1
2
数学库
vllm 部署 Qwen3-235B-A22B-AWQ token 速率低
2025-11-03 14:10:30
252
1、CPU:Intel(R) Xeon(R) Silver 4410Y 2、DCU:K100\_AI \* 4 3、镜像:image.sourcefind.cn:5000/dcu/admin/base/vllm:0.9.2-ubuntu22.04-dtk25.04.1-rc5-rocblas101839-0811-das1.6-py3.10-20250913-rc1 4、启动命令: ``` export W4A16_MOE_CUDA=0; vllm serve --model=/mnt/model/Qwen3-235B-A22B-Instruct-2507-AWQ \ --quantization moe_wna16 \ --dtype float16 \ --tensor-parallel-size 4 \ --served-model-name Qwen3-235B-A22B-AWQ \ --max-model-len 32768 \ --compilation-config '{"full_cuda_graph": true}' \ --gpu_memory_utilization 0.92 \ --port 28000 ``` 5、启动成功后,测试 token 单并发只能达到 15t/s,且 K100_ai 显卡利用率不高,请问有什么办法能够提高 token 速率? ``` /opt/hyhal/bin/hy-smi ============================ System Management Interface ============================= ====================================================================================== DCU Temp AvgPwr Perf PwrCap VRAM% DCU% Mode 0 53.0C 180.0W auto 400.0W 94% 24.2% Normal 1 54.0C 182.0W auto 400.0W 94% 12.5% Normal 2 54.0C 183.0W auto 400.0W 94% 24.2% Normal 3 53.0C 187.0W auto 400.0W 94% 6.7% Normal ```
全部评论(3)
只看楼主
C
codingmiao
1楼
+1 我也是这个问题
2025/11/4
网
网友yfri9U
回复 @codingmiao
可有优化方法
2025/11/4
Q
QAZ
回复 @网友yfri9U
你的输入上下文长度多少啊
3/10
没有更多内容了
--
楼主
Level.1
0 帖子
楼主热帖
暂无数据