文档中心

GPU云服务器

GLM系列模型

GPU-部署GLM-5.3-Flash模型

本文以1台ecs.hpcpni3ln.45xlarge实例为例，介绍如何在GPU云服务器上部署GLM-5.3-Flash模型。

背景信息

GLM-5.3-Flash是面向高效推理的开源MoE大模型，适用于长上下文、代码生成、复杂推理与Agent场景。

软件要求

NVIDIA驱动：

GPU驱动：用于驱动NVIDIA GPU的程序，本文以535.261.03为例。

运行环境：

SGLang框架：SGLang框架是一款专为大语言模型（LLMs）及视觉语言模型打造的高性能服务框架，通过协同设计前端结构化生成语言与后端运行时系统，实现与模型的高效交互，并保障了生成过程的可控性。本文使用火山引擎提供的SGLang容器镜像进行操作演示。

操作步骤

步骤一：准备环境

创建GPU计算型实例。

请根据通过向导购买实例指引，创建一台符合下表条件的实例。

配置项	推荐配置
基础配置
计算规格	ecs.hpcpni3ln.45xlarge 说明 ecs.hpcpni3ln.45xlarge规格实例正在邀测中，如需试用，请提交工单或联系客户经理申请。
镜像	Ubuntu 22.04 ，并勾选“后台自动安装GPU驱动”安装535.261.03版本GPU驱动。说明若您选用其他发行版本的镜像，需在创建实例后自行安装GPU驱动。
实例数量	1台说明本文创建的GPU实例，使用TP8/EP8部署模型。
存储	规格：吞吐型SSD TL0云盘容量：不低于1024GiB 说明本文使用的GLM-5.3-Flash模型文件约328GB，建议您配置云盘或本地盘容量不低于1024GiB。
网络配置
公网IP	勾选“分配弹性公网IP”。

安装依赖的软件、工具。

登录目标实例。

执行如下命令，安装、配置Docker。

sudo apt update
sudo apt install ca-certificates curl gnupg lsb-release
sudo mkdir -p /etc/apt/keyrings
curl -fsSL https://mirrors.ivolces.com/docker/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg
echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://mirrors.ivolces.com/docker/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
sudo apt update
sudo apt install docker-ce docker-ce-cli containerd.io docker-compose-plugin -y

执行如下命令，安装NVIDIA Container Toolkit。

curl -s https://mirrors.ivolces.com/nvidia_all/ubuntu2204/x86_64/3bf863cc.pub | sudo apt-key add -
cat <<EOF >/etc/apt/sources.list.d/nvidia.list
deb http://mirrors.ivolces.com/nvidia_all/ubuntu2204/x86_64/ /
EOF
apt update
apt install nvidia-container-toolkit -y

执行如下命令配置Docker，使容器可以使用实例的GPU资源。

sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

（可选）初始化本地盘。

若您选用的实例规格搭配有本地盘，建议您执行如下命令将本地盘挂载到存储模型的目录/data00，以提升模型加载速度。

mkfs -t ext4 /dev/nvme0n1
mount -t ext4 /dev/nvme0n1 /data00

说明

请将/dev/nvme0n1替换为实际本地盘名称。

请将ext4替换为您期望使用的文件系统。

步骤二：部署、运行模型

登录购买的GPU实例。了解更多。

请根据实例所在地域，在GPU实例中执行如下命令，下载Docker镜像。

华北2（北京）
华东2（上海）

docker pull ai-containers-cn-beijing.cr.volces.com/deeplearning/sglang:v0.0.0dev.iaas.dev.202608281154

根据实例所在地域，在实例中执行如下命令，下载GLM-5.3-Flash模型文件。

华北2（北京）
华东2（上海）

docker run --rm \
-v /data00/:/data00 \
--workdir /data00 \
--entrypoint bash \
ai-containers-cn-beijing.cr.volces.com/deeplearning/sglang:v0.0.0dev.iaas.dev.202608281154 \
-lc '
set -e
if ! command -v oniond >/dev/null 2>&1; then
apt update
apt install -y ca-certificates curl gnupg gpg
curl -fsSL https://mirrors.ivolces.com/extra-tools/ubuntu/GPG-KEY-system | gpg --dearmor -o /etc/apt/trusted.gpg.d/volc-extra-tools.gpg
echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/trusted.gpg.d/volc-extra-tools.gpg] http://mirrors.ivolces.com/extra-tools/ubuntu noble main" > /etc/apt/sources.list.d/volctools.list
apt update
apt install -y onion-ai-data
fi
oniond download model GLM-5.3-Flash --turbo --dir /data00
'

说明

您也可以执行oniond list model命令，查看支持模型列表。

请根据实例所在地域，在GPU实例中执行如下命令，启动Docker容器。支持High-throughput模式（标准模式）与Low-latency模式（低延迟模式）两种模式，请根据实际需求选择。

说明

请将命令中的/data00替换为模型实际存放的目录路径。

使用Low-latency模式时，必须保留环境变量SGLANG_DEEPGEMM_STANDARD_LAYOUT=compact。若未设置该变量，在高负载推理时可能因显存不足（OOM）导致服务中断。

High-throughput模式（标准模式）
Low-latency模式（可选，低延迟模式）

优化吞吐量，适用于高并发推理场景，使用张量并行（TP8）与专家并行（EP8）加速模型推理。

华北2（北京）
华东2（上海）

docker run \
-d \
--gpus all \
--name sglang-glm53-flash \
--net=host \
--shm-size=100g \
--ulimit memlock=-1 \
--ulimit stack=67108864 \
--privileged \
--ipc=host \
--security-opt seccomp=unconfined \
--cap-add=ALL \
-v /data00/:/data00/ \
-v /var/run/nvidia-topologyd/:/var/run/nvidia-topologyd/ \
--entrypoint sglang \
ai-containers-cn-beijing.cr.volces.com/deeplearning/sglang:v0.0.0dev.iaas.dev.202608281154 \
serve \
--model-path /data00/GLM-5.3-Flash/ \
--served-model-name zai-org/GLM-5.3-Flash \
--host 0.0.0.0 \
--port 30300 \
--tp-size 8 \
--ep-size 8 \
--mem-fraction-static 0.75 \
--dsa-prefill-backend tilelang \
--dsa-decode-backend tilelang \
--kv-cache-dtype bfloat16 \
--moe-runner-backend deep_gemm \
--disable-shared-experts-fusion \
--enable-metrics \
--reasoning-parser glm45 \
--tool-call-parser glm47

参数说明

如上命令以部署、启动GLM-5.3-Flash模型为例，如需部署、启动其他模型，可根据下表说明替换对应环境变量和参数值。

参数名称	参数类型	说明	取值示例
--model-path	路径 / 模型 ID	指定加载的LLM模型，取值： Hugging Face模型ID 本地模型路径	/data00/GLM-5.3-Flash/
--tp-size	整数	配置张量并行度（Tensor Parallelism），本次使用TP8。	8
--host	IP 地址	指定服务绑定的主机地址。	0.0.0.0
--port	整数	指定服务监听端口，用于客户端连接。	30300
--ep-size	整数	配置专家并行度（Expert Parallelism），本次使用EP8。	8
--disable-shared-experts-fusion	开关	关闭共享专家融合优化。使用指定镜像版本并开启EP8并行时，该优化存在兼容性问题，需添加此参数将其禁用。	-
--kv-cache-dtype	字符串	推理过程的中间结果缓存（KV Cache）的数据精度类型。推荐使用bfloat16。	bfloat16
--dsa-prefill-backend	字符串	输入预处理阶段使用的计算后端，推荐使用tilelang。	tilelang
--mem-fraction-static	浮点数	分配给模型权重的静态显存占比，剩余显存留作运行时计算空间。	0.75
--speculative-algorithm	字符串	推测解码算法，用于加速推理。Low-latency模式设置为 NEXTN；High-throughput模式无需设置。	NEXTN

通过Docker日志确认容器及模型是否成功启动。

执行如下命令，查看容器ID。

docker ps

执行如下命令，查看对应容器的运行日志。

docker logs -f <CONTAINER_ID>

说明

请将<CONTAINER_ID>替换为实际容器ID。

步骤三：调用模型

登录GPU实例。

执行如下命令，进入Docker容器。

说明

请将命令中的<CONTAINER_ID>替换为实际容器ID。

docker exec -it <CONTAINER_ID> bash

在容器中执行如下命令调用模型，确保部署的模型可以正常进行推理。

curl -X POST http://127.0.0.1:30300/v1/chat/completions -H "Content-Type: application/json" -d '{
"model": "zai-org/GLM-5.3-Flash",
"messages": [
{
"role": "user",
"content": "请直接回答：1+1等于几？"
}
],
"max_tokens": 2048,
"temperature": 0
}'

若返回HTTP 200，且choices[0].message.content或reasoning_content非空，则服务正常运行。

参数说明

本文仅说明验证使用到的参数信息。

参数名	说明	取值样例
model	使用的实际模型。	zai-org/GLM-5.3-Flash
messages	对话的消息列表，取值： role：该消息的发起角色。 content：消息的内容。	-
max_tokens	指定一次请求中模型生成Completion的最大Token数，取值：介于1到8192间的整数。默认值为4096。	2048
temperature	采样温度。取值范围：介于0 ～ 2之间。值越高（例如1）会使输出更随机。值越低（例如0.2）会使输出更加集中和确定。	0

最近更新时间：2026.09.17 09:42:15

这个页面对您有帮助吗？

有用

无用