一、前言
vLLM 是目前大模型推理领域最火热的高性能推理框架之一，以其 PagedAttention 技术著称。而 vLLM-Ascend 则是 vLLM 在华为昇腾 NPU 上的硬件插件，使得昇腾算力能够通过 vLLM 释放强大的推理性能。
在真正开始做迁移之前，我原本以为 GPU 和 NPU 在推理框架上的适配会非常复杂，但上手后才发现，vLLM-Ascend 的设计思路非常清晰：它在底层为昇腾补齐了算子、调度和内存管理，让我几乎不需要改动任何推理逻辑，就能把原本跑在 GPU 上的模型直接迁移到昇腾上运行。实际体验下来，无论是吞吐、并发还是长上下文处理能力，昇腾在 vLLM 的调度机制配合下都能发挥出非常可观的性能。
那么接下来的话我也会带大家来进行一系列的实战操作。
开源仓地址：https://gitcode.com/gh_mirrors/vl/vllm-ascend |
下载方式也非常简单，直接使用git拉取就行了：
二、vLLM-Ascend 环境部署与基础配置
在开始 vLLM-Ascend 的安装与部署前，确保服务器已正确安装CANN 软件栈并验证NPU 驱动正常运行是至关重要的前提。CANN是昇腾 NPU 的核心软件栈，提供了从硬件驱动到上层应用的完整支持，而 NPU 驱动则是确保硬件与软件交互的基础。
我们可以参考官网给出的安装教程进行快速安装：
1. 环境准备
验证 Ascend NPU 固件和驱动程序是否正确安装：
# 检查 NPU 状态 npu-smi info2.配置软件环境
最简单的方式是直接使用 CANN 官方 Docker 镜像，一条命令即可快速准备完整的软件环境。
3. 克隆代码与安装
推荐使用 Conda 创建独立的 Python 环境。
# 创建环境 conda create -n vllm-ascend python=3.10 conda activate vllm-ascend # 克隆 vLLM-Ascend 仓库 git clone https://github.com/vllm-project/vllm-ascend.git cd vllm-ascend # 安装依赖 pip install -r requirements.txt # 安装 vllm-ascend 插件 pip install -e .4. 基础配置检查
安装完成后，可以通过简单的 Python 脚本检查 vLLM 是否正确识别到了 Ascend 后端。
from vllm import LLM, SamplingParams prompts = [ "Hello, my name is", "The president of the United States is", "The capital of France is", "The future of AI is", ] # Create a sampling params object. sampling_params = SamplingParams(temperature=0.8, top_p=0.95) # Create an LLM. llm = LLM(model="Qwen/Qwen2.5-0.5B-Instruct") # Generate texts from the prompts. outputs = llm.generate(prompts, sampling_params) for output in outputs: prompt = output.prompt generated_text = output.outputs[0].text print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")如果输出成功，则说明环境部署完成，可以进行后续模型加载和推理服务化操作。
安装完成后，vLLM-Ascend 已经在昇腾 NPU 上顺利搭建好运行环境，接下来我将带大家进行模型加载、推理服务化以及性能调优的实战操作，让大家能够快速将本地模型变成可调用的 API 服务。
三、vLLM-Ascend 推理服务化实操
vLLM 提供了兼容 OpenAI API 的服务化启动方式，这也是生产环境中最常用的模式。通过这种方式，我们可以把本地模型部署成 API 服务，外部程序只需要通过 HTTP 请求就能调用模型生成文本。这种服务化方式不仅方便在生产环境中集成，也便于多用户并发访问，充分发挥 NPU 的算力优势。
1. 启动 API Server
假设我们使用Qwen/Qwen2.5-7B-Instruct模型（请确保模型权重已下载到本地）。
python -m vllm.entrypoints.openai.api_server \ --model /path/to/Qwen2.5-7B-Instruct \ --trust-remote-code \ --tensor-parallel-size 1 \ --host 0.0.0.0 \ --port 8000 # 示例输出日志 # INFO: Started server process [12345] # INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit) # INFO 12-03 10:00:00 llm_engine.py:70] Initializing an LLM engine with config: model='/path/to/Qwen2.5-7B-Instruct'... # INFO 12-03 10:00:02 model_executor.py:45] # PagedAttention: block_size=16, num_gpu_blocks=2048 # INFO 12-03 10:00:10 worker.py:120] Model loaded successfully on Ascend NPU (Device 0). # INFO: Application startup complete.参数说明：
- --tensor-parallel-size: 根据你的 NPU 卡数设置，单卡设为 1。
- --host: 监听地址。
启动过程中，你会看到模型加载、显存分配（KV Cache）以及 Warmup 的日志。
2. 客户端调用测试
服务启动后，我们可以使用curl或 Python 的openai库进行调用。
curl http://localhost:8000/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "/path/to/Qwen2.5-7B-Instruct", "messages": [ {"role": "user", "content": "你好，请介绍一下昇腾 NPU。"} ], "temperature": 0.7 }' # 示例响应 # { # "id": "chatcmpl-890123", # "object": "chat.completion", # "created": 1701590000, # "model": "/path/to/Qwen2.5-7B-Instruct", # "choices": [{ # "index": 0, # "message": { # "role": "assistant", # "content": "昇腾（Ascend）是华为推出的AI处理器品牌..." # }, # "finish_reason": "stop" # }], # "usage": { "prompt_tokens": 15, "completion_tokens": 50, "total_tokens": 65 } # }参数说明：
3. 服务化部署实践与优化
KV CachevLLM 使用 KV 缓存加速长上下文生成，启动日志中会显示分配情况。
- --max-num-seqs可以调整并发请求数
- --gpu-memory-utilization用于控制显存占用
多卡部署
- --tensor-parallel-size设置张量并行度
- 多卡通信需要 HCCL 配置正确
调试技巧
- 通过vllm日志监控吞吐量 (tokens/s)
- 遇到显存不足可降低并发序列或 KV Cache 使用比例
通过服务化部署，vLLM-Ascend 能够将本地模型快速变成可 HTTP 调用的 API 服务。无论是单机单卡还是多卡并发部署，整个流程清晰可控，我个人认为需要重点关注：
环境准备：CANN 驱动、NPU 状态、Docker 镜像或 Python 环境。
模型加载与 KV Cache：确保长上下文生成高效。
API 服务启动与客户端调用：兼容 OpenAI API，外部程序调用简单。
多卡并行与性能调优：通过日志和参数优化吞吐和显存利用率。
对生产环境而言，这种方式不仅降低了部署复杂度，还能最大化利用 Ascend NPU 的算力潜力，同时提供 GPU 类似的使用体验。
四、总结
通过 vLLM-Ascend，我们能够轻松地在昇腾硬件上搭建高性能的大模型推理服务。从环境准备、代码部署到 API 方式启动推理，再到性能调优与问题排查，每一个环节都直接影响最终的吞吐、延迟和稳定性。对我来说，最直观的感受就是：只要底层环境准备充分，vLLM-Ascend 的接入是顺畅且可控的，几乎能够做到“与 GPU 一致的使用体验”，同时充分释放 NPU 的算力潜力。昇腾PAE案例库也为本文的写作提供了有力参考。
 在分布式系统底层的物理限制)
