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。
  • 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 离线
              williamlouisW 离线
              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