高通 QCS6490PI 集群架构支撑 DeepSeek 模型稳定运行的技术实现
背景介绍
当单一硬件设备的性能边界难以承载复杂模型的运行需求时，分布式架构通过将多个轻量化设备协同组网，构建起弹性可扩展的算力网络，突破物理硬件的性能边界，可实现高效运行大规模的模型。
硬件：多块 QCS6490PI 开发板
深度解析 QCS6490：硬件性能全揭秘_qcs6490算力多少-CSDN博客
工具：distributed-llama
项目地址：https://github.com/b4rtaz/distributed-llama
工具：distributed-llama
distributed-llama 是一个用于将家用设备连接成强大集群以加速大语言模型（LLM）推理的项目。该项目支持多种操作系统，包括 Linux，并针对 高通 CPU 进行了优化。以下是对该仓库的详细介绍：
项目概述
该项目的核心目标是利用张量并行和以太网高速同步技术，将多个家用设备连接成一个集群，从而加速 LLM 的推理过程。更多的设备意味着更快的性能。
主要特性
- 多操作系统支持：支持 Linux、macOS 和 Windows 操作系统。
- 硬件优化：针对 高通 CPU 进行了优化。
- 模型支持：支持多种 Llama 系列模型，如 Llama 3.1、Llama 3.2、Llama 3.3 等。
- 实验性 Vulkan 支持：自 2025 年 3 月 23 日起，提供实验性的 Vulkan 支持。
快速设置
一键设置根节点
运行以下命令可以下载模型和分词器：
python launch.py <model>支持的模型包括：
| Model | Size | Command |
|---|---|---|
| Llama 3.1 8B Instruct Q40 | 6.32 GB | python launch.py llama3_1_8b_instruct_q40 |
| Llama 3.1 405B Instruct Q40. | 238 GB | python launch.py llama3_1_405b_instruct_q40. |
| Llama 3.2 1B Instruct Q40 | 1.7 GB | python launch.py llama3_2_1b_instruct_q40 |
| Llama 3.2 3B Instruct Q40 | 3.4 GB | python launch.py llama3_2_3b_instruct_q40 |
| Llama 3.3 70B Instruct Q40 | 40 GB | python launch.py llama3_3_70b_instruct_q40 |
| DeepSeek R1 Distill Llama 8B Q40 | 6.32 GB | python launch.py deepseek_r1_distill_llama_8b_q40 |
手动转换模型
支持的架构为 Llama，具体转换方法可参考：
- How to Convert Llama 3.1
- How to Convert Hugging Face Model
已知限制
- 只能在 1, 2, 4... 2^n 个节点上运行。
- 最大节点数等于模型中 KV 头的数量。
- 仅支持以下量化：
q40模型搭配q80buffer-float-typef32模型搭配f32buffer-float-type
架构
项目分为两部分：
- 根节点：负责加载模型和权重，并将其转发给工作节点。同时，同步神经网络的状态。根节点本身也是一个工作节点，处理自己的神经网络切片。
- 工作节点：处理自己的神经网络切片，不需要与模型相关的任何配置。
命令
dllama inference：运行推理并进行简单的基准测试。dllama chat：运行 CLI 聊天。dllama worker：运行工作节点。dllama-api：运行 API 服务器。
部署步骤
1.下载代码
首先打开终端，按照如下命令，在所有的板卡上均进行下载和编译
git clone https://github.com/b4rtaz/distributed-llama.git
cd distributed-llama
make dllama
make dllama-api2.下载模型
Python3 launch.py deepseek_r1_distill_llama_8b_q40(Tips:使用Python3.8先注释掉launch.py第126行,使用python3.10则无需操作)
3.测试单节点运行
通过如下命令单节点运行模型， --model 、--tokenizer分别选择指定路径下的模型、分词器, --buffer-float-type、--nthreads 、--max-seq-len分别设置量化精度、线程数与序列长度限制。
./dllama chat --model models/deepseek_r1_distill_llama_8b_q40/dllama_model_deepseek_r1_distill_llama_8b_q40.m --tokenizer models/deepseek_r1_distill_llama_8b_q40/dllama_tokenizer_deepseek_r1_distill_llama_8b_q40.t --buffer-float-type q80 --nthreads 4 --max-seq-len 4096
可以发现设备性能不足以带动8b模型
4.尝试新增运行节点
在多个子节点设备上运行，节点数需为2的次方数，1、2、4等，此处使用1根2子共3个节点。
./dllama worker --port 9999 --nthreads 8
挑选一个节点（例：192.168.110.106）作为根节点，启动模型。
./dllama chat --model models/deepseek_r1_distill_llama_8b_q40/dllama_model_deepseek_r1_distill_llama_8b_q40.m --tokenizer models/deepseek_r1_distill_llama_8b_q40/dllama_tokenizer_deepseek_r1_distill_llama_8b_q40.t --buffer-float-type q80 --nthreads 8 --max-seq-len 4096 --workers 192.168.110.106:9999 192.168.110.229:9999 192.168.111.49:9999(Tips： --workers 后面替换为自己的节点IP)
子节点开始加载模型，加载完成后根节点显示各项信息
根节点运行模型，跳出对话框代表模型已运行
这里采用命令行方式，也可以配合Chat web页面使用