wordpress 独立网页百度快速优化软件排名

近日，基于昇思 MindSpore AI 框架+vLLM的DeepSeek-V3-0324 模型完成适配并上线魔乐社区。

作为开源AI框架，MindSpore 以其卓越的性能优化、灵活的模型开发能力和高效的分布式训练能力，为大规模模型训推部署提供全流程开源支持。通过如下步骤，即可快速体验昇思MindSpore版本的DeepSeek-V3-0324服务化。

魔乐社区链接：https://modelers.cn/models/MindSpore-Lab/DeepSeek-V3-0324

# 01

环境搭建

环境准备：四台Atlas 800I A2 (64G)，并配置好组网，四台设备的卡与卡之间能够互相ping通。

四台设备分别拉取镜像：

docker pull hub.oepkgs.net/oedeploy/openeuler/aarch64/mindspore:20250326

四台设备分别杀进程：

ps -ef | grep python | grep -v grep | awk '{print $2}' | xargs kill -9ps -ef | grep ray | grep -v grep | awk '{print $2}' | xargs kill -9

四台设备分别启动容器，四台设备的hostname需要不同。/data/DeepSeek-V3-0324用于存放权重及yaml配置文件。

docker run -it --name=DeepSeek_V3_0324 --ipc=host --network=host --privileged=true --hostname=worker3 \        --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 \        -v /usr/local/sbin/:/usr/local/sbin/ \        -v /var/log/npu/slog/:/var/log/npu/slog \        -v /var/log/npu/profiling/:/var/log/npu/profiling \        -v /var/log/npu/dump/:/var/log/npu/dump \        -v /var/log/npu/:/usr/slog \        -v /etc/hccn.conf:/etc/hccn.conf \        -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \        -v /usr/local/dcmi:/usr/local/dcmi \        -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \        -v /etc/ascend_install.info:/etc/ascend_install.info \        -v /etc/vnpu.cfg:/etc/vnpu.cfg \        -v /data:/data \        --pids-limit 409600 \        --shm-size="250g" \        834520af4bdd \        /bin/bash

# 02

下载权重及yaml配置文件

魔乐社区权重及yaml配置文件下载：​​​​​​​

from openmind_hub import snapshot_download snapshot_download(    repo_id="MindSpore-Lab/DeepSeek-V3-0324",    local_dir="/data/DeepSeek-V3-0324",    local_dir_use_symlink=False)

yaml配置文件修改：​​​​​​​

# 修改为模型权重路径 load_checkpoint: '/data/DeepSeek-V3-0324' # 修改为模型tokenizer.json文件所在路径vocab_file: '/data/DeepSeek-V3-0324/tokenizer.json' # 修改为模型tokenizer.json文件所在路径tokenizer_file: '/data/DeepSeek-V3-0324/tokenizer.json'

# 03

启动推理服务

容器中添加环境变量：​​​​​​​

export MINDFORMERS_MODEL_CONFIG=/data/DeepSeek-V3-0324/predict_deepseek3_671b.yamlexport ASCEND_CUSTOM_PATH=$ASCEND_HOME_PATH/../export vLLM_MODEL_BACKEND=MindFormersexport vLLM_MODEL_MEMORY_USE_GB=50export ASCEND_TOTAL_MEMORY_GB=64export MS_ENABLE_LCCL=offexport HCCL_OP_EXPANSION_MODE=AIVexport HCCL_SOCKET_IFNAME=enp189s0f0export GLOO_SOCKET_IFNAME=enp189s0f0export TP_SOCKET_IFNAME=enp189s0f0export HCCL_CONNECT_TIMEOUT=3600export ASCEND_RT_VISIBLE_DEVICES=0,1,2,3,4,5,6,7

主机及辅机设置

选择一台设备作为主节点，执行如下命令：​​​​​​​

ray stopray start --head --port=6380

其他三台设备作为辅节点，依次执行如下命令：​​​​​​​

ray stopray start --address=主节点IP:6380

主节点容器中拉起服务：

python3 -m vllm_mindspore.entrypoints vllm.entrypoints.openai.api_server --model "模型权重路径" --trust_remote_code --tensor_parallel_size=32 --enable-prefix-caching --enable-chunked-prefill --max-num-seqs=256 --block-size=32 --max_model_len=70000 --max-num-batched-tokens=2048 --distributed-executor-backend=ray

发起推理服务请求，若在主节点发起请求，新开一个终端，IP地址是0.0.0.0或者localhost。

curl http://localhost:8000/v1/completions -H "Content-Type: application/jso