大模型推理：Qwen3 32B vLLM Docker本地部署

最新推荐文章于 2025-05-01 16:30:00 发布

XMoyas

最新推荐文章于 2025-05-01 16:30:00 发布

阅读量940

点赞数 15

本文链接：https://blog.csdn.net/sunny0121/article/details/147603740

版权

Qwen3基础知识

此次Qwen3开源8个模型（MOE架构：Qwen3-235B-A22B、Qwen3-30B-A3B，Dense架构：Qwen3 0.6B/1.7B/4B/8B/14B/32B），新版本的Qwen3特性包括：

支持混合思维模式，即推理/非推理一体模型：
多语言支持：支持119种语言和方言
Agent能力提升：加强了编码和Agent表现，并加强了MCP的支持
快速体验方式：千问web chat官网

其中，除Qwen3-235B-A22B和Qwen3-32B之外，另外6个模型是蒸馏模型。
各模型版本的参数：
在这里插入图片描述

部署环境

单机4090 x 4部署BF16格式的Qwen3-32B模型
10并发下，最长上下文可支持96k（128k显存不够，就只测96k）
vLLM docker版本：vllm/vllm-openai:v0.8.5（>=0.8.5）
需安装好Docker和Nvidia container toolkit，可参考Ubuntu Nvidia Docker单机多卡环境配置

Docker部署

模型下载：

国内推荐魔塔社区Modelscope、hr-mirror，以及魔乐社区modelers

Docker启动命令：

docker run -d --runtime nvidia --gpus 4 --ipc=host -p 8000:8000 -v /root/models:/root/models -e "PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128" --name=Qwen3-32b vllm/vllm-openai:v0.8.5 --model /root/models/Qwen3-32B --trust-remote-code --served-model-name Qwen3-32b --max_num_seqs 10 --tensor-parallel-size 4 --gpu_memory_utilization 0.98  --enforce-eager --disable-custom-all-reduce --enable-auto-tool-choice --tool-call-parser hermes --compilation-config 0 --enable-reasoning --reasoning-parser deepseek_r1 --rope-scaling '{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":40960}' --max-model-len 98304

参数解释：

model : 映射到容器的本地模型所在的目录
served-model-name：模型别名，API等调用时使用
max_num_seqs：最大并发数
gpu_memory_utilization：显存利用率
enable-auto-tool-choice、tool-call-parser：启用tool calling,Qwen系列模型是hermes
enable-reasoning、reasoning-parser：启用推理模式，并设置参考推理为deepseek_r1（截止当前均为deepseek_r1）
rope-scaling：模型默认是40k，外推长度参数
max-model-len：模型支持的上下文长度（Qwen32 B最大支持128k）

使用方式

启用推理模式（默认，也就是不指定/think）：
官方推荐参数：Temperature=0.6,TopP=0.95,TopK=20,MinP=0, presence_penalty=0~2,不使用greedy decodeing
启用非推理模式
官方推荐参数：Temperature=0.7,TopP=0.8,TopK=20,MinP=0, presence_penalty=0~2

其它部署方式

Qwen3 Moe架构可选：vllm>=0.8.4，sglang >=0.4.6.post1，Ktransformers>=0.3、ollama >=0.6.6、llamacpp、lm studio(尤其适合Mac M芯片)等
Qwen3 Dense架构：除上述Ktransformers外，其他均可。
国产NPU部署：华为自研的MindIE等
除了上述外，还有像lm deploy、xinference、fastchat等，陆陆续续都会支持。

扩展：Qwen3系列模型训练方式

Pre-Training，共使用36T Tokens，是Qwen2.5的两倍：
- 阶段1：30T 4k上下文长度的tokens训练，让模型学习语言能力和通用知识
- 阶段2：额外5T tokens训练，包括数学、代码、推理、STEM等类型数据
- 长文本训练：32k上下文的高质量长文本数据训练，提高模型长文本场景能力
Post-Training，针对Qwen3-235B-A22B和Qwen3-32B模型（其他模型是在base模型蒸馏得到）：
- 长思维链冷启动：使用数学、代码、推理、SEM等数据微调，模型可具有推理能力
- 长思维链强化学习：RL进一步提升模型的推理能力
- 思维模式混合：长推理数据与指令数据微调，模型可具有两种思维模式
- 通用强化学习：使用RL对模型的各项通用能力进行强化提升