跳转至内容
  • 版块
  • 最新
  • 标签
  • 热门
  • 用户
  • 群组
皮肤
  • 浅色
  • Brite
  • Cerulean
  • Cosmo
  • Flatly
  • Journal
  • Litera
  • Lumen
  • Lux
  • Materia
  • Minty
  • Morph
  • Pulse
  • Sandstone
  • Simplex
  • Sketchy
  • Spacelab
  • United
  • Yeti
  • Zephyr
  • 深色
  • Cyborg
  • Darkly
  • Quartz
  • Slate
  • Solar
  • Superhero
  • Vapor

  • 默认(LCZ-Blue)
  • 不使用皮肤
  • LCZ-Green
  • LCZ-Blue
  • LCZ-Black
折叠
品牌标识

抡锤者

首页 版块 标签 硬件 AI 广场
  1. 主页
  2. 版块
  3. LLM讨论区
  4. 两张Intel B70 共64G显存 vllm 部署 QWEN3.8-27B FP8 的过程及数据。

两张Intel B70 共64G显存 vllm 部署 QWEN3.8-27B FP8 的过程及数据。

已定时 已固定 已锁定 已移动 LLM讨论区
b70provllmqwen-27b
20 帖子 8 发布者 628 浏览
  • 从旧到新
  • 从新到旧
  • 最多赞同
回复
  • 在新帖中回复
登录后回复
此主题已被删除。只有拥有主题管理权限的用户可以查看。
  • sirwangS 离线
    sirwangS 离线
    sirwang
    超级版主
    编写于 最后由 编辑
    #6

    容易崩溃,现在调整一下。 我不知道是不是我限制了卡的功率问题?...费解中。

    ZE_AFFINITY_MASK="1,2" vllm serve \
        --port 8989 \
        --host 0.0.0.0 \
        --gpu-memory-utilization 0.95 \
        --max-num-batched-tokens 8192 \
        --max-model-len 81920 \
        --block-size 64 \
        --dtype float16 \
        --model models/LLM/Qwen3.8-27B-Uncensored-FP8 \
        --served-model-name Qwen3.8-27B-FP8 \
        --tensor-parallel-size 2 \
        --quantization fp8 \
        --enforce-eager \
        --trust-remote-code \
        --enable-prefix-caching \
        --enable-auto-tool-choice \
        --tool-call-parser qwen3_coder \
        --reasoning-parser qwen3 \
        --limit-mm-per-prompt image=4,video=1
    
    1 条回复 最后回复
    0
    • sirwangS 离线
      sirwangS 离线
      sirwang
      超级版主
      编写于 最后由 编辑
      #7

      我把评测的信息发给他们, 过了不到2分钟,大牛给了我新的代码, 直接FP8下边128K的上下文。3条线也可以满128K的上下文了....

      技术好,果然可以为所欲为.....

      export VLLM_ALLOW_LONG_MAX_MODEL_LEN=1
      export VLLM_WORKER_MULTIPROC_METHOD=spawn
      export VLLM_OFFLOAD_WEIGHTS_BEFORE_QUANT=1
      
      vllm serve \
          --port 8000 \
          --host 0.0.0.0 \
          --gpu-memory-utilization 0.90 \
          --max-num-batched-tokens 8192 \
          --max-model-len 131072 \
          --block-size 64 \
          --dtype float16 \
          --api-key "ww@lw" \
          --model models/LLM/Qwen3.8-27B-Uncensored-FP8/ \
          --served-model-name Qwen3.8-27B-FP8 \
          --tensor-parallel-size 2 \
          --quantization fp8 \
          --enforce-eager \
          --trust-remote-code \
          --enable-prefix-caching \
          --enable-auto-tool-choice \
          --tool-call-parser qwen3_coder \
          --reasoning-parser qwen3 \
          --limit-mm-per-prompt image=4,video=1 \
          > vllm-qwen3.8-27b.log 2>&1 &
      
      
      1 条回复 最后回复
      0
      • 张光璞张 离线
        张光璞张 离线
        张光璞
        劳动模范 德高望重
        编写于 最后由 编辑
        #8

        Intel 也要雄起了吗?

        A sirwangS 2 条回复 最后回复
        0
        • 张光璞张 张光璞

          Intel 也要雄起了吗?

          A 离线
          A 离线
          applejuice
          技术大牛 劳动模范
          编写于 最后由 编辑
          #9

          @张光璞 主要是这张卡也不便宜啊

          terryT sirwangS 2 条回复 最后回复
          0
          • A applejuice

            @张光璞 主要是这张卡也不便宜啊

            terryT 离线
            terryT 离线
            terry
            超级版主
            编写于 最后由 编辑
            #10

            @applejuice 雄起个锤子😂

            油管:https://www.youtube.com/@抡锤者

            1 条回复 最后回复
            0
            • 张光璞张 张光璞

              Intel 也要雄起了吗?

              sirwangS 离线
              sirwangS 离线
              sirwang
              超级版主
              编写于 最后由 编辑
              #11

              @张光璞 想多了。

              张光璞张 1 条回复 最后回复
              0
              • A applejuice

                @张光璞 主要是这张卡也不便宜啊

                sirwangS 离线
                sirwangS 离线
                sirwang
                超级版主
                编写于 最后由 编辑
                #12

                @applejuice 小黄鱼渠道。基本全新。不到8000,带保修。不香?~

                1 条回复 最后回复
                0
                • sirwangS sirwang

                  @张光璞 想多了。

                  张光璞张 离线
                  张光璞张 离线
                  张光璞
                  劳动模范 德高望重
                  编写于 最后由 编辑
                  #13

                  @sirwang 说:

                  @张光璞 想多了。

                  哈哈。蓝厂依旧扶不起,CPU再也不见i3 默秒全

                  1 条回复 最后回复
                  0
                  • Fei YanF 离线
                    Fei YanF 离线
                    Fei Yan
                    编写于 最后由 编辑
                    #14

                    所以说这个双卡究竟带来了什么提高?是推理速度还是上下文大小?能在windows docker desktop跑吗?

                    张光璞张 1 条回复 最后回复
                    0
                    • Fei YanF Fei Yan

                      所以说这个双卡究竟带来了什么提高?是推理速度还是上下文大小?能在windows docker desktop跑吗?

                      张光璞张 离线
                      张光璞张 离线
                      张光璞
                      劳动模范 德高望重
                      编写于 最后由 编辑
                      #15

                      @Fei-Yan 说:

                      所以说这个双卡究竟带来了什么提高?是推理速度还是上下文大小?能在windows docker desktop跑吗?

                      跑起来了!

                      1 条回复 最后回复
                      0
                      • williamlouisW 在线
                        williamlouisW 在线
                        williamlouis
                        超级版主
                        编写于 最后由 编辑
                        #16

                        对已经 intel上车的同志。这是一个 灯塔。

                        个人主页:xlkj.org Telegram https://t.me/xlkjorg

                        1 条回复 最后回复
                        0
                        • K 离线
                          K 离线
                          kaifan
                          编写于 最后由 kaifan 编辑
                          #17

                          分享一下我的结果 TP=2 PCIe4.0x8 虽然是一个月前测试的了但或许能帮上忙

                          docker run -d --name vllmb70 --ipc=host --shm-size=32g --dns 192.168.1.242 --device=/dev/dri:/dev/dri --privileged -p 1234:8000 \
                            -e VLLM_WORKER_MULTIPROC_METHOD=spawn \
                            -e ZE_FLAT_DEVICE_HIERARCHY=COMPOSITE \
                            -e ZE_AFFINITY_MASK=0,1 \
                            -e VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 \
                            -e PYTORCH_ALLOC_CONF=expandable_segments:True \
                            -e VLLM_XPU_ENABLE_XPU_GRAPH=1 \
                            -e CCL_SYCL_ALLREDUCE_SIMPLE_THRESHOLD=4294967296 \
                            -e CCL_SYCL_REDUCE_SCATTER_SIMPLE_THRESHOLD=4294967296 \
                            -e CCL_SYCL_ALLGATHERV_SIMPLE_THRESHOLD=4294967296 \
                            -e CCL_SYCL_ALLTOALL_TMP_BUF=1 \
                            -e http_proxy= \
                            -e https_proxy= \
                            -e no_proxy= \
                            --entrypoint /bin/bash intel/llm-scaler-vllm:0.21.0-b2 -c "
                              python3 -m vllm.entrypoints.openai.api_server \
                                --model Qwen/Qwen3.8-27B-FP8 \
                                --tokenizer Qwen/Qwen3.8-27B-FP8 \
                                --gpu-memory-utilization 0.97 \
                                --max-model-len 262144 \
                                --kv-cache-dtype auto \
                                --enable-prefix-caching \
                                --enable-auto-tool-choice \
                                --tool-call-parser qwen3_coder \
                                --default-chat-template-kwargs '{\"enable_thinking\": false}' \
                                --trust-remote-code \
                                --port 8000 \
                                --tensor-parallel-size 2 \
                                --pipeline-parallel-size 1 \
                                --cudagraph-capture-sizes 1 2 4 \
                                --dtype half \
                            "
                          

                          测试结果来自3.6-27b
                          单请求:

                          • pp16384: ~2400tps
                          • tg512: 33.3tps

                          共享上下文大概480k at FP16 KV Cache,fp8的kv cache能上1M
                          在我的agent swarm 真实使用 16并行峰值能到吐字300tps
                          ···
                          (APIServer pid=1) INFO 08-03 09:00:52 [loggers.py:273] Engine 000: Avg prompt throughput: 31.9 tokens/s, Avg generation throughput: 294.1 tokens/S, Running: 17 reqs, Waiting: 0 reqs, GPU KV cache usage: 50.6%, Prefix cache hit rate: 88.0%
                          (APIServer pid=1) INFO 08-03 09:01:02 loggers py:273] Engine 000: Avg prompt throughput: 60.7 tokens/s, Avg generation throughput: 280.0 tokens /S, Running: 17 reqs, Waiting: 0 reqs, GPU KV cache usage: 52.0%, Prefix cache hit rate: 88.0%
                          ···

                          XPU Graph 有时不太稳定但大致上能接受,但是不能接受intel摆烂的态度 https://github.com/intel/llm-scaler/issues/641

                          terryT sirwangS 2 条回复 最后回复
                          1
                          • ,系统 取消固定了此主题
                          • K kaifan

                            分享一下我的结果 TP=2 PCIe4.0x8 虽然是一个月前测试的了但或许能帮上忙

                            docker run -d --name vllmb70 --ipc=host --shm-size=32g --dns 192.168.1.242 --device=/dev/dri:/dev/dri --privileged -p 1234:8000 \
                              -e VLLM_WORKER_MULTIPROC_METHOD=spawn \
                              -e ZE_FLAT_DEVICE_HIERARCHY=COMPOSITE \
                              -e ZE_AFFINITY_MASK=0,1 \
                              -e VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 \
                              -e PYTORCH_ALLOC_CONF=expandable_segments:True \
                              -e VLLM_XPU_ENABLE_XPU_GRAPH=1 \
                              -e CCL_SYCL_ALLREDUCE_SIMPLE_THRESHOLD=4294967296 \
                              -e CCL_SYCL_REDUCE_SCATTER_SIMPLE_THRESHOLD=4294967296 \
                              -e CCL_SYCL_ALLGATHERV_SIMPLE_THRESHOLD=4294967296 \
                              -e CCL_SYCL_ALLTOALL_TMP_BUF=1 \
                              -e http_proxy= \
                              -e https_proxy= \
                              -e no_proxy= \
                              --entrypoint /bin/bash intel/llm-scaler-vllm:0.21.0-b2 -c "
                                python3 -m vllm.entrypoints.openai.api_server \
                                  --model Qwen/Qwen3.8-27B-FP8 \
                                  --tokenizer Qwen/Qwen3.8-27B-FP8 \
                                  --gpu-memory-utilization 0.97 \
                                  --max-model-len 262144 \
                                  --kv-cache-dtype auto \
                                  --enable-prefix-caching \
                                  --enable-auto-tool-choice \
                                  --tool-call-parser qwen3_coder \
                                  --default-chat-template-kwargs '{\"enable_thinking\": false}' \
                                  --trust-remote-code \
                                  --port 8000 \
                                  --tensor-parallel-size 2 \
                                  --pipeline-parallel-size 1 \
                                  --cudagraph-capture-sizes 1 2 4 \
                                  --dtype half \
                              "
                            

                            测试结果来自3.6-27b
                            单请求:

                            • pp16384: ~2400tps
                            • tg512: 33.3tps

                            共享上下文大概480k at FP16 KV Cache,fp8的kv cache能上1M
                            在我的agent swarm 真实使用 16并行峰值能到吐字300tps
                            ···
                            (APIServer pid=1) INFO 08-03 09:00:52 [loggers.py:273] Engine 000: Avg prompt throughput: 31.9 tokens/s, Avg generation throughput: 294.1 tokens/S, Running: 17 reqs, Waiting: 0 reqs, GPU KV cache usage: 50.6%, Prefix cache hit rate: 88.0%
                            (APIServer pid=1) INFO 08-03 09:01:02 loggers py:273] Engine 000: Avg prompt throughput: 60.7 tokens/s, Avg generation throughput: 280.0 tokens /S, Running: 17 reqs, Waiting: 0 reqs, GPU KV cache usage: 52.0%, Prefix cache hit rate: 88.0%
                            ···

                            XPU Graph 有时不太稳定但大致上能接受,但是不能接受intel摆烂的态度 https://github.com/intel/llm-scaler/issues/641

                            terryT 离线
                            terryT 离线
                            terry
                            超级版主
                            编写于 最后由 编辑
                            #18

                            @kaifan 我擦,这玩意还能凑到第二个人,佩服。你的帖子再次增加了主贴的含金量,英特尔用户可以来抄作业。

                            油管:https://www.youtube.com/@抡锤者

                            1 条回复 最后回复
                            0
                            • K kaifan

                              分享一下我的结果 TP=2 PCIe4.0x8 虽然是一个月前测试的了但或许能帮上忙

                              docker run -d --name vllmb70 --ipc=host --shm-size=32g --dns 192.168.1.242 --device=/dev/dri:/dev/dri --privileged -p 1234:8000 \
                                -e VLLM_WORKER_MULTIPROC_METHOD=spawn \
                                -e ZE_FLAT_DEVICE_HIERARCHY=COMPOSITE \
                                -e ZE_AFFINITY_MASK=0,1 \
                                -e VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 \
                                -e PYTORCH_ALLOC_CONF=expandable_segments:True \
                                -e VLLM_XPU_ENABLE_XPU_GRAPH=1 \
                                -e CCL_SYCL_ALLREDUCE_SIMPLE_THRESHOLD=4294967296 \
                                -e CCL_SYCL_REDUCE_SCATTER_SIMPLE_THRESHOLD=4294967296 \
                                -e CCL_SYCL_ALLGATHERV_SIMPLE_THRESHOLD=4294967296 \
                                -e CCL_SYCL_ALLTOALL_TMP_BUF=1 \
                                -e http_proxy= \
                                -e https_proxy= \
                                -e no_proxy= \
                                --entrypoint /bin/bash intel/llm-scaler-vllm:0.21.0-b2 -c "
                                  python3 -m vllm.entrypoints.openai.api_server \
                                    --model Qwen/Qwen3.8-27B-FP8 \
                                    --tokenizer Qwen/Qwen3.8-27B-FP8 \
                                    --gpu-memory-utilization 0.97 \
                                    --max-model-len 262144 \
                                    --kv-cache-dtype auto \
                                    --enable-prefix-caching \
                                    --enable-auto-tool-choice \
                                    --tool-call-parser qwen3_coder \
                                    --default-chat-template-kwargs '{\"enable_thinking\": false}' \
                                    --trust-remote-code \
                                    --port 8000 \
                                    --tensor-parallel-size 2 \
                                    --pipeline-parallel-size 1 \
                                    --cudagraph-capture-sizes 1 2 4 \
                                    --dtype half \
                                "
                              

                              测试结果来自3.6-27b
                              单请求:

                              • pp16384: ~2400tps
                              • tg512: 33.3tps

                              共享上下文大概480k at FP16 KV Cache,fp8的kv cache能上1M
                              在我的agent swarm 真实使用 16并行峰值能到吐字300tps
                              ···
                              (APIServer pid=1) INFO 08-03 09:00:52 [loggers.py:273] Engine 000: Avg prompt throughput: 31.9 tokens/s, Avg generation throughput: 294.1 tokens/S, Running: 17 reqs, Waiting: 0 reqs, GPU KV cache usage: 50.6%, Prefix cache hit rate: 88.0%
                              (APIServer pid=1) INFO 08-03 09:01:02 loggers py:273] Engine 000: Avg prompt throughput: 60.7 tokens/s, Avg generation throughput: 280.0 tokens /S, Running: 17 reqs, Waiting: 0 reqs, GPU KV cache usage: 52.0%, Prefix cache hit rate: 88.0%
                              ···

                              XPU Graph 有时不太稳定但大致上能接受,但是不能接受intel摆烂的态度 https://github.com/intel/llm-scaler/issues/641

                              sirwangS 离线
                              sirwangS 离线
                              sirwang
                              超级版主
                              编写于 最后由 编辑
                              #19

                              @kaifan 可以试试qwen3.8-flash-next-fp8了。 对这个有些期待,虽然暂时这个3.8-27b还是相当香的。

                              K 1 条回复 最后回复
                              0
                              • sirwangS sirwang

                                @kaifan 可以试试qwen3.8-flash-next-fp8了。 对这个有些期待,虽然暂时这个3.8-27b还是相当香的。

                                K 离线
                                K 离线
                                kaifan
                                编写于 最后由 编辑
                                #20

                                @sirwang 双卡放不下125B-FP8的模型了,四卡也跑不起来吧,看repo有186G,去掉ngram的50G还有136G呢

                                倒是在我主机跑了Q4起来,不过大部分都offload到系统内存了,大概pp 320tps tg 13tps 还不太到能用的程度

                                1 条回复 最后回复
                                0

                                你好!看起来您对这段对话很感兴趣,但您还没有一个账号。

                                厌倦了每次访问都刷到同样的帖子?您注册账号后,您每次返回时都能精准定位到您上次浏览的位置,并可选择接收新回复通知(通过邮件或推送通知)。您还能收藏书签、为帖子顶,向社区成员表达您的欣赏。

                                有了你的建议,这篇帖子会更精彩哦 💗

                                注册 登录
                                回复
                                • 在新帖中回复
                                登录后回复
                                • 从旧到新
                                • 从新到旧
                                • 最多赞同


                                • 登录

                                • 登录或注册以进行搜索。
                                • 第一个帖子
                                  最后一个帖子
                                0
                                • 版块
                                • 最新
                                • 标签
                                • 热门
                                • 用户
                                • 群组