文档中心

GPU云服务器

DeepSeek系列模型

GPU-部署DeepSeek-V4.1-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DeepSeek-V4.1-Flash模型。

背景信息

DeepSeek-V4.1-Flash是DeepSeek全新模型结构系列中最轻量的模型，具备原生多模态视觉理解能力，可以同时处理图像与文本输入。

该模型采用全新的Causal-Encoder-Decoder非对称架构，输入激活参数量为8B，输出激活参数量为16B，推理成本显著低于同尺寸的已知模型。同时，该模型引入了新的预训练方式，并经过更大规模的强化学习后训练，在基准测试中的综合智能水平已超越DeepSeek-V4-Pro等一众旗舰模型。

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（Large Language Models，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SGLang社区预览版本为例。

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，创建一台符合如下条件的实例：

配置项	推荐配置
基础配置
计算规格	ecs.hpcpni3ln.45xlarge 说明 DeepSeek V4模型当前仅限ecs.hpcpni3系列规格支持。 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
存储	规格：吞吐型SSD TL0云盘容量：不低于1024 GiB 说明本文使用的DeepSeek-V4.1-Flash模型参数量为552B，建议您配置云盘容量不低于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。

在GPU实例中执行如下命令，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GPU实例。了解更多。

下载模型文件。

执行如下命令，安装配置onion。

curl -fsSL https://mirrors.ivolces.com/extra-tools/ubuntu/GPG-KEY-system | sudo 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 jammy main" > /etc/apt/sources.list.d/volctools.list && apt update && apt install -y onion-ai-data

执行如下命令，下载DeepSeek-V4.1-Flash模型并将其存放至目标目录。

说明

请将/data00替换为实际存放模型的目录。

您也可以执行oniond list model命令，查看支持模型列表。

oniond download model DeepSeek-V4.1-Flash --dir /data00

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:dev-dsv41

请根据实例所在地域，在GPU实例中执行对应命令，启动Docker容器与DeepSeek-V4.1-Flash模型服务。

说明

请将/data00替换为模型实际存放目录路径。

华北2（北京）
华东2（上海）

docker run --gpus all -itd --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:dev-dsv41 serve \
--trust-remote-code \
--model-path /data00/DeepSeek-V4.1-Flash \
--tp 8 \
--ep-size 8 \
--attention-backend dsv4 \
--moe-runner-backend flashinfer_mxfp4 \
--enable-decoder-swa-bounded-replay \
--reasoning-parser auto \
--tool-call-parser auto \
--image-processor-backend pil \
--cuda-graph-max-bs-decode 32 \
--host 0.0.0.0 \
--port 30000

参数说明：

如上命令以部署、启动DeepSeek-V4.1-Flash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
--model	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/DeepSeek-V4.1-Flash
--tp	整数	配置张量并行度（Tensor Parallelism），本次一个实例使用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。	30000

执行如下命令，通过Docker日志确认容器及模型是否成功启动。

查看容器ID。

docker ps

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

登录实例，进入Docker容器。

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://localhost:30000/v1/chat/completions -H "Content-Type: application/json" -d '{
"model": "deepseek-v4.1-flash",
"messages": [
{
"role": "user",
"content": "做一份北京出行攻略"
}
],
"max_tokens": 500,
"temperature": 0.6
}'

若展示如下信息，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。	deepseek-v4.1-flash
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。	500
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。	0.6

最近更新时间：2026.09.11 19:55:40

这个页面对您有帮助吗？

有用

无用