跳到主要内容

部署文本生成模型

本指南将指导您如何在不同芯片架构的算力实例上部署文本生成大模型。我们将以 Qwen3 系列模型为例，重点介绍 Hugging Face Transformers、vLLM 和 SGLang 三种主流推理框架的部署流程。

推理框架概览​

  • Hugging Face Transformers：最基础、灵活的框架，适合快速原型设计、算法研究和微调。
  • vLLM：专为生产环境设计的高吞吐量推理引擎，支持 PagedAttention，适合高并发服务。
  • SGLang：针对复杂结构化生成（如 CoT、JSON 约束）优化的高性能引擎。

一、沐曦 (MetaX) 部署指南​

本章节适用于 曦云 C500 等沐曦系列算力卡。

1. Hugging Face Transformers​

1.1 环境准备​

  • 算力型号：曦云 C500 (64GB)
  • 镜像选择：PyTorch / 2.4.0 / Python 3.10 / maca 3.0.0.4

镜像选择

1.2 部署步骤​

  1. 启动实例后，点击 JupyterLab 进入工作台。 进入容器

  2. 新建一个 .ipynb (Notebook) 文件。 新建Notebook

  3. 安装依赖：在第一个单元格运行以下命令。安装完成后，请务必重启内核 (Restart Kernel) 以使环境生效。

    pip install accelerate

    重启内核

  4. 运行推理代码：沐曦环境支持直接加载挂载盘中的内置模型，无需下载。

    from transformers import AutoModelForCausalLM, AutoTokenizer
    import torch

    # 指定内置模型库路径 (无需下载)
    model_name = "/mnt/moark-models/Qwen/Qwen3-0.6B"

    tokenizer = AutoTokenizer.from_pretrained(model_name)
    model = AutoModelForCausalLM.from_pretrained(
        model_name,
        torch_dtype="auto",
        device_map="auto"
    )

    prompt = "Give me a short introduction to large language model."
    messages = [{"role": "user", "content": prompt}]

    text = tokenizer.apply_chat_template(
        messages,
        tokenize=False,
        add_generation_prompt=True,
        enable_thinking=True
    )

    model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

    generated_ids = model.generate(
        **model_inputs,
        max_new_tokens=32768
    )

    output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist()
    try:
        index = len(output_ids) - output_ids[::-1].index(151668)  # </think>
    except ValueError:
        index = 0

    thinking_content = tokenizer.decode(output_ids[:index], skip_special_tokens=True).strip("\n")
    content = tokenizer.decode(output_ids[index:], skip_special_tokens=True).strip("\n")

    print("=== Thinking ===")
    print(thinking_content)
    print("\n=== Response ===")
    print(content)

    执行结果示例：

    执行结果

2. vLLM 高性能推理​

2.1 环境准备​

  • 镜像选择：vLLM / vllm:0.10.0 / Python 3.10 / maca 3.1.0.7 （注：请务必选择带有 vLLM 标识的专用镜像）

vLLM镜像

2.2 启动服务​

  1. 通过 JupyterLab 打开终端 (Terminal)。

  2. 执行以下命令启动兼容 OpenAI 接口的服务：

    # 使用内置模型路径，指定端口 8188
    vllm serve /mnt/moark-models/Qwen/Qwen3-0.6B --port 8188

    vLLM启动命令

  3. 当看到 Uvicorn running on http://0.0.0.0:8188 字样时，服务启动成功。 vLLM运行成功

3. SGLang 结构化推理​

3.1 环境准备​

  • 镜像选择：SgLang / sglang:0.4.8 / Python 3.10 / maca 3.1.0.8

SGLang镜像

3.2 启动服务​

  1. 通过 JupyterLab 打开终端 (Terminal)。

  2. 执行以下命令启动服务：

    # SGLang 启动命令
    python -m sglang.launch_server \
      --model-path /mnt/moark-models/Qwen/Qwen3-0.6B \
      --port 8188

    SGLang启动命令

  3. 服务启动成功界面：

    SGLang运行成功

二、燧原 (Enflame) 部署指南​

本章节适用于 S60 等燧原系列算力卡。由于架构差异，部分操作需引入适配库。

1. Hugging Face Transformers​

1.1 环境准备​

  • 算力型号：Enflame S60
  • 镜像选择：Ubuntu / 22.04 / Python 3.13 / ef 1.5.0.604

镜像选择

1.2 部署步骤​

  1. 启动实例后，进入 JupyterLab。 进入容器

  2. 新建一个 .ipynb (Notebook) 文件。 进入容器

  3. 代码迁移关键点：必须在代码最前方引入 torch_gcu 库。

    import torch
    import torch_gcu
    from torch_gcu import transfer_to_gcu
    from transformers import AutoModelForCausalLM, AutoTokenizer

    model_name = "Qwen/Qwen3-0.6B"

    tokenizer = AutoTokenizer.from_pretrained(model_name)
    model = AutoModelForCausalLM.from_pretrained(
        model_name,
        torch_dtype="auto",
        device_map="auto"
    )

    prompt = "Explain quantum computing in simple terms."
    messages = [{"role": "user", "content": prompt}]

    text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
    model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

    generated_ids = model.generate(**model_inputs, max_new_tokens=512)
    output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist()
    response = tokenizer.decode(output_ids, skip_special_tokens=True)
    print(response)

2. vLLM 高性能推理​

2.1 环境准备​

  • 镜像选择：Ubuntu / 22.04 / Python 3.13 / ef 1.5.0.604 （注：该官方镜像已内置 vLLM 适配环境）

镜像选择

2.2 启动服务​

在终端中执行以下命令：

vllm serve Qwen/Qwen3-0.6B --port 8188

vLLM启动命令

进入容器

3. SGLang​

不支持提示

当前燧原 S60 平台暂不支持 SGLang 推理框架。请使用 Transformers 或 vLLM 进行部署。

三、本地访问与服务封装 (通用)​

由于安全原因，平台暂不开放公网直接访问端口。若您需要从本地电脑访问容器内运行的模型 API（例如 vLLM/SGLang 启动的 8188 端口服务），需建立 SSH 隧道。

1. 建立 SSH 隧道​

设置密码：在工作台找到对应实例，点击“设置密码”并记录。 设置密码

打开本地终端： Windows：打开“我的电脑”，在地址栏输入 cmd 并回车。 打开终端

获取连接信息：在工作台复制登录指令（用户名、IP、端口）。 获取信息

执行 SSH 映射指令：

# 格式：ssh -CNg -L 本地端口:127.0.0.1:容器端口 用户名@IP -p SSH端口
ssh -CNg -L 8188:127.0.0.1:8188 root+vm-k9hCcD0ufznGq16b@140.207.205.81 -p 50821

连接成功

（注意：输入密码后终端会挂起不显示新内容，这是正常现象，保持窗口不关闭即可）

2. 验证 API 服务​

隧道建立后，您可以在本地打开新的终端窗口，通过 cURL 验证服务是否通畅。

curl http://localhost:8188/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "/mnt/moark-models/Qwen/Qwen3-0.6B",
        "messages": [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "Who are you?"}
        ],
        "temperature": 0.7,
        "max_tokens": 512
    }'

（注意：model 字段需填写启动服务时指定的模型名称或路径）

3. 第三方应用集成​

一旦您通过 SSH 隧道将 OpenAI 兼容接口映射到本地（http://localhost:8188/v1），即可无缝接入各类第三方应用，构建专属的 AI 工作流：

  • IDE 编程助手：Claude Code，Cursor
  • 知识库与 Agent：Dify，FastGPT，Cherry Studio
  • 自动化流程：N8N

核心优势：您将享受到独占算力带来的极致低延迟与隐私安全，并彻底摆脱商业 API 的 Token 计费焦虑。