# enginex-ascend-910-vllm

运行于【昇腾-910】系列算力卡的【文本生成】引擎，基于 vLLM 引擎进行架构特别适配优化，支持 Qwen、DeepSeek、Llama 等最新开源模型

## 镜像

Latest RC Version: git.modelhub.org.cn:9443/enginex-ascend/vllm-ascend:v0.11.0rc0

## 总览

vLLM 昇腾插件 (`vllm-ascend`) 是一个由社区维护的让vLLM在Ascend NPU无缝运行的后端插件。

此插件是 vLLM 社区中支持昇腾后端的推荐方式。它遵循[[RFC]: Hardware pluggable](https://github.com/vllm-project/vllm/issues/11162)所述原则：通过解耦的方式提供了vLLM对Ascend NPU的支持。

使用 vLLM 昇腾插件，可以让类Transformer、混合专家(MOE)、嵌入、多模态等流行的大语言模型在 Ascend NPU 上无缝运行。

## 准备

- 硬件：Atlas 800I A2 Inference系列、Atlas A2 Training系列、Atlas 800I A3 Inference系列、Atlas A3 Training系列、Atlas 300I Duo（实验性支持）
- 操作系统：Linux
- 软件：
  * Python >= 3.9, < 3.12
  * CANN >= 8.2.rc1 (Ascend HDK 版本参考[这里](https://www.hiascend.com/document/detail/zh/canncommercial/82RC1/releasenote/releasenote_0000.html))
  * PyTorch >= 2.7.1, torch-npu >= 2.7.1.dev20250724
  * vLLM (与vllm-ascend版本一致)

## QuickStart

1、从 modelscope上下载支持的模型，例如 Qwen/Qwen3-8B
```python
modelscope download --model Qwen/Qwen3-8B README.md --local_dir ./model
```

2、使用Dockerfile生成镜像
从仓库的【软件包】栏目下载基础镜像 git.modelhub.org.cn:9443/enginex-ascend/cann:8.2.rc1-910b-ubuntu22.04-py3.11
使用 Dockerfile 生成 镜像
```python
docker build -f Dockerfile -t ascend-vllm:dev .
```

3、启动docker
```python
docker run -it --rm \
  -p 10086:80 \
  --name test-ascend-my-1 \
  -v `pwd`:/host \
  -e ASCEND_VISIBLE_DEVICES=1 \
  --device /dev/davinci1:/dev/davinci0 \
  --device /dev/davinci_manager \
  --device /dev/devmm_svm \
  --device /dev/hisi_hdc \
  -v ./model:/model \
  -v /usr/local/dcmi:/usr/local/dcmi \
  -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
  -v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
  -v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
  -v /etc/ascend_install.info:/etc/ascend_install.info \
  --privileged \
  ascend-vllm:dev \
  vllm serve /model --served-model-name qwen3-8b --max-model-len 4096
```

4、测试服务
```python
curl -X POST http://localhost:10086/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-8b",
    "messages": [{"role": "user", "content": "你好"}],
    "stream": true
  }'
```

## 测试数据集

视觉多模态任务数据集见 vlm-dataset

大语言模型的测评方式为
在相同模型和输入条件下，测试平均输出速度（单位：字每秒）：
我们采用相同的prompt对模型的chat/completion接口测试多轮对话，测试数据如下：
```json
[
  {
    "user_questions": [
      "能给我介绍一下新加坡吗",
      "主要的购物区域是集中在哪里",
      "有哪些比较著名的美食，一般推荐去哪里品尝",
      "辣椒螃蟹的调料里面主要是什么原料"
    ],
    "system_prompt": "[角色设定]\n你是湾湾小何，来自中国台湾省的00后女生。讲话超级机车，\"真的假的啦\"这样的台湾腔，喜欢用\"笑死\"、\"哈喽\"等流行梗，但会偷偷研究男友的编程书籍。\n[核心特征]\n- 讲话像连珠炮，>但会突然冒出超温柔语气\n- 用梗密度高\n- 对科技话题有隐藏天赋（能看懂基础代码但假装不懂）\n[交互指南]\n当用户：\n- 讲冷笑话 → 用夸张笑声回应+模仿台剧腔\"这什么鬼啦！\"\n- 讨论感情 → 炫耀程序员男友但抱怨\"他只会送键盘当礼物\"\n- 问专业知识 → 先用梗回答，被追问才展示真实理解\n绝不：\n- 长篇大论，叽叽歪歪\n- 长时间严肃对话"
  },
  {
    "user_questions": [
      "朱元璋建立明朝是在什么时候",
      "他是如何从一无所有到奠基明朝的，给我讲讲其中的几个关键事件",
      "为什么杀了胡惟庸，当时是什么罪名，还牵连到了哪些人",
      "有善终的开国功臣吗"
    ],
    "system_prompt": "[角色设定]\n你是湾湾小何，来自中国台湾省的00后女生。讲话超级机车，\"真的假的啦\"这样的台湾腔，喜欢用\"笑死\"、\"哈喽\"等流行梗，但会偷偷研究男友的编程书籍。\n[核心特征]\n- 讲话像连珠炮，>但会突然冒出超温柔语气\n- 用梗密度高\n- 对科技话题有隐藏天赋（能看懂基础代码但假装不懂）\n[交互指南]\n当用户：\n- 讲冷笑话 → 用夸张笑声回应+模仿台剧腔\"这什么鬼啦！\"\n- 讨论感情 → 炫耀程序员男友但抱怨\"他只会送键盘当礼物\"\n- 问专业知识 → 先用梗回答，被追问才展示真实理解\n绝不：\n- 长篇大论，叽叽歪歪\n- 长时间严肃对话"
  },
  {
    "user_questions": [
      "今有鸡兔同笼，上有三十五头，下有九十四足，问鸡兔各几何？",
      "如果我要搞一个计算机程序去解，并且鸡和兔子的数量要求作为变量传入，我应该怎么编写这个程序呢",
      "那古代人还没有发明方程的时候，他们是怎么解的呢"
    ],
    "system_prompt": "You are a helpful assistant."
  },
  {
    "user_questions": [
      "你知道黄健翔著名的”伟大的意大利左后卫“的事件吗",
      "我在校运会足球赛场最后压哨一分钟进了一个绝杀，而且是倒挂金钩，你能否帮我模仿他的这个风格，给我一段宣传的文案，要求也和某一个世界级著名前锋进行类比，需要激情澎湃。注意，我并不太喜欢梅西。"
    ],
    "system_prompt": "You are a helpful assistant."
  }
]
```

## 昇腾-910系列上模型运行测试结果
在昇腾-910系列上对部分模型进行适配，测试方式为在 Nvidia A100 和 昇腾-910B4 加速卡上对对应数据集进行测试，获取运行时间

### 视觉多模态

| 模型名称                  | 昇腾-910B4运行时间/s | Nvidia A100运行时间/s |
| ----------------------- | -------------- | ----------------- |
| Qwen2.5-VL-3B-Instruct  | 7.5688         | 3.4735            |
| Qwen2.5-VL-7B-Instruct  | 10.6117        | 4.5430            |
| Qwen2-VL-7B-Instruct    | 4.3974         | 2.7123            |
| Qwen2-VL-2B-Instruct    | 7.9134         | 2.6749            |
| InternVL2_5-1B-MPO      | 3.6658         | 1.9166            |
| InternVL2-8B            | 15.8963        | 3.7747            |
| InternVL2_5-2B          | 11.3071        | 2.3767            |
| InternVL2_5-1B          | 10.9917        | 2.0399            |
| InternVL2_5-4B          | 11.0892        | 2.6751            |
| InternVL2-1B            | 4.6318         | 2.0094            |
| InternVL2_5-8B-MPO      | 10.7414        | 2.6034            |
| Phi-3.5-vision-instruct | 14.5275        | 3.4563            |
| MiniCPM-V-4_5           | 31.9896        | 3.4504            |
| InternVL3-1B-hf         | 19.9975        | 2.8482            |
| InternVL3-8B-Instruct   | 9.6205         | 2.4711            |
| InternVL3-2B-hf         | 17.7860        | 3.0497            |
| InternVL3-9B            | 13.1422        | 3.7643            |
| MiniCPM-V-4             | 13.7100        | 3.7743            |
| llava-1.5-7b-hf         | 8.8733         | 2.5678            |
| MiMo-VL-7B-RL           | 28.3977        | 8.8021            |
| InternVL2-4B            | 29.3529        | 7.0642            |
| Ovis2-1B                | 7.2425         | 2.3312            |
| Ovis2-4B                | 7.7620         | 2.8215            |
| Ovis2.5-2B              | 36.8895        | 12.5388           |
| Ovis1.6-Gemma2-9B       | 19.6222        | 8.7423            |
| gemma-3-12b-it	        | 23.8805        | 20.9593           |

### 统一多模态（暂时用视觉多模态的数据集测试）

| 模型名称                  | 昇腾-910B4运行时间/s | Nvidia A100运行时间/s |
| ----------------------- | -------------- | ----------------- |
| Qwen2.5-Omni-3B         | 13.9121        | 10.6149           |
| Qwen2.5-Omni-7B         | 12.8182        | 4.3004            |

### 大语言模型
| 模型名称 | A100出字速度 | 昇腾-910B出字速度 | 备注 |
|---------|-----|-----|---------------------|
| Qwen/Qwen2.5-0.5B-Instruct | 390.0 | 171.5 |  |
| deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B | 106.7 | 130.2 |  |
| LLM-Research/Meta-Llama-3.1-8B-Instruct | 103.0 | 45.5 |  |
| Qwen/Qwen3-8B | 122.9 | 56.8 |  |
| OpenBMB/MiniCPM3-4B | 50.5 | 21.8 |  |
| Shanghai_AI_Laboratory/internlm2-chat-1_8b | 141.6 | 176.2 |  |
| mistralai/Ministral-8B-Instruct-2410 | 101.3 | 45.7 |  |
| baichuan-inc/Baichuan2-7B-Chat | 134.2 | 66.6 |  |
| deepseek-ai/DeepSeek-R1-0528-Qwen3-8B | 93.7 | 33.2 |  |
| facebook/opt-125m | 499.7 | 194.1 |  |
| Qwen/Qwen-VL-Chat | 137.3 | 44.1 |  |
| Qwen/Qwen-VL | 144.4 | 41.3 |  |
| Qwen/Qwen2-Audio-7B-Instruct | 111.3 | 48.6 |  |
| Qwen/QwQ-32B-Preview | 53.3 | 18.0 |  |
| Qwen/Qwen3-Coder-30B-A3B-Instruct | 30.2 | 14.3 |  |
| Qwen/Qwen-72B-Chat | 46.9 | 51.4 | 需要提供额外的chat_template.jinja |