You need to enable JavaScript to run this app.
文档中心
GPU云服务器

GPU云服务器

复制全文
下载 pdf
Kimi系列模型
GPU-部署Kimi-K3模型
复制全文
下载 pdf
GPU-部署Kimi-K3模型
本文以4台ecs.hpcpni3ln.45xlarge实例为例,介绍如何在GPU云服务器上部署Kimi K3模型。​
背景信息​
Kimi K3是月之暗面(Moonshot AI)发布的开源多模态智能体大模型,也是全球首个突破3T参数门槛的开源模型。模型基于KDA(Kimi Delta Attention)与注意力残差(AttnRes)架构构建,参数规模达2.8T,原生支持视觉理解,并拥有百万Token的超长上下文窗口。Kimi K3专为长周期编程、复杂推理及深度知识工作而设计,在多项权威评测中表现优异。了解更多​
软件要求​
  • NVIDIA驱动:​
  • GPU驱动:用来驱动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。本文以火山引擎提供的SGLang容器镜像为例。​
操作步骤​
步骤一:准备环境​
  1. 创建GPU计算型实例。​
  • ​
    配置项​
    推荐配置​
    基础配置​
    ​
    计算规格​
    ecs.hpcpni3ln.45xlarge​
    注意​
    暂仅支持在如下邀测规格实例中部署 Kimi K3 模型,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​
    4​
    说明​
    本文创建的4台GPU实例,分别作为“Rank 0”、“Rank 1”、“Rank 2”、“Rank 3”。​
    存储​
    • 规格:吞吐型SSD TL0云盘​
    • 容量:不低于 2048 GiB​
    注意​
    由于Kimi K3模型文件较大,建议您配置的云盘或本地盘容量不低于 2048 GiB。​
    网络配置​
    ​
    私有网络​
    4台实例需处于同一私有网络。​
    公网IP​
    勾选“分配弹性公网IP”。​
    ​
  1. 安装依赖的软件、工具。​
  1. 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 $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null​
    sudo apt update​
    sudo apt install docker-ce docker-ce-cli containerd.io docker-compose-plugin -y​
    ​
  1. 执行如下命令,安装NVIDIA Container Toolkit。​
  • ​
    curl -s https://mirrors.ivolces.com/nvidia_all/ubuntu2204/x86_64/3bf863cc.pub | sudo apt-key add -​
    cat <<EOF >/etc/apt/sources.list.d/nvidia.list​
    deb http://mirrors.ivolces.com/nvidia_all/ubuntu2204/x86_64/ /​
    EOF​
    apt update​
    apt install nvidia-container-toolkit -y​
    ​
  1. 执行如下命令配置Docker,使容器可以使用实例的GPU资源。​
  • ​
    sudo nvidia-ctk runtime configure --runtime=docker​
    sudo systemctl restart docker​
    ​
  1. (可选)初始化本地盘。​
  • 若您选用的实例规格搭配有本地盘,建议您执行如下命令将本地盘挂载到存储模型的目录“/data00”,提升模型加载速度。​
  • ​
    mkfs -t ext4 /dev/nvme0n1​
    mount -t ext4 /dev/nvme0n1 /data00​
    ​
说明​
  • 请将/dev/nvme0n1替换为实际本地盘名称。​
  • 请将ext4替换为您期望使用的文件系统。​
​
步骤二:部署、运行模型​
  1. 登录目标GPU实例。了解更多。​
  1. 根据实例所在地域,在4台实例中分别执行如下命令,下载Kimi K3与Kimi K3 DSpark模型。​
  • ​
    华北2(北京)
    华东2(上海)
    ​
    ​
    docker run --rm \​
    -v /data00/:/data00 \​
    --workdir /data00 \​
    --entrypoint bash \​
    ai-containers-cn-beijing.cr.volces.com/deeplearning/sglang:v0.5.16.iaas.202607280000-kimi-k3-cu130 \​
    -lc '​
    set -e​
    if ! command -v oniond >/dev/null 2>&1; then​
    apt update​
    apt install -y ca-certificates curl gnupg gpg​
    curl -fsSL https://mirrors.ivolces.com/extra-tools/ubuntu/GPG-KEY-system | gpg --dearmor -o /etc/apt/trusted.gpg.d/volc-extra-tools.gpg​
    echo "deb [arch=$(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 Kimi-K3 --turbo --dir /data00​
    oniond download model Kimi-K3-DSpark --turbo --dir /data00​
    '​
    ​
    ​
  1. 请根据实例所在地域,在实例中执行对应命令,启动Docker容器。​
注意​
  • 请将/data00替换为模型实际存放目录路径。​
  • 请将<rank0_private_ip>替换为“Rank 0”实例私网IP地址。​
  • ​
    华北2(北京)
    华东2(上海)
    ​
    请根据您为实例指定的节点名称,执行对应命令。​
    ​
    “Rank 0”实例
    “Rank 1”实例
    “Rank 2”实例
    “Rank 3”实例
    ​
    ​
    docker run \​
    -d \​
    --gpus all \​
    --name sglang-kimi-k3 \​
    --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/ \​
    -e GLOO_SOCKET_IFNAME=eth0 \​
    -e NCCL_MIN_NCHANNELS=24 \​
    -e NCCL_IB_QPS_PER_CONNECTION=8 \​
    -e NCCL_CUMEM_ENABLE=1 \​
    -e PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True \​
    -e SGLANG_ENABLE_TP_MEMORY_INBALANCE_CHECK=0 \​
    -e SGLANG_K3_ATTN_RES_MODE=jit \​
    -e SGLANG_MOE_FUSED_GATE_RADIX=1 \​
    --entrypoint sglang \​
    ai-containers-cn-beijing.cr.volces.com/deeplearning/sglang:v0.5.16.iaas.202607280000-kimi-k3-cu130 \​
    serve \​
    --trust-remote-code \​
    --model-path /data00/Kimi-K3 \​
    --served-model-name kimi-k3 \​
    --tp-size 32 \​
    --nnodes 4 \​
    --node-rank 0 \​
    --dist-init-addr "<rank0_private_ip>:20000" \​
    --ep-size 32 \​
    --moe-runner-backend marlin \​
    --decode-attention-backend flashmla \​
    --mem-fraction-static 0.85 \​
    --mamba-radix-cache-strategy extra_buffer_lazy \​
    --dist-timeout 3600 \​
    --reasoning-parser kimi_k3 \​
    --tool-call-parser kimi_k3 \​
    --mamba-full-memory-ratio 0.8 \​
    --host 0.0.0.0 \​
    --port 8080 \​
    --speculative-algorithm DSPARK \​
    --speculative-draft-model-path /data00/Kimi-K3-DSpark \​
    --speculative-dspark-block-size 7 \​
    --enable-linear-replayssm-spec \​
    --cuda-graph-max-bs 128 \​
    --max-running-requests 128 \​
    --enable-metrics \​
    --enable-cache-report \​
    --show-time-cost​
    ​
    ​
    ​
  • 参数说明:​
  • 如上命令以部署、启动Kimi K3模型为例,如需部署、启动其他模型,可根据如下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​
    sglang serve​
    启动指令​
    通过SGLang CLI启动模型服务端。​
    说明​
    该内容是命令入口,而非参数。​
    -​
    --model-path​
    路径 / 模型 ID​
    指定加载的LLM模型,支持Hugging Face模型ID或本地模型路径。​
    /data00/Kimi-K3​
    --speculative-draft-model-path ​
    路径 / 模型 ID​
    指定加载的DSpark模型,支持Hugging Face模型ID或本地模型路径。​
    /data00/Kimi-K3-DSpark​
    --tp-size​
    整数​
    配置张量并行度(Tensor Parallelism)。​
    32​
    --ep-size​
    整数​
    配置专家并行度(Expert Parallelism)。​
    32​
    --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。​
    8080​
    --dist-init-addr​
    IP:端口 / DNS:端口​
    分布式集群初始化地址,用于多节点通信同步。实际部署中使用“Rank 0”实例的私网IP地址。​
    192.0.0.1:20000​
    --nnodes​
    整数​
    指定分布式集群总节点数。​
    4​
    --node-rank​
    整数​
    指定当前节点在集群中的序号,从0开始。​
    0​
    --mem-fraction-static​
    浮点数​
    控制静态显存占比,给运行时 workspace 留出更多余量。​
    0.85​
    --cuda-graph-max-bs​
    整数​
    降低CUDA graph capture/replay的batch显存压力。​
    128​
    --max-running-requests​
    整数​
    限制同时处理的最大请求数。​
    128​
    ​
  1. 执行如下命令,通过Docker日志确认容器及模型是否成功启动。​
  1. 查看容器ID。​
  • ​
    docker ps​
    ​
  1. 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​
  1. 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://127.0.0.1:8080/v1/chat/completions -H "Content-Type: application/json" -d '{​
    "model": "kimi-k3",​
    "messages": [​
    {​
    "role": "user",​
    "content": "请直接回答:1+1等于几?"​
    }​
    ],​
    "max_tokens": 2048,​
    "temperature": 0​
    }'​
    ​
  • 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。​
    kimi-k3​
    messages​
    对话的消息列表。​
    • 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,值越高(例如1)会使输出更随机,而值越低(例如0.2)会使其更加集中和确定。取值:介于 0 和 2 之间。​
    0​
    ​
  • ​
最近更新时间:2026.08.18 16:44:11
这个页面对您有帮助吗?
有用
有用
无用
无用