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)
  • 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

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

docker build -f Dockerfile -t ascend-vllm:dev .

3、启动docker

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

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：

[
  {
    "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