现在做toB项目，被问的最多的就是支不支持国产化。现在一般用的最多的也是华为昇腾系列显卡。
今天给大家带来一篇利用GPUStack框架在昇腾910B上进行Qwen2.5推理部署的实战。
配置昇腾环境 确认昇腾 NPU 驱动已安装：
npu-smi info根据架构下载对应的 CANN Toolkit 包（开发套件）和对应芯片的 Kernel 包（CANN 算子 https://www.hiascend.com/zh/software/cann/community-history） ：
wget https://ascend-repo.obs.cn-east-2.myhuaweicloud.com/Milan-ASL/Milan-ASL%20V100R001C19SPC703/Ascend-cann-toolkit_8.0.RC3.alpha003_linux-aarch64.run安装 Toolkit，按提示操作：
sudo sed -i 's/user=true/user=false/' ~/.pip/pip.conf安装 Kernel，按提示操作：
sudo chmod +x Ascend-cann-kernels-910b_8.0.RC3.alpha003_linux-aarch64.run && sudo ./Ascend-cann-kernels-910b_8.0.RC3.alpha003_linux-aarch64.run --install --install-for-all配置环境变量：
sudo echo "source /usr/local/Ascend/ascend-toolkit/set_env.sh" >> /etc/profile昇腾环境已经配置完成，接下来准备运行 Qwen 2.5 模型的私有大模型服务平台。
安装 GPUStack GPUStack是一个开源的大模型即服务平台，支持 Nvidia、Apple Metal、华为昇腾和摩尔线程等各种类型的GPU/NPU，可以在昇腾 910B 上运行包括Qwen 2.5在内的各种大模型，安装步骤如下。
通过以下命令在昇腾 NPU 服务器上在线安装 GPUStack，在安装过程中需要输入 sudo 密码：
curl -sfL https://get.gpustack.ai | sh -如果环境连接不了 GitHub，无法下载一些二进制文件，使用以下命令安装，用 --tools-download-base-url 参数指定从腾讯云对象存储下载：
curl -sfL https://get.gpustack.ai | sh - --tools-download-base-url "https://gpustack-1303613262.cos.ap-guangzhou.myqcloud.com"当看到以下输出时，说明已经成功部署并启动了 GPUStack：
[INFO] Install complete.接下来按照脚本输出的指引，拿到登录 GPUStack 的初始密码，执行以下命令：
cat /var/lib/gpustack/initial_admin_password在浏览器访问 GPUStack UI，用户名 admin ，密码为上面获得的初始密码。
重新设置密码后，进入 GPUStack：
纳管昇腾 NPU 资源 GPUStack 支持纳管 Linux、Windows 和 macOS 设备的 GPU 资源，如果有多台昇腾 NPU 服务器，通过以下步骤来纳管这些 NPU 资源。
其他节点需要通过认证 Token 加入 GPUStack 集群，在 GPUStack Server 节点执行以下命令获取 Token：
cat /var/lib/gpustack/token拿到 Token 后，在其他节点上运行以下命令添加 Worker 到 GPUStack，纳管这些节点的 NPU（将其中的 http://YOUR_IP_ADDRESS 替换为 GPUStack 访问地址，将 YOUR_TOKEN 替换为用于添加 Worker 的认证 Token）：
curl -sfL https://get.gpustack.ai | sh - --server-url http://YOUR_IP_ADDRESS --token YOUR_TOKEN --tools-download-base-url "https://gpustack-1303613262.cos.ap-guangzhou.myqcloud.com"纳管的昇腾 NPU 服务器资源如下：
部署Qwen 2.5模型 在GPUStack的模型菜单中部署模型。GPUStack支持从 HuggingFace、Ollama Library、ModelScope 和私有模型仓库部署模型，国内网络建议从 ModelScope 部署。
GPUStack 支持 vLLM 和 llama-box 推理后端，llama-box 是 llama.cpp 的优化版本，对性能和稳定性进行了针对性的优化。目前 GPUStack 中基于 llama-box 提供对昇腾 NPU 的支持，在昇腾 NPU 上部署模型需要模型为 GGUF 格式。
从 ModelScope 部署 Qwen 2.5 的全系列模型，目前 CANN 算子的支持完整度方面还有不足，目前只能运行 FP16 精度、Q8_0 和Q4_0 量化的模型，建议运行 FP16 精度的模型：
Qwen2.5-0.5B-Instruct-GGUF FP16 Qwen2.5-1.5B-Instruct-GGUF FP16 Qwen2.5-3B-Instruct-GGUF FP16 Qwen2.5-7B-Instruct-GGUF FP16 Qwen2.5-14B-Instruct-GGUF FP16 Qwen2.5-32B-Instruct-GGUF FP16 Qwen2.5-72B-Instruct-GGUF FP16 来看其中 Qwen2.5-72B 模型的具体运行情况，Qwen2.5-72B 被调度到 3 块 910B 上运行：
在 Dashboard 可以看到 Qwen 2.5 72B 被分配了 140.1 GiB 显存和 8.1 GiB 内存：
从 Playground 的实际测试来看，使用 llama-box 在昇腾 910B 上运行 Qwen 2.5 72B 的推理性能表现为 6 Tokens/s 左右，NPU 利用率在 10~30%左右：
以下为 Qwen 2.5 全系列模型在昇腾 910B 上的推理性能表现汇总数据，包括 Qwen2.5 0.5B、1.5B、3B 的 Q8_0 和Q4_0 量化的推理性能数据作为对比参考：
Model Tokens / Second NPU Util NPU Mem NPU Card（64G/Card） Qwen2.5 0.5B FP16 42 tokens/second Util 6~7% Mem 7% 单卡 Qwen2.5 1.5B FP16 35 tokens/second Util 11~13% Mem 10% 单卡 Qwen2.5 3B FP16 29 tokens/second Util 15~16% Mem 15% 单卡 Qwen2.5 7B FP16 32 tokens/second Util 16~21% Mem 16% 单卡 Qwen2.5 14B FP16 19 tokens/second Util 19~22% Mem 28% 单卡 Qwen2.5 32B FP16 10.5 tokens/second Util 10~45% Mem 54% 双卡 Qwen2.5 72B FP16 6 tokens/second Util 10~60% Mem 78% 三卡 Qwen2.5 0.5B Q8_0 6.5 tokens/second Util 2~5% Mem 6% 单卡 Qwen2.5 0.5B Q4_0 6 tokens/second Util 4~5% Mem 6% 单卡 Qwen2.5 1.5B Q8_0 3.5 tokens/second Util 4~11% Mem 8% 单卡 Qwen2.5 1.5B Q4_0 17~18 tokens/second Util 9~12% Mem 7% 单卡 Qwen2.5 3B Q8_0 3.2 tokens/second Util 10~15% Mem 10% 单卡 Qwen2.5 3B Q4_0 14.5 tokens/second Util 8~15% Mem 8% 单卡
对其中的 Qwen 2.5 0.5B FP16 模型进行并发测试的性能表现如下：
Concurrency Tokens / Second Throughput NPU Util NPU Mem 1 39 tokens/second 39 Util 6~7% Mem 7% 2 38 tokens/second 76 Util 6~7% Mem 7% 3 37.66 tokens/second 113 Util 6~7% Mem 7% 4 34.25 tokens/second 137 Util 6~7% Mem 7% 5 31 tokens/second 155 Util 6~7% Mem 7% 6 28.16 tokens/second 169 Util 6~7% Mem 7% 7 27.57 tokens/second 193 Util 6~7% Mem 7% 8 26.87 tokens/second 215 Util 6~7% Mem 7% 9 26 tokens/second 234 Util 6~7% Mem 7% 10 26.9 tokens/second 269 Util 6~7% Mem 7% 20 20.3 tokens/second 406 Util 6~7% Mem 8% 50 10.34 tokens/second 517 Util 3~5% Mem 8% 100 4.17 tokens/second 417 Util 2~5% Mem 9%
从测试结果来看，目前硬件性能未得到充分发挥，CANN 算子优化方面还有可观的优化空间。也可以等 GPUStack 的 vLLM 高性能后端后续对昇腾 NPU 的支持。
以上就是使用GPUStack在昇腾910B上运行Qwen2.5模型，简单式的傻瓜操作。
GPUStack 功能介绍 异构 GPU 支持 ：支持异构 GPU 资源，当前支持 Nvidia、Apple Metal、华为昇腾和摩尔线程等各种类型的 GPU/NPU
多推理后端支持 ：支持 vLLM 和 llama-box (llama.cpp) 推理后端，兼顾生产性能需求与多平台兼容性需求
多平台支持 ：支持 Linux、Windows 和 macOS 平台，覆盖 amd64 和 arm64 架构
多模型类型支持 ：支持 LLM 文本模型、VLM 多模态模型、Embedding 文本嵌入模型 和 Reranker 重排序模型等各种类型的模型
多模型仓库支持 ：支持从 HuggingFace、Ollama Library、ModelScope 和私有模型仓库部署模型
丰富的自动/手动调度策略 ：支持紧凑调度、分散调度、指定 Worker 标签调度、指定 GPU 调度等各种调度策略
分布式推理 ：如果单个 GPU 无法运行较大的模型，可以通过 GPUStack 的分布式推理功能，自动将模型运行在跨主机的多个 GPU 上
CPU 推理 ：如果没有 GPU 或 GPU 资源不足，GPUStack 可以用 CPU 资源来运行大模型，支持 GPU&CPU 混合推理 和纯 CPU 推理 两种 CPU 推理模式
多模型对比 ：GPUStack 在 Playground 中提供了多模型对比视图，可以同时对比多个模型的问答内容和性能数据，以评估不同模型、不同权重、不同 Prompt 参数、不同量化、不同 GPU、不同推理后端的模型 Serving 效果
GPU 和 LLM 观测指标 ：提供全面的性能、利用率、状态监控和使用数据指标，以评估 GPU 和 LLM 的利用情况
GPUStack 作为一个开源项目，只需要非常简单的安装设置，就可以开箱即用地构建企业私有大模型即服务平台。
写在最后 以上为使用 GPUStack 在昇腾 910B 上运行 Qwen 2.5 的操作步骤，项目的开源地址为：https://github.com/gpustack/gpustack。
期待后面国产化芯片的算力性能、计算架构的算子不断完善优化，也期待像GPUStack之类的上层平台对国产AI算力生态上的更多支持。
粤ICP备14082021号
免费POC，
零成本试错
