三步部署DeepSeek V4模型
发布时间:2026-06-02 14:07:34 作者:超级管理员 点击:20 【 字体:大 中 小 】
背景:DeepSeek V4其核心突破在于全系标配 100 万 token(约 75 万汉字)的超长上下文窗口,并针对效率与性能进行了系统性优化。目前发布了两个版本,分别为DeepSeekV4-Pro(旗舰版) 和 DeepSeek V4-Flash(轻量版),下面以DeepSeek V4-Flash(轻量版284B)部署为例展开。
参考链接:
https://docs.vllm.ai/projects/ascend/zh-cn/v0.18.0/tutorials/models/DeepSeek-V4-Flash.html
硬件环境:单机Atlas 800 A2 (64G × 8) ,
模型下载链接:
https://www.modelscope.cn/models/Eco-Tech/DeepSeek-V4-Flash-w8a8-mtp
镜像下载链接:
https://quay.io/repository/ascend/vllm-ascend?tab=tags
下载完权重和镜像如下所示:
步骤一:加载镜像:
docker load -i quay.io_ascend_vllm-ascend.deepseekv4.tar
步骤二:起容器,Docker run,容器名字可以改为自己名字XX,注意加私有
export IMAGE=quay.io/ascend/vllm-ascend:deepseekv4
export NAME=XX_vllm-ascend
docker run --rm \
--name $NAME \
--net=host \
--shm-size=512g \
--device /dev/davinci0 \
--device /dev/davinci1 \
--device /dev/davinci2 \
--device /dev/davinci3 \
--device /dev/davinci4 \
--device /dev/davinci5 \
--device /dev/davinci6 \
--device /dev/davinci7 \
--device /dev/davinci_manager \
--device /dev/devmm_svm \
--device /dev/hisi_hdc \
--privileged=true \
-v /usr/local/dcmi:/usr/local/dcmi \
-v /usr/local/Ascend/driver/tools/hccn_tool:/usr/local/Ascend/driver/tools/hccn_tool \
-v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
-v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
-v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
-v /etc/ascend_install.info:/etc/ascend_install.info \
-v /etc/hccn.conf:/etc/hccn.conf \
-v /mnt/sfs_turbo/.cache:/root/.cache \
-v /XXX/:/XXX/ \
-it $IMAGE bash
最后XXX为镜像和权重挂在路径。
查看容器内部npu-smi info正常
步骤三:容器内部拉服务,修改模型权重路径
#!/usr/bin/bash
export LD_PRELOAD=/usr/lib/aarch64-linux-gnu/libjemalloc.so.2:$LD_PRELOAD
export OMP_PROC_BIND=false
export OMP_NUM_THREADS=8
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True
export ACL_OP_INIT_MODE=1
export VLLM_ASCEND_ENABLE_FLASHCOMM1=1
export USE_MULTI_GROUPS_KV_CACHE=1
export TASK_QUEUE_ENABLE=1
export HCCL_OP_EXPANSION_MODE="AIV"
export HCCL_BUFFSIZE=512
export USE_MULTI_BLOCK_POOL=1
sysctl -w vm.swappiness=0
sysctl -w kernel.numa_balancing=0
sysctl kernel.sched_migration_cost_ns=50000
vllm serve /XXX/DeepSeek-V4-Flash-w8a8-mtp \
--safetensors-load-strategy 'prefetch' \
--max-model-len 135168 \
--max-num-batched-tokens 4096 \
--served-model-name ds \
--gpu-memory-utilization 0.92 \
--max-num-seqs 16 \
--data-parallel-size 1 \
--tensor-parallel-size 8 \
--enable-expert-parallel \
--quantization ascend \
--port 7000 \
--block-size 128 \
--enable-chunked-prefill \
--enable-prefix-caching \
--tokenizer-mode deepseek_v4 \
--tool-call-parser deepseek_v4 \
--enable-auto-tool-choice \
--reasoning-parser deepseek_v4 \
--async-scheduling \
--additional-config '{"enable_cpu_binding":true,"multistream_overlap_shared_expert":false}' \
--compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY","cudagraph_capture_sizes":[2,4,6,8,10,12,14,16,18,20,22,24,32,36,40]}' \
--model-loader-extra-config '{"enable_multithread_load":true,"num_threads":16}' \
--speculative-config '{"num_speculative_tokens": 1,"method": "mtp"}'
容器拉起来过程截图:
容器拉起来后显存情况:
步骤四:验证服务是否正常(可选)
Model 用服务模型名字--served-model-name ds \,端口号是拉起服务的端口号:--port 7000 \
curl -H "Accept: application/json" -H "Content-type: application/json" -X POST -d '{ "model": "ds", "messages": [{ "role": "user", "content": "怎么做番茄炒鸡蛋?" }], "max_tokens": 1024, "seed": null, "temperature": 0.6, "top_p": 0.95, "stream": false }' http://XXXX/v1/chat/completions |
XXXX为部署主机IP地址。
结果如下:
全球首个预制算力中心底座在山东青岛正式启用!
GPU显卡驱动如何安装?
GPU服务器前端网络组网概述
极智算算力平台|硬核算力底座,赋能 AI 全域高效落地
西柚云超算与云南联通正式达成战略合作,将共建云南科研超算中心节点
总投资约50亿!交通银行贵安数据中心正式接入电网
AI算力缺货从GPU烧到了一整条产业链?
北京 A100-40G 现货出租
总投资24亿!中国银联黄山数据中心园区项目正式通电
10大算力芯片全解析:CPU/GPU/TPU/NPU/LPU/FPGA......
