目前在国产 AI 芯片，例如昇腾 NPU 上运行大模型是一项广泛且迫切的需求，然而当前的生态还远未成熟。从底层芯片的算力性能、计算架构的算子优化，到上层推理框架对各种模型的支持及推理加速，仍有很多需要完善的地方。
今天带来一篇在昇腾 910B 上运行 Qwen 2.5 执行推理的操作实践。
配置昇腾环境
在昇腾 NPU 服务器上，确认昇腾 NPU 驱动已安装：
npu-smi info
根据架构下载对应的 CANN Toolkit 包（开发套件）和对应芯片的 Kernel 包（CANN 算子） https://www.hiascend.com/zh/software/cann/community-history：
wget https://ascend-repo.obs.cn-east-2.myhuaweicloud.com/Milan-ASL/Milan-ASL%20V100R001C19SPC703/Ascend-cann-toolkit_8.0.RC3.alpha003_linux-aarch64.run
wget https://ascend-repo.obs.cn-east-2.myhuaweicloud.com/Milan-ASL/Milan-ASL%20V100R001C19SPC703/Ascend-cann-kernels-910b_8.0.RC3.alpha003_linux-aarch64.run
安装 Toolkit，按提示操作：
sudo sed -i 's/user=true/user=false/' ~/.pip/pip.conf
sudo chmod +x Ascend-cann-toolkit_8.0.RC3.alpha003_linux-aarch64.run && sudo ./Ascend-cann-toolkit_8.0.RC3.alpha003_linux-aarch64.run --install --install-for-all
安装 Kernel，按提示操作：
sudo chmod +x Ascend-cann-kernels-910b_8.0.RC3.alpha003_linux-aarch64.run && sudo ./Ascend-cann-kernels-910b_8.0.RC3.alpha003_linux-aarch64.run --install --install-for-all
配置环境变量：
sudo echo "source /usr/local/Ascend/ascend-toolkit/set_env.sh" >> /etc/profile
source /usr/local/Ascend/ascend-toolkit/set_env.sh
昇腾环境已经配置完成，接下来准备运行 Qwen 2.5 模型的私有大模型服务平台。
安装 GPUStack
GPUStack 是一个开源的大模型即服务平台，支持 Nvidia、Apple Metal、华为昇腾和摩尔线程等各种类型的 GPU/NPU，可以在昇腾 910B 上运行包括 Qwen 2.5 在内的各种大模型，安装步骤如下。
通过以下命令在昇腾 NPU 服务器上在线安装 GPUStack，在安装过程中需要输入 sudo 密码：
curl -sfL https://get.gpustack.ai | sh -
如果环境连接不了 GitHub，无法下载一些二进制文件，使用以下命令安装，用 --tools-download-base-url 参数指定从腾讯云对象存储下载：
curl -sfL https://get.gpustack.ai | sh - --tools-download-base-url "https://gpustack-1303613262.cos.ap-guangzhou.myqcloud.com"
当看到以下输出时，说明已经成功部署并启动了 GPUStack：
[INFO] Install complete.
GPUStack UI is available at http://localhost.
Default username is 'admin'.
To get the default password, run 'cat /var/lib/gpustack/initial_admin_password'.
CLI "gpustack" is available from the command line. (You may need to open a new terminal or re-login for the PATH changes to take effect.)
接下来按照脚本输出的指引，拿到登录 GPUStack 的初始密码，执行以下命令：
cat /var/lib/gpustack/initial_admin_password
在浏览器访问 GPUStack UI，用户名 admin，密码为上面获得的初始密码。
重新设置密码后，进入 GPUStack：
纳管昇腾 NPU 资源
GPUStack 支持纳管 Linux、Windows 和 macOS 设备的 GPU 资源，如果有多台昇腾 NPU 服务器，通过以下步骤来纳管这些 NPU 资源。
其他节点需要通过认证 Token 加入 GPUStack 集群，在 GPUStack Server 节点执行以下命令获取 Token：
cat /var/lib/gpustack/token
拿到 Token 后，在其他节点上运行以下命令添加 Worker 到 GPUStack，纳管这些节点的 NPU（将其中的 http://YOUR_IP_ADDRESS 替换为 GPUStack 访问地址，将 YOUR_TOKEN 替换为用于添加 Worker 的认证 Token）：
curl -sfL https://get.gpustack.ai | sh - --server-url http://YOUR_IP_ADDRESS --token YOUR_TOKEN --tools-download-base-url "https://gpustack-1303613262.cos.ap-guangzhou.myqcloud.com"
纳管的昇腾 NPU 服务器资源如下：
部署 Qwen 2.5 模型
在 GPUStack 的模型菜单中部署模型。GPUStack 支持从 HuggingFace、Ollama Library、ModelScope 和私有模型仓库部署模型，国内网络建议从 ModelScope 部署。
GPUStack 支持 vLLM 和 llama-box 推理后端，llama-box 是 llama.cpp 的优化版本，对性能和稳定性进行了针对性的优化。目前 GPUStack 中基于 llama-box 提供对昇腾 NPU 的支持，在昇腾 NPU 上部署模型需要模型为 GGUF 格式。
从 ModelScope 部署 Qwen 2.5 的全系列模型，目前 CANN 算子的支持完整度方面还有不足，目前只能运行 FP16 精度、Q8_0 和 Q4_0 量化的模型，建议运行 FP16 精度的模型：
Qwen2.5-0.5B-Instruct-GGUF FP16
Qwen2.5-1.5B-Instruct-GGUF FP16
Qwen2.5-3B-Instruct-GGUF FP16
Qwen2.5-7B-Instruct-GGUF FP16
Qwen2.5-14B-Instruct-GGUF FP16
Qwen2.5-32B-Instruct-GGUF FP16
Qwen2.5-72B-Instruct-GGUF FP16
来看其中 Qwen 2.5 72B 模型的具体运行情况，Qwen 2.5 72B 被调度到 3 块 910B 上运行：
在 Dashboard 可以看到 Qwen 2.5 72B 被分配了 140.1 GiB 显存和 8.1 GiB 内存：
从 Playground 的实际测试来看，使用 llama-box 在昇腾 910B 上运行 Qwen 2.5 72B 的推理性能表现为 6 Tokens/s 左右，NPU 利用率在 10~30%左右：
以下为 Qwen 2.5 全系列模型在昇腾 910B 上的推理性能表现汇总数据，包括 Qwen2.5 0.5B、1.5B、3B 的 Q8_0 和 Q4_0 量化的推理性能数据作为对比参考：
Model
Tokes / Second
NPU Util
NPU Mem
NPUs
Qwen2.5 0.5B FP16
42 tokens/second
Util 6~7%
Mem 7%
单卡
Qwen2.5 1.5B FP16
35 tokens/second
Util 11~13%
Mem 10%
单卡
Qwen2.5 3B FP16
29 tokens/second
Util 15~16%
Mem 15%
单卡
Qwen2.5 7B FP16
32 tokens/second
Util 16~21%
Mem 16%
单卡
Qwen2.5 14B FP16
19 tokens/second
Util 19~22%
Mem 28%
单卡
Qwen2.5 32B FP16
10.5 tokens/second
Util 10~45%
Mem 54%
双卡
Qwen2.5 72B FP16
6 tokens/second
Util 10~60%
Mem 78%
三卡
Qwen2.5 0.5B Q8_0
6.5 tokens/second
Util 2~5%
Mem 6%
单卡
Qwen2.5 0.5B Q4_0
6 tokens/second
Util 4~5%
Mem 6%
单卡
Qwen2.5 1.5B Q8_0
3.5 tokens/second
Util 4~11%
Mem 8%
单卡
Qwen2.5 1.5B Q4_0
17~18 tokens/second
Util 9~12%
Mem 7%
单卡
Qwen2.5 3B Q8_0
3.2 tokens/second
Util 10~15%
Mem 10%
单卡
Qwen2.5 3B Q4_0
14.5 tokens/second
Util 8~15%
Mem 8%
单卡
对其中的 Qwen 2.5 0.5B FP16 模型进行并发测试的性能表现如下：
CC
Tokens / Second
TP
NPU Util
NPU Mem
1
39 tokens/second
39
Util 6~7%
Mem 7%
2
38 tokens/second
76
Util 6~7%
Mem 7%
3
37.66 tokens/second
113
Util 6~7%
Mem 7%
4
34.25 tokens/second
137
Util 6~7%
Mem 7%
5
31 tokens/second
155
Util 6~7%
Mem 7%
6
28.16 tokens/second
169
Util 6~7%
Mem 7%
7
27.57 tokens/second
193
Util 6~7%
Mem 7%
8
26.87 tokens/second
215
Util 6~7%
Mem 7%
9
26 tokens/second
234
Util 6~7%
Mem 7%
10
26.9 tokens/second
269
Util 6~7%
Mem 7%
20
20.3 tokens/second
406
Util 6~7%
Mem 8%
50
10.34 tokens/second
517
Util 3~5%
Mem 8%
100
4.17 tokens/second
417
Util 2~5%
Mem 9%
从测试结果来看，目前硬件性能未得到充分发挥，CANN 算子优化方面还有可观的优化空间，推理引擎层面也还有一些可以优化的推理加速技术，也期待后续 GPUStack 的另外一个高性能推理后端 vLLM 对昇腾 NPU 的支持，提供更佳的推理性能表现。
以上为使用 GPUStack 在昇腾 910B 上运行 Qwen 2.5 推理的操作实践。GPUStack 是一个开源的大模型即服务平台，以下为 GPUStack 功能的简单介绍。
GPUStack 功能介绍
异构 GPU 支持：支持异构 GPU 资源，当前支持 Nvidia、Apple Metal、华为昇腾和摩尔线程等各种类型的 GPU/NPU
多推理后端支持：支持 vLLM 和 llama-box (llama.cpp) 推理后端，兼顾生产性能需求与多平台兼容性需求
多平台支持：支持 Linux、Windows 和 macOS 平台，覆盖 amd64 和 arm64 架构
多模型类型支持：支持 LLM 文本模型、VLM 多模态模型、Embedding 文本嵌入模型 和 Reranker 重排序模型等各种类型的模型
多模型仓库支持：支持从 HuggingFace、Ollama Library、ModelScope 和私有模型仓库部署模型
丰富的自动/手动调度策略：支持紧凑调度、分散调度、指定 Worker 标签调度、指定 GPU 调度等各种调度策略
分布式推理：如果单个 GPU 无法运行较大的模型，可以通过 GPUStack 的分布式推理功能，自动将模型运行在跨主机的多个 GPU 上
CPU 推理：如果没有 GPU 或 GPU 资源不足，GPUStack 可以用 CPU 资源来运行大模型，支持 GPU&CPU 混合推理和纯 CPU 推理两种 CPU 推理模式
多模型对比：GPUStack 在 Playground 中提供了多模型对比视图，可以同时对比多个模型的问答内容和性能数据，以评估不同模型、不同权重、不同 Prompt 参数、不同量化、不同 GPU、不同推理后端的模型 Serving 效果
GPU 和 LLM 观测指标：提供全面的性能、利用率、状态监控和使用数据指标，以评估 GPU 和 LLM 的利用情况
GPUStack 作为一个开源项目，只需要非常简单的安装设置，就可以开箱即用地构建企业私有大模型即服务平台。
总结
以上为使用 GPUStack 在昇腾 910B 上运行 Qwen 2.5 的操作实践，项目的开源地址为：https://github.com/gpustack/gpustack。
期待后续国产 AI 芯片在算子优化上更加完善，同时也期待上层推理引擎对国产 AI 芯片的更多支持，充分发挥国产 AI 芯片的硬件性能，提供更佳的推理性能表现。
如果觉得写得不错，欢迎点赞、转发、关注。