天数智芯天垓100 视觉理解多模态

该模型测试框架在天垓100加速卡上，基于Transfomer框架，适配了 gemma-3-4b-it、MiniCPM-Llama3-V-2_5 、MiniCPM_V_2_6 这3个模型。

Gemma 3-4B‑IT 是 Google 发布的 Gemma 3 系列中参数量为 4 B 的轻量 multimodal 模型，支持图文输入、128 K 长上下文、多语种（140+ 语言），专为嵌入设备快速部署设计
MiniCPM‑Llama3‑V 2.5 是 openbmb 的 8 B multimodal 模型，基于 SigLip‑400M 与 Llama3-8B-Instruct 构建，在 OCR 能力、多语言支持、部署效率等方面表现优秀，整体性能达到 GPT‑4V 级别
MiniCPM‑V 2.6 是 MiniCPM‑V 系列中最新且最强大的 8 B 参数模型，具备更优的单图、多图与视频理解能力、卓越 OCR 效果、低 hallucination 率，并支持端侧设备（如 iPad）实时视频理解

Quick Start

首先从modelscope上下载vlm，如gemma-3-4b-it

modelscope download --model LLM-Research/gemma-3-4b-it --local_dir /mnt/contest_ceph/wenyunqing/models/gemma-3-4b-it

拉取server 镜像.

docker pull git.modelhub.org.cn:9443/enginex-iluvatar/bi100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1

启动docker

docker run -it --rm \
  -p 10086:8000 \
  --name test_wyq1 \
  -v /mnt/contest_ceph/wenyunqing/models/gemma-3-4b-it:/model:rw \
  --privileged git.modelhub.org.cn:9443/enginex-iluvatar/bi100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1

注意需要在本地使用天垓100 芯片
4. 测试服务
4.1 加载模型

curl -X POST http://localhost:10086/load_model \
  -H "Content-Type: application/json" \
  -d '{"model_path":"/model","dtype":"auto"}'

4.2 模型推理

base64 -w 0 demo.jpeg | \
jq -Rs --arg mp "/model" --arg prompt "Describe the picture" \
   '{model_path: $mp, prompt: $prompt, images: ["data:image/jpeg;base64," + .], generation: {max_new_tokens: 50, temperature: 0.7}}' | \
curl -X POST "http://localhost:10086/infer" \
     -H "Content-Type: application/json" \
     -d @-

如果本地没有安装jq命令，可以使用test.json:

curl -X POST "http://localhost:10086/infer" \
     -H "Content-Type: application/json" \
     -d @test.json

模型测试服务原理

尽管对于视觉多模态理解没有一个业界统一的API协议标准，但我们也可以基于目前比较流行的Transfomer框架适配各类视觉理解多模态模型。为了让我们的测试框架更通用一些，我们基于Transfomer框架对于不同类型的模型系列adpat了一层，方便对外提供http服务。

目前，测试框架要求用户首先测试时指定需要测试的模型的地址mount到本地文件系统中，如/model，之后通过unvicorn拉起服务。

测试过程中，外围测试环境，会首先调用“加载模型接口”:

curl -X POST http://localhost:10086/load_model \
  -H "Content-Type: application/json" \
  -d '{"model_path":"/model","dtype":"auto"}'

模型测试服务请求示例

准备好用于测试的图片和问题，通过infer接口获取推理结果：

base64 -w 0 demo.jpeg | \
jq -Rs --arg mp "/model" --arg prompt "Describe the picture" \
   '{model_path: $mp, prompt: $prompt, images: ["data:image/jpeg;base64," + .], generation: {max_new_tokens: 50, temperature: 0.7}}' | \
curl -X POST "http://localhost:10086/infer" \
     -H "Content-Type: application/json" \
     -d @-

以上，图片为demo.jpeg，问题为Describe the picture，可根据需要相应替换。

如何使用视觉理解多模态测试框架

由于VLM相关的模型一般需要较大的存储空间，为了更好的测试效率，需要提前下载好模型相关文件，k8s集群可以mount的持久化介质（比如cephFS），之后提交测试时指定模型存放的地址。

docker-images/server.py代码实现了一个接收图片和问题并返回回答文本和统计延迟信息的VLM HTTP 服务。测试框架集成了现成的可用的镜像git.modelhub.org.cn:9443/enginex-iluvatar/bi100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1（server.py作为入口），可以用于本地端（如有GPU卡）测试。

作为测试对比，我们也提供a100相对应的镜像 git.modelhub.org.cn:9443/enginex-iluvatar/a100-3.2.1-x86-ubuntu20.04-py3.10-poc-vlm-infer:0.0.1

天垓100上视觉理解多模态模型运行测试结果

在天垓100上对部分视觉理解多模态模型进行适配，测试方式为在 Nvidia A100 和天垓100 加速卡上对10个图片相关问题回答，获取运行时间

模型名称	模型类型	适配状态	天垓100运行时间/s	Nvidia A100运行时间/s
Gemma 3-4B‑IT	Gemma 3 系列	成功	30.9210	5.9024
MiniCPM‑Llama3‑V 2.5	openbmb 8 B multimodal	成功	112.0708	6.5424
MiniCPM‑V 2.6	MiniCPM‑V 系列	成功	80.7702	3.7767

5.1 KiB Raw Permalink Blame History Unescape Escape

天数智芯 天垓100 视觉理解多模态