：從單卡 4090 到多節(jié)點集群的三條路徑)
DeepSeek-R1-Distill-Qwen-7B 部署實戰(zhàn)從單卡 4090 到多節(jié)點集群的三條路徑【免費下載鏈接】DeepSeek-R1-Distill-Qwen-7B探索深度學(xué)習(xí)新境界DeepSeek-R1-Distill-Qwen-7B模型以卓越推理能力引領(lǐng)潮流顯著提升數(shù)學(xué)、編程和邏輯任務(wù)表現(xiàn)開啟AI智能新紀元?！敬撕喗橛葾I生成】項目地址: https://ai.gitcode.com/hf_mirrors/deepseek-ai/DeepSeek-R1-Distill-Qwen-7BDeepSeek-R1-Distill-Qwen-7B 是從 DeepSeek-R1 蒸餾出的 7B 稠密推理模型bf16 權(quán)重約 15.5GB24GB 顯存可全精度運行16GB 顯存需量化。本文給出「transformers 單卡驗證、vLLM 服務(wù)、多節(jié)點集群」三條可直接照做的部署路徑并附參數(shù)表和上線后高頻問題的排查表。適合誰有 Linux 服務(wù)器運維經(jīng)驗、沒部署過推理模型的后端 / AI 工程師。前置條件Linux x86_64Ubuntu 20.04 或同等發(fā)行版Python 3.9PyTorch 2.1匹配 CUDA 12.1單卡 16GB 顯存的 NVIDIA GPU至少 20GB 磁盤空間存放權(quán)重選型先按顯存和 QPS 選路徑先看表再動手部署方案只由兩個變量決定顯存和峰值 QPS。硬件配置峰值請求量推薦方案備注1×16GB3090個人驗證、5 并發(fā)transformers 量化權(quán)重bf16 裝不下必須量化1×24GB4090/A5000小團隊、50 QPSvLLM 單卡全精度本文默認路徑2×24GB單節(jié)點高并發(fā)vLLM 雙實例或張量并行7B 用雙實例通常更劃算8×A100/H100 多節(jié)點線上服務(wù)、100 QPS多節(jié)點多實例 負載均衡 共享存儲水平擴容無上限上圖是倉庫 figures/benchmark.jpg 中的基準對比該 7B 模型 MATH-500 得 92.8AIME 2024 pass1 為 55.5Codeforces rating 1189接近 o1-mini值得作為獨立服務(wù)部署。路徑一單卡 4090 用 transformers 十分鐘跑通這條路徑的目標是驗證權(quán)重可加載、推理輸出正常不適合生產(chǎn)。先拉取權(quán)重約 15.5GBgit clone https://gitcode.com/hf_mirrors/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B然后加載并生成import torch from transformers import AutoTokenizer, AutoModelForCausalLM model_path ./DeepSeek-R1-Distill-Qwen-7B tokenizer AutoTokenizer.from_pretrained(model_path) model AutoModelForCausalLM.from_pretrained( model_path, torch_dtypetorch.bfloat16, device_mapauto) prompt think\nPlease reason step by step: ...put final answer within \\boxed{} inputs tokenizer(prompt, return_tensorspt).to(model.device) out model.generate(**inputs, max_new_tokens4096, do_sampleTrue, temperature0.6, top_p0.95) print(tokenizer.decode(out[0], skip_special_tokensTrue))兩個坑prompt 必須以think\n開頭否則模型容易跳過推理過程直接給答案README.md 的 Usage Recommendations 專門提示了這一點16GB 顯存放不下 bf16 全精度權(quán)重換 GPTQ/AWQ 量化權(quán)重或用 llama.cpp 的 GGUF Q4_K_M約 4.5GB路徑二用 vLLM 起高吞吐服務(wù)生產(chǎn)環(huán)境默認選 vLLMPagedAttention 管理 KV 緩存并發(fā)吞吐遠高于 transformers 直接 generate。pip install -U vllm vllm serve ./DeepSeek-R1-Distill-Qwen-7B \ --max-model-len 32768 \ --gpu-memory-utilization 0.9 \ --dtype bfloat16單張 4090 上 15.5GB 權(quán)重加 32K 上下文的 KV 緩存24GB 顯存裝得下。不要把--max-model-len再往上抬模型上下文上限是 128Kconfig.json 中 max_position_embeddings 為 131072單卡開滿會直接 OOM。服務(wù)暴露 OpenAI 兼容接口發(fā)一條請求驗證curl http://localhost:8000/v1/chat/completions \ -H Content-Type: application/json \ -d { model: DeepSeek-R1-Distill-Qwen-7B, messages: [{role: user, content: think\nPlease reason step by step: 17*23 ?}], temperature: 0.6, top_p: 0.95, max_tokens: 4096 }注意不要傳 system prompt官方明確所有指令都放在 user prompt 里。路徑三多實例與多節(jié)點集群水平擴容單實例打滿GPU 利用率長期 90%、排隊 p99 持續(xù)上漲時正確做法是水平擴容而不是繼續(xù)擠參數(shù)。節(jié)點內(nèi)2 卡機可以起 2 個獨立 vLLM 實例每卡一個也可以--tensor-parallel-size 2張量并行。7B 權(quán)重小雙實例的總吞吐通常高于單 TP 實例多節(jié)點權(quán)重放共享存儲NFS/GPFS各節(jié)點掛載后各自起 vLLM。7B 單卡就能裝下節(jié)點間不需要 NCCL/RDMA 做模型切分跨節(jié)點只需做實例級擴容負載均衡前置 Nginx/HAProxy長生成請求用 least-conn 比輪詢更穩(wěn)upstream r1_pool { least_conn; server 10.0.0.11:8000; # vLLM 實例 1 server 10.0.0.12:8000; # vLLM 實例 2 } server { listen 80; location / { proxy_pass http://r1_pool; proxy_read_timeout 300s; # 思考鏈長超時必須放大 } }每個實例保留健康檢查端點如 /health讓 LB 探活某個實例 OOM 時能被自動摘除。關(guān)鍵參數(shù)推薦值與常見坑以下取值來自官方 generation_config.json 與 README 的 Usage Recommendations參數(shù)推薦值作用常見坑temperature0.60.5–0.7控制采樣多樣性低于 0.5 容易無限重復(fù)同一種回答top_p0.95核采樣概率上限與低 temperature 疊加會把候選集壓得過窄do_sampleTrue啟用采樣保持 False貪心時推理質(zhì)量下降max_new_tokens32768思考鏈上限官方評測上限給小了會截斷推理答案不可靠max-model-len32768上下文總長度上限開到 131072 單卡直接 OOMsystem prompt不使用官方指令只放 user prompt加 system 角色會改變輸出風(fēng)格輸出開頭think\n強制進入推理過程缺失時模型可能跳過推理直接答dtypebfloat16與權(quán)重原生精度一致Ampere 卡強制 float16 可能出 NaN高頻問題顯存不足與響應(yīng)慢的排查癥狀可能原因處理動作加載即 CUDA OOMmax-model-len 開太大16GB 卡跑全精度先降到 8192仍 OOM 就換 FP8/AWQ 量化或 GGUF 權(quán)重首個請求極慢CUDA graph 編譯、KV 緩存預(yù)分配啟動后發(fā)幾條預(yù)熱請求首請求不計入 SLA直接給答案不推理跳過了think強制輸出以think\n開頭prompt 里加 reason step by step輸出無限重復(fù)采樣參數(shù)過保守temperature 設(shè) 0.6do_sample 設(shè) True并發(fā)下 p99 高單實例打滿橫向擴 vLLM 實例 負載均衡transformers 版本報錯transformers 太舊升級到 4.44config.json 聲明 4.44.0上線前自查清單兩個 safetensors 分片 index 完整性通過transformers ≥4.44torch 與 CUDA 版本匹配temperature 0.6 / top_p 0.95 / do_sample True 已寫入服務(wù)默認參數(shù)未傳 system promptprompt 模板強制think\n開頭啟動后發(fā)過預(yù)熱請求首請求延遲已收斂負載均衡配置了健康探活proxy_read_timeout ≥300s監(jiān)控就位顯存占用、請求隊列長度、p50/p99 延遲壓測通過10 條代表性 prompt無 OOM、無無限重復(fù)延伸閱讀倉庫 README.md 的 Usage Recommendations 一節(jié)官方參數(shù)與 prompt 用法config.json架構(gòu)與上下文上限generation_config.json默認采樣參數(shù)DeepSeek-R1 論文arXiv:2501.12948訓(xùn)練流程與基準細節(jié)vLLM、SGLang 官方文檔兩者都有該模型的 serving 示例SGLang 可作為路徑二的替代【免費下載鏈接】DeepSeek-R1-Distill-Qwen-7B探索深度學(xué)習(xí)新境界DeepSeek-R1-Distill-Qwen-7B模型以卓越推理能力引領(lǐng)潮流顯著提升數(shù)學(xué)、編程和邏輯任務(wù)表現(xiàn)開啟AI智能新紀元。【此簡介由AI生成】項目地址: https://ai.gitcode.com/hf_mirrors/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 DeepSeek-R1-Distill-Qwen-7B 部署實戰(zhàn)：從單卡 4090 到多節(jié)點集群的三條路徑
DeepSeek-R1-Distill-Qwen-7B 部署實戰(zhàn)從單卡 4090 到多節(jié)點集群的三條路徑【免費下載鏈接】DeepSeek-R1-Distill-Qwen-7B探索深度學(xué)習(xí)新境界DeepSeek-R1-Distill-Qwen-7B模型以卓越推理能力引領(lǐng)潮流顯著提升數(shù)學(xué)、編程和邏輯任務(wù)表現(xiàn)開啟AI智能新紀元?！敬撕喗橛葾I生成】項目地址: https://ai.gitcode.com/hf_mirrors/deepseek-ai/DeepSeek-R1-Distill-Qwen-7BDeepSeek-R1-Distill-Qwen-7B 是從 DeepSeek-R1 蒸餾出的 7B 稠密推理模型bf16 權(quán)重約 15.5GB24GB 顯存可全精度運行16GB 顯存需量化。本文給出「transformers 單卡驗證、vLLM 服務(wù)、多節(jié)點集群」三條可直接照做的部署路徑并附參數(shù)表和上線后高頻問題的排查表。適合誰有 Linux 服務(wù)器運維經(jīng)驗、沒部署過推理模型的后端 / AI 工程師。前置條件Linux x86_64Ubuntu 20.04 或同等發(fā)行版Python 3.9PyTorch 2.1匹配 CUDA 12.1單卡 16GB 顯存的 NVIDIA GPU至少 20GB 磁盤空間存放權(quán)重選型先按顯存和 QPS 選路徑先看表再動手部署方案只由兩個變量決定顯存和峰值 QPS。硬件配置峰值請求量推薦方案備注1×16GB3090個人驗證、5 并發(fā)transformers 量化權(quán)重bf16 裝不下必須量化1×24GB4090/A5000小團隊、50 QPSvLLM 單卡全精度本文默認路徑2×24GB單節(jié)點高并發(fā)vLLM 雙實例或張量并行7B 用雙實例通常更劃算8×A100/H100 多節(jié)點線上服務(wù)、100 QPS多節(jié)點多實例 負載均衡 共享存儲水平擴容無上限上圖是倉庫 figures/benchmark.jpg 中的基準對比該 7B 模型 MATH-500 得 92.8AIME 2024 pass1 為 55.5Codeforces rating 1189接近 o1-mini值得作為獨立服務(wù)部署。路徑一單卡 4090 用 transformers 十分鐘跑通這條路徑的目標是驗證權(quán)重可加載、推理輸出正常不適合生產(chǎn)。先拉取權(quán)重約 15.5GBgit clone https://gitcode.com/hf_mirrors/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B然后加載并生成import torch from transformers import AutoTokenizer, AutoModelForCausalLM model_path ./DeepSeek-R1-Distill-Qwen-7B tokenizer AutoTokenizer.from_pretrained(model_path) model AutoModelForCausalLM.from_pretrained( model_path, torch_dtypetorch.bfloat16, device_mapauto) prompt think\nPlease reason step by step: ...put final answer within \\boxed{} inputs tokenizer(prompt, return_tensorspt).to(model.device) out model.generate(**inputs, max_new_tokens4096, do_sampleTrue, temperature0.6, top_p0.95) print(tokenizer.decode(out[0], skip_special_tokensTrue))兩個坑prompt 必須以think\n開頭否則模型容易跳過推理過程直接給答案README.md 的 Usage Recommendations 專門提示了這一點16GB 顯存放不下 bf16 全精度權(quán)重換 GPTQ/AWQ 量化權(quán)重或用 llama.cpp 的 GGUF Q4_K_M約 4.5GB路徑二用 vLLM 起高吞吐服務(wù)生產(chǎn)環(huán)境默認選 vLLMPagedAttention 管理 KV 緩存并發(fā)吞吐遠高于 transformers 直接 generate。pip install -U vllm vllm serve ./DeepSeek-R1-Distill-Qwen-7B \ --max-model-len 32768 \ --gpu-memory-utilization 0.9 \ --dtype bfloat16單張 4090 上 15.5GB 權(quán)重加 32K 上下文的 KV 緩存24GB 顯存裝得下。不要把--max-model-len再往上抬模型上下文上限是 128Kconfig.json 中 max_position_embeddings 為 131072單卡開滿會直接 OOM。服務(wù)暴露 OpenAI 兼容接口發(fā)一條請求驗證curl http://localhost:8000/v1/chat/completions \ -H Content-Type: application/json \ -d { model: DeepSeek-R1-Distill-Qwen-7B, messages: [{role: user, content: think\nPlease reason step by step: 17*23 ?}], temperature: 0.6, top_p: 0.95, max_tokens: 4096 }注意不要傳 system prompt官方明確所有指令都放在 user prompt 里。路徑三多實例與多節(jié)點集群水平擴容單實例打滿GPU 利用率長期 90%、排隊 p99 持續(xù)上漲時正確做法是水平擴容而不是繼續(xù)擠參數(shù)。節(jié)點內(nèi)2 卡機可以起 2 個獨立 vLLM 實例每卡一個也可以--tensor-parallel-size 2張量并行。7B 權(quán)重小雙實例的總吞吐通常高于單 TP 實例多節(jié)點權(quán)重放共享存儲NFS/GPFS各節(jié)點掛載后各自起 vLLM。7B 單卡就能裝下節(jié)點間不需要 NCCL/RDMA 做模型切分跨節(jié)點只需做實例級擴容負載均衡前置 Nginx/HAProxy長生成請求用 least-conn 比輪詢更穩(wěn)upstream r1_pool { least_conn; server 10.0.0.11:8000; # vLLM 實例 1 server 10.0.0.12:8000; # vLLM 實例 2 } server { listen 80; location / { proxy_pass http://r1_pool; proxy_read_timeout 300s; # 思考鏈長超時必須放大 } }每個實例保留健康檢查端點如 /health讓 LB 探活某個實例 OOM 時能被自動摘除。關(guān)鍵參數(shù)推薦值與常見坑以下取值來自官方 generation_config.json 與 README 的 Usage Recommendations參數(shù)推薦值作用常見坑temperature0.60.5–0.7控制采樣多樣性低于 0.5 容易無限重復(fù)同一種回答top_p0.95核采樣概率上限與低 temperature 疊加會把候選集壓得過窄do_sampleTrue啟用采樣保持 False貪心時推理質(zhì)量下降max_new_tokens32768思考鏈上限官方評測上限給小了會截斷推理答案不可靠max-model-len32768上下文總長度上限開到 131072 單卡直接 OOMsystem prompt不使用官方指令只放 user prompt加 system 角色會改變輸出風(fēng)格輸出開頭think\n強制進入推理過程缺失時模型可能跳過推理直接答dtypebfloat16與權(quán)重原生精度一致Ampere 卡強制 float16 可能出 NaN高頻問題顯存不足與響應(yīng)慢的排查癥狀可能原因處理動作加載即 CUDA OOMmax-model-len 開太大16GB 卡跑全精度先降到 8192仍 OOM 就換 FP8/AWQ 量化或 GGUF 權(quán)重首個請求極慢CUDA graph 編譯、KV 緩存預(yù)分配啟動后發(fā)幾條預(yù)熱請求首請求不計入 SLA直接給答案不推理跳過了think強制輸出以think\n開頭prompt 里加 reason step by step輸出無限重復(fù)采樣參數(shù)過保守temperature 設(shè) 0.6do_sample 設(shè) True并發(fā)下 p99 高單實例打滿橫向擴 vLLM 實例 負載均衡transformers 版本報錯transformers 太舊升級到 4.44config.json 聲明 4.44.0上線前自查清單兩個 safetensors 分片 index 完整性通過transformers ≥4.44torch 與 CUDA 版本匹配temperature 0.6 / top_p 0.95 / do_sample True 已寫入服務(wù)默認參數(shù)未傳 system promptprompt 模板強制think\n開頭啟動后發(fā)過預(yù)熱請求首請求延遲已收斂負載均衡配置了健康探活proxy_read_timeout ≥300s監(jiān)控就位顯存占用、請求隊列長度、p50/p99 延遲壓測通過10 條代表性 prompt無 OOM、無無限重復(fù)延伸閱讀倉庫 README.md 的 Usage Recommendations 一節(jié)官方參數(shù)與 prompt 用法config.json架構(gòu)與上下文上限generation_config.json默認采樣參數(shù)DeepSeek-R1 論文arXiv:2501.12948訓(xùn)練流程與基準細節(jié)vLLM、SGLang 官方文檔兩者都有該模型的 serving 示例SGLang 可作為路徑二的替代【免費下載鏈接】DeepSeek-R1-Distill-Qwen-7B探索深度學(xué)習(xí)新境界DeepSeek-R1-Distill-Qwen-7B模型以卓越推理能力引領(lǐng)潮流顯著提升數(shù)學(xué)、編程和邏輯任務(wù)表現(xiàn)開啟AI智能新紀元。【此簡介由AI生成】項目地址: https://ai.gitcode.com/hf_mirrors/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考