企业级LLM推理部署新范式:基于ACK的DeepSeek蒸馏模型生产环境落地指南

简介: 企业级LLM推理部署新范式:基于ACK的DeepSeek蒸馏模型生产环境落地指南

DeepSeek凭借其出色的推理表现在春节期间火爆全网,本文重点介绍如何在阿里云容器服务ACK中使用KServe部署生产可用的DeepSeek模型推理服务。


背景介绍


1. DeepSeek R1模型


DeepSeek-R1[1]模型是DeepSeek推出的第一代推理模型,旨在通过大规模强化学习提升大语言模型的推理能力。实验结果表明,DeepSeek-R1在数学推理、编程竞赛等多个任务上表现出色,不仅超过了其他闭源模型,而且在某些任务上接近或超越了OpenAI-o1系列模型。DeepSeek-R1在知识类任务和其他广泛的任务类型中也表现出色,包括创意写作、一般问答等。DeepSeek还将推理能力蒸馏到小模型上,通过对已有模型(Qwen、Llama等)微调提升模型推理能力。蒸馏后的14B模型显著超越了现有的开源模型QwQ-32B,而蒸馏后的32B和70B模型均刷新纪录。更多模型信息请参考DeepSeek AI GitHub仓库[2]


2. KServe


KServe是一个开源的云原生模型服务平台,旨在简化在Kubernetes上部署和运行机器学习模型的过程,支持多种机器学习框架、具备弹性扩容能力。KServe通过定义简单的YAML文件,提供声明式的API来部署模型,使得配置和管理模型服务变得更加容易。关于KServe开源项目的更多信息,请参见KServe[3]


3. Arena


Arena是基于Kubernetes的机器学习轻量级解决方案,支持数据准备、模型开发、模型训练、模型预测的完整生命周期,提升数据科学家工作效率。同时和阿里云的基础云服务深度集成,支持GPU共享、CPFS等服务,可以运行阿里云优化的深度学习框架,最大化利用阿里云异构设备的性能和成本的效益。关于Arena的信息可以参考文档[4]


前提条件


已创建包含GPU的Kubernetes集群。具体操作,请参见创建包含GPU的Kubernetes集群[5]


GPU机型选择A10即可,推荐机型ecs.gn7i-c8g1.2xlarge。


已安装ack-kserve️组件。具体操作,请参见安装ack-kserve️[6]


已安装Arena客户端。具体操作,请参见安装Arena[7]


模型部署


步骤一:准备DeepSeek-R1-Distill-Qwen-7B模型文件


1. 执行以下命令从ModelScope下载DeepSeek-R1-Distill-Qwen-7B模型。


# 确认是否已安装git-lfs插件
# 如未安装可执行yum install git-lfs 或 apt install git-lfs安装
git lfs install
# clone DeepSeek-R1-Distill-Qwen-7B项目
GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B.git
# 下载模型文件
cd DeepSeek-R1-Distill-Qwen-7B/
git lfs pull


2. 上传OSS


# 创建目录
ossutil mkdir oss://<your-bucket-name>/models/DeepSeek-R1-Distill-Qwen-7B
# 上传文件
ossutil cp -r ./DeepSeek-R1-Distill-Qwen-7B oss://<your-bucket-name>/models/DeepSeek-R1-Distill-Qwen-7B


3. 为目标集群配置名为llm-model的存储卷PV和存储声明PVC。具体操作,请参见使用OSS静态存储卷[8]


以下为示例PV的基本配置信息:



以下为示例PVC的基本配置信息:




步骤二:部署推理服务


1. 执行下列命令,启动名称为deepseek的推理服务。


arena serve kserve \  
     --name=deepseek \  
     --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/vllm:v0.6.6 \
     --gpus=1 \ 
     --cpu=4 \   
     --memory=12Gi \ 
     --data=llm-model:/model/DeepSeek-R1-Distill-Qwen-7B \  
     "vllm serve /model/DeepSeek-R1-Distill-Qwen-7B --port 8080 --trust-remote-code --served-model-name deepseek-r1 --max-model-len 32768 --gpu-memory-utilization 0.95 --enforce-eager"


参数解释如下表所示:



预期输出:


inferenceservice.serving.kserve.io/deepseek created
INFO[0003] The Job deepseek has been submitted successfully
INFO[0003] You can run `arena serve get deepseek --type kserve -n default` to check the job status


步骤三:验证推理服务


1. 执行下列命令,查看KServe推理服务的部署情况。


arena serve get deepseek


预期输出:


Name:       deepseek
Namespace:  default
Type:       KServe
Version:    1
Desired:    1
Available:  1
Age:        3m
Address:    http://deepseek-default.example.com
Port:       :80
GPU:        1


Instances:
NAME                                 STATUS   AGE  READY  RESTARTS  GPU  NODE
----                                 ------   ---  -----  --------  ---  ---- 
deepseek-predictor-7cd4d568fd-fznfg  Running  3m   1/1    0         1    cn-beijing.172.16.1.77


输出结果表明,KServe推理服务部署成功,模型访问地址为http://deepseek-default.example.com


2. 执行以下命令,使用获取到的Nginx Ingress网关地址访问推理服务。


# 获取Nginx ingress的IP地址。
NGINX_INGRESS_IP=$(kubectl -n kube-system get svc nginx-ingress-lb -ojsonpath='{.status.loadBalancer.ingress[0].ip}')
# 获取Inference Service的Hostname。SERVICE_HOSTNAME=$(kubectl get inferenceservice deepseek -o jsonpath='{.status.url}' | cut -d "/" -f 3)
# 发送请求访问推理服务。
curl -H "Host: $SERVICE_HOSTNAME" -H "Content-Type: application/json" http://$NGINX_INGRESS_IP:80/v1/chat/completions -d '{"model": "deepseek-r1", "messages": [{"role": "user", "content": "Say this is a test!"}], "max_tokens": 512, "temperature": 0.7, "top_p": 0.9, "seed": 10}'


预期输出:


{"id":"chatcmpl-0fe3044126252c994d470e84807d4a0a","object":"chat.completion","created":1738828016,"model":"deepseek-r1","choices":[{"index":0,"message":{"role":"assistant","content":"<think>\n\n</think>\n\nIt seems like you're testing or sharing some information. How can I assist you further? If you have any questions or need help with something, feel free to ask!","tool_calls":[]},"logprobs":null,"finish_reason":"stop","stop_reason":null}],"usage":{"prompt_tokens":9,"total_tokens":48,"completion_tokens":39,"prompt_tokens_details":null},"prompt_logprobs":null}


可观测


在生产环境中LLM推理服务的可观测性是至关重要的,可以有效提前发现和定位故障。vLLM框架提供了许多LLM推理指标(具体指标可查询Metrics文档[9]),KServe也提供了一些指标来帮助您监控模型服务的性能和健康状况。我们在arena工具中集成了这些能力,您只需要在提交应用时增加--enable-prometheus=true参数即可。


arena serve kserve \ 
   --name=deepseek \  
   --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/vllm:v0.6.6 \ 
   --gpus=1 \   
   --cpu=4 \  
   --memory=12Gi \  
   --enable-prometheus=true \ 
   --data=llm-model:/model/DeepSeek-R1-Distill-Qwen-7B \  
   "vllm serve /model/DeepSeek-R1-Distill-Qwen-7B --port 8080 --trust-remote-code --served-model-name deepseek-r1 --max-model-len 32768 --gpu-memory-utilization 0.95 --enforce-eager"


配置后Dashboard大盘如下图所示:



弹性扩缩容


在部署与管理KServe模型服务过程中,需应对模型推理服务面临的高度动态负载波动。KServe通过集成Kubernetes原生的HPA(Horizontal Pod Autoscaler)技术及扩缩容控制器,实现了根据CPU利用率、内存占用情况、GPU利用率以及自定义性能指标,自动灵活地调整模型服务Pod的规模,以确保服务效能与稳定性。


arena serve kserve \ 
    --name=deepseek \   
    --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/vllm:v0.6.6 \
    --gpus=1 \  
    --cpu=4 \ 
    --memory=12Gi \   
    --scale-metric=DCGM_CUSTOM_PROCESS_SM_UTIL \   
    --scale-target=80 \  
    --min-replicas=1 \  
    --max-replicas=2 \   
    --data=llm-model:/model/DeepSeek-R1-Distill-Qwen-7B \ 
    "vllm serve /model/DeepSeek-R1-Distill-Qwen-7B --port 8080 --trust-remote-code --served-model-name deepseek-r1 --max-model-len 32768 --gpu-memory-utilization 0.95 --enforce-eager"


以上示例演示如何基于Pod的GPU利用率配置自定义指标的扩缩容。--scale-metric指定扩缩容指标为DCGM_CUSTOM_PROCESS_SM_UTIL, 通过--scale-target指定阈值,当GPU利用超出80%时将会触发扩容。--min-replicas及--max-replicas设定了最小和最大副本数量。您也可以根据业务需求配置其他指标,详情可参考基于KServe为服务配置弹性扩缩容策略[10]


模型加速


随着技术的发展,AI应用的模型数据越来越大,但是通过存储服务(如OSS、NAS等)拉取这些大文件时可能会出现长时间的延迟和冷启动问题。您可以利用Fluid显著提升模型加载速度,从而优化推理服务的性能,特别是对于基于KServe的推理服务而言。实验结果表明,在A10卡上加载DeepSeek-R1-Distill-Qwen-7B模型,与OSS内网拉取相比,使用Fluid后LLM推理就绪时间减少了50.9%。


灰度发布


在生产环境中应用发布更新是最为常见的操作,为了保证业务平稳,降低变更风险,灰度发布必不可少。ACK支持多种灰度发布策略,如根据流量百分比灰度,根据请求Header灰度等。详情可参考推理服务的灰度发布文档[11]

GPU共享推理


DeepSeek-R1-Distill-Qwen-7B模型仅需14GB显存,如果您使用更高规格的GPU机型如A100等,可以考虑使用GPU共享推理技术,提升GPU利用率。GPU共享技术可以将一个GPU进行切分,多个推理服务共享一个GPU,以提升GPU利用率。详情可参考部署GPU共享推理服务文档[12]

总结


DeepSeek-R1在数学推理、编程竞赛等多个任务上表现出色,不仅超过了其他闭源模型,而且在某些任务上接近或超越了OpenAI-o1系列模型。一经发布,尝试者众。本文介绍了如何在ACK上使用KServe部署生产可用的DeepSeek推理服务,包括模型部署、可观测、灰度发布、弹性扩缩容等基本能力,同时ACK还提供了如Fluid模型加速、GPU共享推理的高阶能力,欢迎大家试用。


相关链接:


[1] DeepSeek-R1

https://github.com/deepseek-ai/DeepSeek-R1


[2] DeepSeek AI GitHub仓库

https://github.com/deepseek-ai


[3] KServe

https://xiumi.us/studio/v5#/paper/for/523334546/cube/0


[4] 文档

https://github.com/kubeflow/arena


[5] 创建包含GPU的Kubernetes集群

https://help.aliyun.com/zh/ack/ack-managed-and-ack-dedicated/user-guide/create-an-ack-managed-cluster-with-gpu-accelerated-nodes?spm=a2c4g.171073.0.0.4c78f95a00Mb5P


[6] 安装ack-kserve️

https://help.aliyun.com/zh/ack/cloud-native-ai-suite/user-guide/installation-ack-kserve


[7] 安装Arena

https://help.aliyun.com/zh/ack/cloud-native-ai-suite/user-guide/install-arena#task-1917487


[8] 使用OSS静态存储卷

https://help.aliyun.com/zh/ack/ack-managed-and-ack-dedicated/user-guide/mount-statically-provisioned-oss-volumes


[9] Metrics文档

https://docs.vllm.ai/en/stable/serving/metrics.html


[10] 基于KServe为服务配置弹性扩缩容策略

https://help.aliyun.com/zh/ack/cloud-native-ai-suite/user-guide/configure-an-elastic-scaling-policy-for-a-service?spm=a2c4g.11186623.help-menu-85222.d_2_4_5_4.5ae11b97C1VtV7&scm=20140722.H_2785369._.OR_help-T_cn~zh-V_1


[11] 推理服务的灰度发布文档

https://help.aliyun.com/zh/ack/cloud-native-ai-suite/user-guide/implementation-of-gray-scale-publishing-of-inference-service?spm=a2c4g.11186623.help-menu-85222.d_2_4_5_3.d97e63c5xf0Mnc&scm=20140722.H_2785368._.OR_help-T_cn~zh-V_1


[12] 部署GPU共享推理服务文档

https://help.aliyun.com/zh/ack/cloud-native-ai-suite/user-guide/deploy-gpu-shared-inference-service?spm=a2c4g.11186623.help-menu-85222.d_2_4_5_7.735b33b7jgsWGW&scm=20140722.H_2833049._.OR_help-T_cn~zh-V_1


/ END /

相关实践学习
通过Ingress进行灰度发布
本场景您将运行一个简单的应用,部署一个新的应用用于新的发布,并通过Ingress能力实现灰度发布。
容器应用与集群管理
欢迎来到《容器应用与集群管理》课程,本课程是“云原生容器Clouder认证“系列中的第二阶段。课程将向您介绍与容器集群相关的概念和技术,这些概念和技术可以帮助您了解阿里云容器服务ACK/ACK Serverless的使用。同时,本课程也会向您介绍可以采取的工具、方法和可操作步骤,以帮助您了解如何基于容器服务ACK Serverless构建和管理企业级应用。 学习完本课程后,您将能够: 掌握容器集群、容器编排的基本概念 掌握Kubernetes的基础概念及核心思想 掌握阿里云容器服务ACK/ACK Serverless概念及使用方法 基于容器服务ACK Serverless搭建和管理企业级网站应用
目录
打赏
0
11
12
0
149
分享
相关文章
英伟达提出全新Star Attention,10倍加速LLM推理!登顶Hugging Face论文榜
英伟达推出的Star Attention技术,旨在解决Transformer模型在长序列推理中的高计算成本与速度瓶颈问题。通过两阶段块稀疏近似方法,第一阶段利用块局部注意力并行处理上下文信息,第二阶段通过全局注意力机制交互查询与缓存令牌,从而显著提升计算效率并减少通信开销。该技术可无缝集成到现有LLM中,将内存需求和推理时间降低多达11倍,同时保持高准确性。然而,其在极长序列处理中可能面临内存限制,并增加模型复杂性。尽管如此,Star Attention为长序列推理提供了创新解决方案,推动了Transformer模型的实际应用潜力。
49 19
使用ArgoCD管理Kubernetes部署指南
ArgoCD 是一款基于 Kubernetes 的声明式 GitOps 持续交付工具,通过自动同步 Git 存储库中的配置与 Kubernetes 集群状态,确保一致性与可靠性。它支持实时同步、声明式设置、自动修复和丰富的用户界面,极大简化了复杂应用的部署管理。结合 Helm Charts,ArgoCD 提供模块化、可重用的部署流程,显著减少人工开销和配置错误。对于云原生企业,ArgoCD 能优化部署策略,提升效率与安全性,是实现自动化与一致性的理想选择。
30 0
集群部署:使用Rancher部署Kubernetes集群。
以上就是使用 Rancher 部署 Kubernetes 集群的流程。使用 Rancher 和 Kubernetes,开发者可以受益于灵活性和可扩展性,允许他们在多种环境中运行多种应用,同时利用自动化工具使工作负载更加高效。
36 19
|
11天前
|
在Docker上部署Ollama+AnythingLLM完成本地LLM Agent部署
通过以上步骤,您可以成功在Docker上部署Ollama和AnythingLLM,实现本地LLM Agent的功能。在部署过程中,确保环境和配置正确,以避免不必要的问题。希望本文能够帮助您顺利完成部署,并在本地环境中高效地使用LLM模型。
312 8
使用容器服务ACK快速部署QwQ-32B模型并实现推理智能路由
阿里云最新发布的QwQ-32B模型,通过强化学习大幅度提升了模型推理能力。QwQ-32B模型拥有320亿参数,其性能可以与DeepSeek-R1 671B媲美。
AI做数学学会动脑子! UCL等发现LLM程序性知识,推理绝不是背答案
大型语言模型(LLM)在数学推理中的表现一直备受争议。伦敦大学学院等机构的研究发现,LLM可能通过综合程序性知识而非简单检索来解决数学问题。研究分析了7B和35B参数模型在三个简单数学任务中的数据依赖,表明模型更关注解决问题的过程和方法,而非答案本身。这一发现为改进AI系统提供了新思路,但也指出LLM在复杂问题处理上仍存在局限。论文地址:https://arxiv.org/abs/2411.12580
42 2
MNN-LLM App:在手机上离线运行大模型,阿里巴巴开源基于 MNN-LLM 框架开发的手机 AI 助手应用
MNN-LLM App 是阿里巴巴基于 MNN-LLM 框架开发的 Android 应用,支持多模态交互、多种主流模型选择、离线运行及性能优化。
1939 20
MNN-LLM App:在手机上离线运行大模型,阿里巴巴开源基于 MNN-LLM 框架开发的手机 AI 助手应用
企业内训|LLM大模型在服务器和IT网络运维中的应用-某日企IT运维部门
本课程是为某在华日资企业集团的IT运维部门专门定制开发的企业培训课程,本课程旨在深入探讨大型语言模型(LLM)在服务器及IT网络运维中的应用,结合当前技术趋势与行业需求,帮助学员掌握LLM如何为运维工作赋能。通过系统的理论讲解与实践操作,学员将了解LLM的基本知识、模型架构及其在实际运维场景中的应用,如日志分析、故障诊断、网络安全与性能优化等。
166 2
文档智能 & RAG 让AI大模型更懂业务 —— 阿里云LLM知识库解决方案评测
随着数字化转型的深入,企业对文档管理和知识提取的需求日益增长。阿里云推出的文档智能 & RAG(Retrieval-Augmented Generation)解决方案,通过高效的内容清洗、向量化处理、精准的问答召回和灵活的Prompt设计,帮助企业构建强大的LLM知识库,显著提升企业级文档管理的效率和准确性。
|
2月前
|
LLM破局泛化诊断难题,MSSP刊登北航PHM实验室健康管理大模型交叉研究
北航PHM实验室提出了一种基于大型语言模型(LLM)的轴承故障诊断框架,结合传统诊断技术,解决了跨条件适应性、小样本学习和跨数据集泛化等问题。该框架通过信号特征量化方法提取振动数据的语义信息,并采用LoRA和QLoRA微调预训练模型,显著提升了诊断模型的泛化能力。实验结果显示,在跨数据集训练中,模型准确性提升了约10%,相关成果发表于《Mechanical Systems and Signal Processing》期刊。尽管存在计算资源需求高等挑战,该研究为旋转机械的高效维护提供了新思路。
49 2

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等