4*A100 部署 deepseek-r1-671B

部署deepseek-r1-671B

使用 4*A100 部署 deepseek-r1-671b-1.58bit 大模型。

环境

• ubuntu22.04LTS
• cuda 12.2.0

要求

• 内存： 256GB及以上
• 显存： 256GB及以上（160G可以跑起来，但对于长上下文容易oom），这里是A100 80G * 4

vllm

CUDA_VISIBLE_DEVICES=0,1,2,3 /data/miniconda3/envs/llm_py311-8/bin/python -m vllm.entrypoints.openai.api_server \
--port 8001 --served-model-name Qwen2-7B-Instruct \
--model /your/671B/model/path.gguf

失败，提示错误：

python3.11/site-packages/transformers/modeling_gguf_pytorch_utils.py", line 399, in load_gguf_checkpoint
    raise ValueError(f"GGUF model with architecture {architecture} is not supported yet.")
ValueError: GGUF model with architecture deepseek2 is not supported yet.

github上面看到vllm暂不支持deepseek-r1-671B，有各种问题，暂时放弃

llama.cpp

准备阶段

cuda需要12.0及以上，我的cuda版本是12.2.0（用docker了），我在11.5上面编译失败(可能和GPU的驱动编译方式有关，没细研究)，GPU 是 A100 * 4

模型下载参考：https://www.ollama.com/SIGJNF/deepseek-r1-671b-1.58bit
或者下载：https://hf-mirror.com/unsloth/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-UD-IQ1_M

• 拉取容器
  docker pull nvcr.io/nvidia/cuda:12.2.0-cudnn8-devel-ubuntu22.04 # 可能网络会有点问题

• 运行容器

  docker run -it -d --name  llama_cpp --gpus all \
     -v /data/work/Star/.ollama/:/work/ollama/ \
     -v /data/work/Star/llama.cpp:/work/llama.cpp/ \
     -p 28000:8000 \
     -p 27860:7860 \
     -e TZ='Asia/Shanghai' \
     nvcr.io/nvidia/cuda:12.2.0-cudnn8-devel-ubuntu22.04
  

• 进入容器
  docker exec -it llama_cpp env LANG=C.UTF-8 /bin/bash

##拉取代码
git clone https://github.com/ggml-org/llama.cpp

编译GPU版本

cd llama.cpp
cmake -B build -DGGML_CUDA=ON
cmake --build build --config Release -j16

运行服务

cd build/bin/
CUDA_VISIBLE_DEVICES=0,1,2,3  ./llama-server \
-m /path_to_model.gguf \
--port 7860 \
--cache-type-k q4_0  --threads 64  --prio 2  --temp 0.6 \
--ctx-size 8192 \
--seed 3407 \
--n-gpu-layers 1600

或者：

CUDA_VISIBLE_DEVICES=0,1,2,3 ./llama-server \
-m /path_to_model.gguf \
--port 7860 \
--host 0.0.0.0 \
-c 16384 \
-np 4 \
--n-gpu-layers 15000

更多参数配置参考：
https://github.com/ggml-org/llama.cpp/blob/master/examples/server/README.md

并发测试

5个并发：

curl --request POST     --url http://localhost:17861/completion     --header "Content-Type: application/json"     --data '{"prompt": "Building a website can be done in 10 simple steps:","n_predict": 12}' &
curl --request POST     --url http://localhost:17861/completion     --header "Content-Type: application/json"     --data '{"prompt": "Building a website can be done in 10 simple steps:","n_predict": 102}' &
curl --request POST     --url http://localhost:17861/completion     --header "Content-Type: application/json"     --data '{"prompt": "Building a website can be done in 10 simple steps:","n_predict": 112}' &
curl --request POST     --url http://localhost:17861/completion     --header "Content-Type: application/json"     --data '{"prompt": "Building a website can be done in 10 simple steps:","n_predict": 42}' &
curl --request POST     --url http://localhost:17861/completion     --header "Content-Type: application/json"     --data '{"prompt": "Building a website can be done in 10 simple steps:","n_predict": 32}' &

这里测试了不同输入长度及上下文长度。

参考

1. https://github.com/ggml-org/llama.cpp
2. https://github.com/ggml-org/llama.cpp/blob/master/examples/server/README.md
3. https://hf-mirror.com/unsloth/DeepSeek-R1-GGUF
4. https://www.ollama.com/SIGJNF/deepseek-r1-671b-1.58bit