	0.74	22	44	43.2

bge-reranker-v2-m3（Reranker，FP16）

Batch	Input / Output	QPS	Output(tps)	Total(tps)	TTFT(ms)
1	1024/1024	0.74	758	1515	2.2
1	128/128	0.74	93	187	1.9
1	3072/1024	0.74	2276	4552	2.5
1	32/32	0.74	22	44	2.4
1	8196/1024	0.74	6075	12150	3.3
2	1024/1024	0.74	758	1515	1.9
2	128/128	0.74	93	187	2.2
2	3072/1024	0.74	2276	4552	2.5
2	32/32	0.74	22	44	2.2
2	8196/1024	0.74	6073	12146	3.2

本章节提供基于 vllm bench serve 的快速验证命令，用于确认文本生成和多模态图片请求链路可以正常完成，并快速查看 TTFT、TPOT、吞吐等基础指标。以下示例默认使用单请求、单并发配置。

测试前准备

性能测试需要先启动模型服务，再另开一个窗口运行 vllm bench serve。

建议在运行 benchmark 前先激活环境，并显式配置 conda 运行时库路径：

source /home/dev/miniforge3/etc/profile.d/conda.sh
conda activate v1.4.2
export LD_LIBRARY_PATH="$CONDA_PREFIX/lib:$LD_LIBRARY_PATH"

提示

如果未配置 LD_LIBRARY_PATH=$CONDA_PREFIX/lib:$LD_LIBRARY_PATH，可能会遇到 CXXABI_1.3.15 not found 相关报错，处理方式请参考“常见问题（FAQ）”。

文本生成快速验证

先按“快速开始”章节启动文本生成模型服务，例如 gptq-Qwen3-8B。服务启动后，在另一个窗口执行：

vllm bench serve \
  --backend openai-chat \
  --base-url http://127.0.0.1:8000 \
  --endpoint /v1/chat/completions \
  --model /home/dev/models/gptq-Qwen3-8B \
  --dataset-name random \
  --random-input-len 128 \
  --random-output-len 128 \
  --num-prompts 1 \
  --max-concurrency 1 \
  --ignore-eos

多模态图片快速验证

多模态图片性能快速验证适用于 Qwen-VL、Qwen3-VL 等图片输入模型。先按“快速开始”章节启动多模态模型服务，例如 gptq-Qwen3-VL-8B-Instruct-4bit-group。如果使用该 8B 示例，服务启动时需要包含：

--limit-mm-per-prompt '{"image":1}'
--hf-overrides '{"text_config":{"tie_word_embeddings":false}}'

如果改测 Qwen3-VL 2B/4B，只保留 --limit-mm-per-prompt '{"image":1}'，不要增加 --hf-overrides；如果改测 Qwen3-VL 30B-A3B，与 8B 一样需要增加 --hf-overrides '{"text_config":{"tie_word_embeddings":false}}'。

服务启动后，在另一个窗口执行：

vllm bench serve \
  --backend openai-chat \
  --base-url http://127.0.0.1:8000 \
  --endpoint /v1/chat/completions \
  --model /home/dev/models/gptq-Qwen3-VL-8B-Instruct-4bit-group \
  --dataset-name random-mm \
  --num-prompts 1 \
  --max-concurrency 1 \
  --random-input-len 128 \
  --random-output-len 128 \
  --random-mm-base-items-per-request 1 \
  --random-mm-limit-mm-per-prompt '{"image":1,"video":0}' \
  --random-mm-bucket-config '{(256, 256, 1): 1.0}'

上述命令使用 random-mm 随机多模态数据集，发送 1 条多模态请求。该请求包含约 128 token 文本输入、1 张 256×256 随机图片，并请求模型生成约 128 token。

如需快速验证不同图片分辨率，可调整 --random-mm-bucket-config：

# 512 x 512 单图
--random-mm-bucket-config '{(512, 512, 1): 1.0}'

# 720 x 1280 单图
--random-mm-bucket-config '{(720, 1280, 1): 1.0}'

提示

当前 random-mm 适合快速验证多模态图片输入链路和基础指标。真实业务需求请使用需求真实图片数据集和固定提示词进行测试。

参数说明

参数名	参数作用	输入范围 / 建议值
--backend	指定 benchmark 使用的服务后端	OpenAI chat 接口使用 openai-chat
--base-url	指定 vLLM 服务地址	默认本机服务可使用 http://127.0.0.1:8000
--endpoint	指定请求接口	文本和多模态 chat 使用 /v1/chat/completions
--model	指定待测试的模型名称 / 本地路径	字符串，需与服务端部署的模型路径或 --served-model-name 一致
--dataset-name	指定性能测试使用的数据集类型	文本随机数据集使用 random，随机多模态数据集使用 random-mm
--random-input-len	使用随机数据集时，设置输入 Prompt 的 token 长度	正整数，快速验证可使用 128
--random-output-len	使用随机数据集时，设置模型输出 token 长度	正整数，快速验证可使用 128
--num-prompts	指定本次 benchmark 总请求数	快速验证使用 1；多请求稳定性或吞吐测试可增大到 10、100 或更多
--max-concurrency	指定最大并发请求数	单请求快速验证使用 1
--ignore-eos	忽略 EOS 结束符	文本性能测试时启用可保证输出长度稳定，避免提前停止影响结果
--random-mm-base-items-per-request	多模态测试中，每条请求的多模态输入数量基准值	单图测试使用 1
--random-mm-limit-mm-per-prompt	限制每条请求中不同多模态输入的数量	单图测试使用 '{"image":1,"video":0}'
--random-mm-bucket-config	配置随机图片尺寸及采样概率	例如 '{(256, 256, 1): 1.0}' 表示每条请求使用 1 张 256×256 图片

--num-prompts 说明

--num-prompts 表示本次 benchmark 总共发送多少条请求。快速验证场景建议设置为：

--num-prompts 1

对于多模态 random-mm 测试，每条请求通常包含：

• 一段随机文本输入；
• 按 --random-mm-* 参数生成的图片输入；
• 指定长度的输出请求。

如果需要做多请求稳定性或吞吐测试，可以将 --num-prompts 增大，例如 10、100 或更多，并根据测试目标调整 --max-concurrency。

输出示例

执行成功后，vllm bench serve 会输出类似如下指标。具体数值与模型、输入长度、输出长度、图片尺寸、并发数和运行环境有关，请以实际测试输出为准。

============ Serving Benchmark Result ============
Successful requests:                     1
Failed requests:                         0
Maximum request concurrency:             1
Benchmark duration (s):                  11.68
Total input tokens:                      128
Total generated tokens:                  128
Request throughput (req/s):              0.09
Output token throughput (tok/s):         10.96
Peak output token throughput (tok/s):    12.00
Peak concurrent requests:                1.00
Total token throughput (tok/s):          21.91
---------------Time to First Token----------------
Mean TTFT (ms):                          582.24
Median TTFT (ms):                        582.24
P99 TTFT (ms):                           582.24
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms):                          87.40
Median TPOT (ms):                        87.40
P99 TPOT (ms):                           87.40
---------------Inter-token Latency----------------
Mean ITL (ms):                           86.72
Median ITL (ms):                         87.78
P99 ITL (ms):                            91.97
==================================================

备注

1. 一个窗口启动模型服务（vllm serve），另一个窗口运行性能测试（vllm bench serve）。
2. 本章节命令定位为快速验证，默认使用单请求、单并发。
3. 上述输出示例仅说明结果格式，不代表固定性能数据。实际结果请以本地测试输出为准。
4. 正式性能测试建议固定并发、请求数、输入/输出长度、图片尺寸和测试环境，并多次运行后统计结果。