Update to vllm-0.18

ea4701c5 · chenych · 162c2b41 · ea4701c5
Commit ea4701c5 authored Apr 15, 2026 by chenych
Hide whitespace changes
Inline Side-by-side

Showing with 37 additions and 55 deletions

README.md README.md +37 -55

No files found.
--- a/README.md
+++ b/README.md
@@ -3,6 +3,7 @@
 [Qwen3.5](https://qwen.ai/blog?id=qwen3.5)

 ## 模型简介
+
 Qwen3.5 通过异构基础设施实现高效的原生多模态训练：在视觉与语言组件上解耦并行策略，避免统一方案带来的低效。利用稀疏激活实现跨模块计算重叠，在混合文本-图像-视频数据上相比纯文本基线达到近 100% 的训练吞吐。在此基础上，原生 FP8 流水线对激活、MoE 路由与 GEMM 运算采用低精度，并通过运行时监控在敏感层保持 BF16，实现约 50% 的激活显存降低与超过 10% 的加速，并稳定扩展至数万亿 token。

 为了持续释放强化学习的潜力，构建了可扩展的异步强化学习框架，支持 Qwen3.5 全尺寸模型，并全面覆盖文本、多模态及多轮交互场景。通过训推分离架构的解耦式设计，该框架显著提升了硬件利用率，实现了动态负载均衡和细粒度的故障恢复。配合 FP8 训推、Rollout 路由回放、投机采样以及多轮 Rollout 锁定等技术，进一步优化了系统吞吐，提高了训推一致性。通过系统与算法协同设计，该框架在严格控制样本陈旧性的基础上有效缓解了数据长尾问题，提高了训练曲线的稳定性和性能上限。此外，框架面向原生智能体工作流设计，能够实现稳定、无缝的多轮环境交互，消除了框架层的调度中断。这种解耦设计使得系统能够扩展百万级规模的 Agent 脚手架与环境，从而显著增强模型的泛化能力。上述优化最终取得了 3×–5× 的端到端加速，展现了卓越的稳定性、高效率与可扩展性。
@@ -14,14 +15,14 @@ Qwen3.5 通过异构基础设施实现高效的原生多模态训练：在视觉
 ## 环境依赖
 | 软件 |                    版本                     |
 | :------: |:-----------------------------------------:|
-| DTK |                   26.04       |
-| python |               3.10.12      |
-| transformers |        5.2.0         |
-| vllm |  0.15.1+das.opt1.alpha.dtk2604.torch290.2604042155.gba9f96  |
-| triton | 3.3.0+das.opt2.dtk2604.torch290.20260331.g31542e |
-| torch | 2.9.0+das.opt1.dtk2604.20260331.g4e3c1e7 |
+| DTK |                   26.04                   |
+| python |                  3.10.12                  |
+| transformers |            5.5.0               |
+| vllm |      0.18.1+das.3266200.dtk2604     |
+| triton |      3.4.0+git1ef59765      |
+| torch |   2.10.0+das.opt1.dtk2604.20260325.g6b060a   |

-当前仅支持定制镜像: harbor.sourcefind.cn:5443/dcu/admin/base/custom:vllm015-ubuntu22.04-dtk26.04-glm5-0408
+当前仅支持定制镜像: harbor.sourcefind.cn:5443/dcu/admin/base/custom:vllm018-ubuntu22.04-dtk26.04-gemma4-0413

 - 挂载地址`-v` 根据实际模型情况修改
 ```bash
@@ -39,43 +40,38 @@ docker run -it \
    -u root \
    -v /opt/hyhal/:/opt/hyhal/:ro \
    -v /path/your_code_data/:/path/your_code_data/ \
-    harbor.sourcefind.cn:5443/dcu/admin/base/custom:vllm015-ubuntu22.04-dtk26.04-glm5-0408 bash
+    harbor.sourcefind.cn:5443/dcu/admin/base/custom:vllm018-ubuntu22.04-dtk26.04-gemma4-0413 bash
 ```
 更多镜像可前往[光源](https://sourcefind.cn/#/service-list)下载使用。

+关于本项目DCU显卡所需的特殊深度学习库可从[光合](https://developer.sourcefind.cn/tool/)开发者社区下载安装。
+
 ## 数据集
-`暂无`
+暂无

 ## 训练
-`暂无`
+暂无

 ## 推理
+> 如果出现`ImportError: librocm_smi64.so.2: cannot open shaned object file: No such file or directory`报错，系机器hyhal版本较低所致，请进行升级。
+
 ### vllm
-**注意**:
- 使用`K100 AI`型号的卡，启动服务时需要添加`--disable-custom-all-reduce`参数
- 加载W8A8量化模型，启动服务时需要添加`-cc.mode=3`和`-cc.inductor_compile_config='{"combo_kernels": false, "benchmark_combo_kernel": false}'`参数
+**mtp**功能需添加以下参数：
+```
+--speculative-config.method mtp  \
+--speculative-config.num_speculative_tokens 2
+```

 #### 单机推理
 ```bash
-export ALLREDUCE_STREAM_WITH_COMPUTE=1
-export VLLM_USE_PIECEWISE=1
-export VLLM_USE_FLASH_MLA=1
-export USE_FUSED_RMS_QUANT=0
-export USE_FUSED_SILU_MUL_QUANT=1
-
-export VLLM_USE_GLOBAL_CACHE13=1
-export VLLM_FUSED_MOE_CHUNK_SIZE=16384
-export VLLM_CUSTOM_CACHE=1
-export VLLM_USE_OPT_CAT=1
-export VLLM_USE_FUSED_FILL_RMS_CAT=1
-export VLLM_USE_LIGHTOP_MOE_SUM_MUL_ADD=0
-export VLLM_USE_LIGHTOP_RMS_ROPE_CONCAT=0
-
 ## serve启动
 vllm serve Qwen/Qwen3.5-35B-A3B \
    --port 8001 \
+    --trust-remote-code \
+    --dtype bfloat16 \
    --tensor-parallel-size 2 \
-    --gpu-memory-utilization 0.9 \
+    --gpu-memory-utilization 0.925 \
+    --default-chat-template-kwargs '{"enable_thinking": false}' \
    --reasoning-parser qwen3 \
    --enable-auto-tool-choice \
    --tool-call-parser qwen3_coder
@@ -88,8 +84,7 @@ curl http://localhost:8001/v1/chat/completions   \
        "messages": [
          {"role": "user", "content": "Type \"I love Qwen3.5\" backwards"}
        ],
-        "temperature": 0.6,
-        "max_tokens": 512
+        "temperature": 0.6
    }'
 ```

@@ -108,30 +103,16 @@ curl http://localhost:8001/v1/chat/completions   \

 ```bash
 export ALLREDUCE_STREAM_WITH_COMPUTE=1
-export HIP_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
 export VLLM_HOST_IP=x.x.x.x # 对应计算节点的IP，选择IB口SOCKET_IFNAME对应IP地址
 export NCCL_SOCKET_IFNAME=ibxxxx
 export GLOO_SOCKET_IFNAME=ibxxxx
-export NCCL_IB_HCA=mlx5_0:1 # 环境中的IB网卡名字
+export NCCL_IB_HCA=mlx5_x:1 # 环境中的IB网卡名字
 unset NCCL_ALGO
 export NCCL_MIN_NCHANNELS=16
 export NCCL_MAX_NCHANNELS=16
 export NCCL_NET_GDR_READ=1
-export VLLM_SPEC_DECODE_EAGER=1
-export VLLM_MLA_DISABLE=0
-export VLLM_USE_FLASH_MLA=1
+export HIP_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
 export VLLM_RPC_TIMEOUT=1800000
-export VLLM_USE_PIECEWISE=1
-export USE_FUSED_RMS_QUANT=0
-export USE_FUSED_SILU_MUL_QUANT=1
-
-export VLLM_USE_GLOBAL_CACHE13=1
-export VLLM_FUSED_MOE_CHUNK_SIZE=16384
-export VLLM_CUSTOM_CACHE=1
-export VLLM_USE_OPT_CAT=1
-export VLLM_USE_FUSED_FILL_RMS_CAT=1
-export VLLM_USE_LIGHTOP_MOE_SUM_MUL_ADD=0
-export VLLM_USE_LIGHTOP_RMS_ROPE_CONCAT=0 # 不能和kvfp8一起开

 # 海光CPU绑定核
 export VLLM_NUMA_BIND=1
@@ -155,20 +136,22 @@ ray start --head --node-ip-address=x.x.x.x --port=6379 --num-gpus=8 --num-cpus=3
 ray start --address='x.x.x.x:6379' --num-gpus=8 --num-cpus=32
 ```

-3. 启动vllm serve
+3. 启动vllm server
 ```bash
+## serve启动
 vllm serve Qwen/Qwen3.5-397B-A17B \
    --port 8001 \
    --tensor-parallel-size 16 \
    --distributed-executor-backend ray \
-    --gpu-memory-utilization 0.9 \
+    --trust-remote-code \
+    --dtype bfloat16 \
+    --gpu-memory-utilization 0.925 \
+    --default-chat-template-kwargs '{"enable_thinking": false}' \
    --reasoning-parser qwen3 \
    --enable-auto-tool-choice \
    --tool-call-parser qwen3_coder
-```

-4. client访问
-```bash
+## client访问
 curl http://localhost:8001/v1/chat/completions   \
    -H "Content-Type: application/json"  \
    -d '{
@@ -176,14 +159,13 @@ curl http://localhost:8001/v1/chat/completions   \
        "messages": [
          {"role": "user", "content": "Type \"I love Qwen3.5\" backwards"}
        ],
-        "temperature": 0.6,
-        "max_tokens": 512
+        "temperature": 0.6
    }'
 ```

 ## 效果展示
 <div align=center>
-    <img src="./doc/result-dcu.png"/>
+    <img src="./doc/result-dcu.jpg"/>
 </div>

 ### 精度
@@ -193,7 +175,7 @@ DCU与GPU精度一致，推理框架：vllm。
 |  模型名称  | 权重大小 | DCU型号  | 最低卡数需求 |         下载地址          |
 |:------:|:----:|:----------:|:------:|:---------------------:|
 | Qwen3.5-397B-A17B | 397B | K100AI,BW1000 |   16   | [Hugging Face](https://huggingface.co/Qwen/Qwen3.5-397B-A17B) |
-| Qwen3.5-397B-A17B-INT8 | 397B | BW1000 |   8   | [ModelScope](https://www.modelscope.cn/models/metax-tech/Qwen3.5-397B-A17B-W8A8) |
+| Qwen3.5-397B-A17B-INT8 | 397B | BW1000 |   8   | [Modelscope](https://www.modelscope.cn/models/metax-tech/Qwen3.5-397B-A17B-W8A8) |
 | Qwen3.5-122B-A10B | 122B | K100AI,BW1000 |   8   | [Hugging Face](https://huggingface.co/Qwen/Qwen3.5-122B-A10B) |
 | Qwen3.5-35B-A3B | 35B | K100AI,BW1000 |   2   | [Hugging Face](https://huggingface.co/Qwen/Qwen3.5-35B-A3B) |
 | Qwen3.5-27B | 27B | K100AI,BW1000 |   2   | [Hugging Face](https://huggingface.co/Qwen/Qwen3.5-27B) |