深入剖析 Qwen2.5 - 32B 模型在 VLLM 上的部署与运行
在当今人工智能的前沿探索中，模型的部署与优化是实现其价值的关键环节。最近，我深入研究了基于 VLLM 部署 Qwen2.5 - 32B 模型的过程，在此与大家分享这段充满挑战与发现的经历。
一、启动部署：命令与初步资源占用
基于魔搭社区下载Qwen2.5 - 32B- Instruct模型
#模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('Qwen/Qwen2.5-32B-Instruct')
部署之旅起始于这样一条关键命令：
vllm serve /home/XXX/.cache/modelscope/hub/Qwen/Qwen2.5 - 32B - Instruct --served-model-name Qwen2.5 - 32B - Instruct --max-model-len=16384 --dtype bfloat16 --pipeline-parallel-size 3 --use-v2-block-manager --port 8000
这里面我们用了三块显卡来部署Qwen2.5-32B-Instruct。
这一命令犹如一把启动引擎的钥匙，开启了 Qwen2.5 - 32B 模型在特定配置下的运行之旅。从核心日志中，我们能窥探到模型加载权重阶段的资源占用情况。不同进程（如 VllmWorkerProcess）在加载模型权重时消耗了相当可观的内存，例如其中一个进程占用约 21.9831GB，另一个则达到了 22.8913GB。这表明即使在尚未开始大规模推理运算时，大模型对内存资源的需求就已不容小觑，也突显了拥有足够硬件资源（如大容量内存的 GPU）对于运行此类大型模型的重要性。 这也意味着我们在三卡4090上是可以运行Qwen2.5-32B-Instruct的这里需要注意精度参数为bfloat16。
二、GPU 资源分配与 CUDA 图的应用
随着部署的推进，我们看到了关于 GPU 资源分配的详细信息：# GPU blocks: 32544, # CPU blocks: 2978。这一数据为我们展示了模型在计算资源分配上的布局，有助于我们理解其运行时的底层架构逻辑。
特别值得关注的是关于 CUDA 图的相关日志信息。模型在运行过程中尝试捕获为 CUDA 图模式，这是一种旨在提升计算效率的技术手段。然而，日志也明确提示，如果模型并非静态的，可能会引发意想不到的后果。并且，启用 CUDA 图模式会在每个 GPU 上额外占用 1~3GiB 内存。这对于内存资源本就紧张的大模型运行环境来说，是一个需要权衡的因素。如果在运行过程中遭遇内存不足的情况，日志为我们提供了几种可能的解决方案：可以考虑降低 gpu_memory_utilization 参数，以减少每个 GPU 上的内存占用比例；或者切换到急切（eager）模式，即通过设置 enforce_eager=True 或者在命令行中使用 --enforce-eager 选项来实现；还可以根据实际需求适当减少 max_num_seqs 参数，从而降低内存的使用量。
三、总结与展望
通过这次对 Qwen2.5 - 32B 模型在 VLLM 上的部署实践与核心日志分析，我们对大模型的运行机制有了更深入的理解。一方面，大模型在加载权重和运行过程中对内存等资源有着极高的要求，这需要我们在硬件配置上精心规划，确保有足够的资源来支撑其运行。另一方面，像 CUDA 图这样的优化技术虽然能带来性能提升，但也伴随着潜在风险和额外的资源消耗，需要我们根据模型的特性和实际应用场景灵活抉择。
展望未来，在大模型的部署与优化之路上，还有许多未知等待我们去探索。例如，如何进一步精细化地调整参数，以在有限的资源下实现模型性能的最大化？如何针对不同类型的模型（动态或静态）更好地利用 CUDA 图等技术？这些问题将激励着我们不断深入研究，为推动大模型在实际应用中的广泛落地而努力。希望我的这次分享能为同样在大模型部署领域探索的朋友们提供一些参考和启发，让我们共同在人工智能的浪潮中砥砺前行。
