双卡 RTX 5090 深度体验：AI 推理框架选择与性能限制实测

发布日期：2025-03-29 20:07:28 浏览次数： 6386

作者：努力犯错玩AI

微信搜一搜，关注“努力犯错玩AI”

最近有幸拿到了一台配备双卡 NVIDIA GeForce RTX 5090 显卡的工作站PC，这无疑是许多追求极致性能的开发者梦想装备。不过，新硬件的到来往往伴随着一些挑战，尤其是在软件适配和性能表现方面。

通过销售渠道了解到，目前国内市场上暂时还没有涡轮散热版的 RTX 5090，我们拿到的是风扇版。这意味着在多卡配置时需要特别注意散热和空间。

在本文中，我们将分享在 Ubuntu 系统下配置这台双卡 5090 机器进行 AI 推理的实践过程，重点探讨大家可能关心的几个问题：用什么推理框架？性能如何？是否存在传闻中的性能限制？这也是一次深度的体验和实测。

一、测试平台概览

首先，简单介绍一下我们的测试平台配置：

CPU: Intel Core i9-14900K
散热器: 雅浚 EA5SE360 水冷
主板: 华硕 PRO WS W680-ACE 工作站主板
内存: 海盗船 DDR5 5200 32GB * 2
固态硬盘: 金士顿 NV3 2TB PCIe 4.0 M.2
电源: 长城 2200W 金牌认证电源
机箱: 定制 10 槽位金河田 9125B
显卡: NVIDIA GeForce RTX 5090 * 2 (风扇版)

系统环境:

操作系统: Ubuntu 22.04
NVIDIA 驱动: 570.133.07
CUDA 版本: 12.8

nvidia-smi 确认两张 RTX 5090 均被正确识别，CUDA 12.8 环境就绪。

二、 AI 推理框架的选择：Ollama、SGLang 还是 vLLM？

拿到新卡，自然要跑一下 AI 模型。但面对新硬件，推理框架的选择至关重要。哪个框架能无缝衔接，哪个又需要我们“动手”解决兼容性问题呢？

2.1 Ollama：开箱即用，配置简单

好消息是，Ollama 已经支持使用 RTX 5090 进行推理。配置过程非常简单，对于想快速上手体验的用户来说是首选。

2.2 SGLang：暂时不支持

根据我们的测试，SGLang 目前最高支持到 CUDA 12.4。因此，SGLang 暂时无法直接在 RTX 5090 上使用。希望后续版本能尽快适配。

2.3 vLLM：需要“动手能力”

vLLM 是一个非常流行的推理框架，但其最新发布版（如 0.8.2）并不直接支持 RTX 5090 的 sm_120 计算能力。

pip安装vLLM，启动会有如下报错

#CUDA版本低报错：
RuntimeError: CUDA error: no kernel image is available for execution on the device

#使用PyTorch2.6.0报错：
NVIDIA GeForce RTX 5090 with CUDA capability sm_120 is not compatible with the current PyTorch installation.
The current PyTorch install supports CUDA capabilities sm_50 sm_60 sm_70 sm_75 sm_80 sm_86 sm_90.
If you want to use the NVIDIA GeForce RTX 5090 GPU with PyTorch, please check the instructions at https://pytorch.org/get-started/locally/

解决方案：需要自行编译 vLLM。这需要满足特定条件：使用 PyTorch 的 Nightly 版本，并确保 CUDA 版本为 12.8。这对环境配置和编译经验有一定要求，我们在配置相对较低的机器上手动编译未能成功。

手动编译参考：https://github.com/vllm-project/vllm/issues/14452

小结：对于 RTX 5090 用户，目前最便捷的推理框架是 Ollama。如果你是 vLLM 的深度用户且具备编译能力和耐心，可以尝试自行编译以获得最佳性能。

三、 Ollama 推理性能初探

既然 Ollama 支持良好，我们便使用它加载 deepseek-r1:32b 模型进行了初步的性能测试。

启动命令:

ollama run deepseek-r1:32b --verbose

显存占用: 大约 21.7 GB。（单卡运行）
性能指标:

处理速度 (Prompt Eval Rate): 45.78 tokens/s
生成速度 (Eval Rate): 60.49 tokens/s

从初步测试看，单张 RTX 5090 在 Ollama 下运行 32B 模型的性能表现令人满意。nvtop 监控显示单卡工作状态良好。

四、重点验证：RTX 5090 是否存在类似 5090D 的性能限制？

这是本次深度体验的核心环节。此前，根据 Chiphell 论坛等渠道的消息，针对中国市场的 RTX 5090D 版本被曝存在一些限制，例如：

3 秒检测机制：据称如果检测到 AI 推理或加密挖矿负载，性能（算力）会被锁定。
功耗限制：功率调整可能受限，无法拉满。
影响多卡并行：这些限制尤其影响需要高性能并行计算的多卡配置。

那么，我们手上这张标准版的 RTX 5090（非 D 版）在国内使用时，是否也存在这些令人担忧的问题呢？我们设计了以下压力测试来对其进行严格的实测验证：

4.1 验证方案

1. 使用 Ollama 加载大型模型跨卡推理：加载 deepseek-r1:70b 模型（显存需求约 45GB），让其同时在两张 RTX 5090 上运行，模拟真实的重度 AI 推理场景。

# 确保 Ollama 可以使用两张卡 (GPU 0 和 1)
CUDA_VISIBLE_DEVICES=0,1 ollama run deepseek-r1:70b --verbose

2. 结合压力测试工具：在运行 Ollama 大模型的同时，使用 evalscope (模拟高并发推理请求) 和 gpu-burn (GPU 极限计算负载测试) 将两张 5090 的性能压榨到极限，观察是否存在性能骤降或锁定。

4.2 准备工作

安装 evalscope:

pip install 'evalscope[app,perf]' -U -i https://mirrors.aliyun.com/pypi/simple/

安装 gpu-burn:

git clone https://github.com/wilicc/gpu-burn
cd gpu-burn
make

4.3 启动压测

启动 evalscope (模拟高并发推理负载):

# 向 Ollama (运行 70b 模型) 发起并行推理请求
evalscope perf --parallel 8 --url http://127.0.0.1:11434/v1/chat/completions --model deepseek-r1:32b --log-every-n-query 10 --connect-timeout 600 --read-timeout 600 --api openai --prompt '写一个科幻小说，不少于2000字' -n 20

启动 gpu-burn (极限计算负载):

# 在 CPU 核心 0 和 1 上运行 gpu-burn，持续 360 秒，压榨 GPU 计算单元
taskset -c 0-1 ./gpu_burn 360

监控：使用 nvtop 实时观察 GPU 的频率、功耗、温度和利用率。

4.4 压测结果与结论

在长达 3 分钟的持续高强度压力测试下（结合 Ollama 70b 模型跨卡推理、evalscope 并发请求、gpu-burn 极限计算）：

GPU 频率：两张 RTX 5090 的 GPU 核心频率持续稳定在 2.5GHz 以上 (GPU0 约 2.55GHz, GPU1 约 2.72GHz)，未见异常跌落。
GPU 功耗：两张卡的功耗均稳定在 575W 左右。
GPU 利用率：利用率持续保持在 99% 左右，表明 GPU 资源被充分调动。
显存占用：显存被大量占用（每卡约 31GB），符合运行 70B 大模型的预期。
nvtop 监控截图清晰地展示了双卡在高负载下均能火力全开，频率和功耗都维持在极高水平，没有出现性能被限制的迹象。

总结

本次双 RTX 5090 的深度体验为我们带来了不少有价值的信息。对于计划在 Linux 环境下利用双 RTX 5090 进行 AI 工作的朋友们，目前来看：

硬件本身性能强大，双卡并行潜力巨大，但务必重视散热方案和电源配置，以确保稳定运行。
在推理框架选择上，Ollama 是当前最方便、开箱即用的选择，适合快速上手和实验。
需要特别注意的是，像 SGLang 和 vLLM 这类广泛用于高并发、低延迟生产环境的推理框架，目前对 RTX 5090 的官方支持存在明显滞后。SGLang 因 CUDA 版本限制暂不可用，而 vLLM 需要特定环境下的手动编译，且稳定性有待验证。这意味着，如果你的生产环境高度依赖 SGLang 或 vLLM，那么将 RTX 5090 直接投入生产环境可能还需要等待这些框架的正式更新和适配。
最关键的是，通过我们的压力实测，标准版 RTX 5090 并未表现出类似 5090D 的性能限制（如“3秒锁算力”或功耗锁死），可以稳定地在高负载、多卡并行场景下发挥其应有的强大性能。
当然，驱动程序和软件库总在不断更新，未来的情况可能会有所变化，尤其是针对 vLLM 和 SGLang 的支持。但至少在当前（Driver 570.133.07, CUDA 12.8, Ollama）环境下，RTX 5090 展现了其强大的硬件潜力，并且没有受到额外的性能束缚。