文档中心

GPU云服务器

DeepSeek系列模型

GPU-部署DeepSeek-V4-Pro模型

本文以2台ecs.hpcpni3ln.45xlarge实例为例，介绍如何在GPU云服务器上部署DeepSeek-V4-Pro模型。

背景信息

DeepSeek-V4-Pro是DeepSeek-V4预览版系列中的旗舰级大语言模型，采用稀疏混合专家（Mixture-of-Experts, MoE）架构，总参数量达1.6万亿（1.6 T），每次前向推理动态激活约49 B参数，在保持高性能的同时显著降低单Token推理成本。其最大推理强度模式DeepSeek-V4-Pro-Max在数学、STEM、竞赛级编程等评测上超越此前全部公开的开源模型，并与主流闭源前沿模型处于同一性能区间，适用于复杂推理、长文档深度分析、多步Agent编排等前沿任务。

软件要求

NVIDIA驱动：

GPU驱动：用来驱动NVIDIA GPU的程序，本文以535.161.08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。

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2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 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 with GPU Driver 535.161.08 and doca 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	2台说明本文创建的2台GPU实例，分别作为“节点0”、“节点1”。
存储	规格：吞吐型SSD TL0云盘容量：不低于2048 GiB 说明本文使用的DeepSeek-V4-Pro模型参数量为1.6 T，建议您配置云盘容量不低于2048 GiB。
网络配置
私有网络	2台实例需处于同一私有网络。
公网IP	勾选“分配弹性公网IP”。

安装依赖的软件、工具。

依次登录2台GPU实例。了解更多。

在2台GPU实例中，均执行如下命令，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

在2台GPU实例中，均执行如下命令，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

在2台GPU实例中，均执行如下命令配置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”，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

依次登录2台GPU实例。了解更多。

下载模型文件。

在2台GPU实例中，均执行如下命令，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

在2台GPU实例中，均执行如下命令，下载DeepSeek-V4-Pro-0813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-Pro-0813 --dir /data00

请根据实例所在地域，在2台GPU实例中均执行如下命令，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:day0_deepseek_v4_official

请在“节点0”实例中执行如下命令，查看其主网卡名称与对应的私网IP地址，用于后续配置多节点间的分布式通信与网络互通。

说明

本文以主网卡名称eth0，对应私网IP地址172.31.38.23为例。

IFACE=$(ip route | awk '/^default/ {print $5; exit}') && \
echo "Primary NIC: $IFACE" && \
echo "Private IP: $(ip -4 addr show $IFACE | awk '/inet / {print $2}' | cut -d/ -f1)"

回显如下所示时，表示“节点0”实例的主网卡名称为eth0，对应私网IP地址为172.31.38.23。

请根据实例所在地域，依次在2台GPU实例中执行对应命令，启动Docker容器与DeepSeek-V4-Pro模型服务。

说明

请将/data00替换为模型实际存放目录路径。

请将eth0替换为“节点0”实例实际主网卡名称。

请将172.31.38.23替换为“节点0”实例实际主网卡私网IP地址。

华北2（北京）
华东2（上海）
“节点0”实例

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/ -e SGLANG_ENABLE_THINKING=1 -e SGLANG_DSV4_FP4_EXPERTS=1 -e SGLANG_JIT_DEEPGEMM_PRECOMPILE=0 -e GLOO_SOCKET_IFNAME=eth0 -e NCCL_MIN_NCHANNELS=24 -e NCCL_IB_QPS_PER_CONNECTION=8 -e SGLANG_DSV4_COMPRESS_STATE_DTYPE=bf16 -e SGLANG_SHARED_EXPERT_TP1=1 --entrypoint "" ai-containers-cn-beijing.cr.volces.com/deeplearning/sglang:day0_deepseek_v4_official sglang serve --trust-remote-code --model-path /data00/DeepSeek-V4-Pro-0813 --tp 16 --dp-size 2 --enable-dp-attention --cuda-graph-max-bs 8 --max-running-requests 16 --enable-metrics --host 0.0.0.0 --port 8080 --mem-fraction-static 0.9 --moe-runner-backend marlin --dist-init-addr 172.31.38.23:30300 --nnodes 2 --tool-call-parser deepseekv4 --reasoning-parser deepseek-v4 --enable-dp-lm-head --trust-remote-code --kv-cache-dtype fp8_e4m3 --tokenizer-worker-num 16 --node-rank 0

“节点1”实例

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/ -e SGLANG_ENABLE_THINKING=1 -e SGLANG_DSV4_FP4_EXPERTS=1 -e SGLANG_JIT_DEEPGEMM_PRECOMPILE=0 -e GLOO_SOCKET_IFNAME=eth0 -e NCCL_MIN_NCHANNELS=24 -e NCCL_IB_QPS_PER_CONNECTION=8 -e SGLANG_DSV4_COMPRESS_STATE_DTYPE=bf16 -e SGLANG_SHARED_EXPERT_TP1=1 --entrypoint "" ai-containers-cn-beijing.cr.volces.com/deeplearning/sglang:day0_deepseek_v4_official sglang serve --trust-remote-code --model-path /data00/DeepSeek-V4-Pro-0813 --tp 16 --dp-size 2 --enable-dp-attention --cuda-graph-max-bs 8 --max-running-requests 16 --enable-metrics --host 0.0.0.0 --port 8080 --mem-fraction-static 0.9 --moe-runner-backend marlin --dist-init-addr 172.31.38.23:30300 --nnodes 2 --tool-call-parser deepseekv4 --reasoning-parser deepseek-v4 --enable-dp-lm-head --trust-remote-code --kv-cache-dtype fp8_e4m3 --tokenizer-worker-num 16 --node-rank 1
“节点0”实例

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/ -e SGLANG_ENABLE_THINKING=1 -e SGLANG_DSV4_FP4_EXPERTS=1 -e SGLANG_JIT_DEEPGEMM_PRECOMPILE=0 -e GLOO_SOCKET_IFNAME=eth0 -e NCCL_MIN_NCHANNELS=24 -e NCCL_IB_QPS_PER_CONNECTION=8 -e SGLANG_DSV4_COMPRESS_STATE_DTYPE=bf16 -e SGLANG_SHARED_EXPERT_TP1=1 --entrypoint "" ai-containers-cn-shanghai.cr.volces.com/deeplearning/sglang:day0_deepseek_v4_official sglang serve --trust-remote-code --model-path /data00/DeepSeek-V4-Pro-0813 --tp 16 --dp-size 2 --enable-dp-attention --cuda-graph-max-bs 8 --max-running-requests 16 --enable-metrics --host 0.0.0.0 --port 8080 --mem-fraction-static 0.9 --moe-runner-backend marlin --dist-init-addr 172.31.38.23:30300 --nnodes 2 --tool-call-parser deepseekv4 --reasoning-parser deepseek-v4 --enable-dp-lm-head --trust-remote-code --kv-cache-dtype fp8_e4m3 --tokenizer-worker-num 16 --node-rank 0

“节点1”实例

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/ -e SGLANG_ENABLE_THINKING=1 -e SGLANG_DSV4_FP4_EXPERTS=1 -e SGLANG_JIT_DEEPGEMM_PRECOMPILE=0 -e GLOO_SOCKET_IFNAME=eth0 -e NCCL_MIN_NCHANNELS=24 -e NCCL_IB_QPS_PER_CONNECTION=8 -e SGLANG_DSV4_COMPRESS_STATE_DTYPE=bf16 -e SGLANG_SHARED_EXPERT_TP1=1 --entrypoint "" ai-containers-cn-shanghai.cr.volces.com/deeplearning/sglang:day0_deepseek_v4_official sglang serve --trust-remote-code --model-path /data00/DeepSeek-V4-Pro-0813 --tp 16 --dp-size 2 --enable-dp-attention --cuda-graph-max-bs 8 --max-running-requests 16 --enable-metrics --host 0.0.0.0 --port 8080 --mem-fraction-static 0.9 --moe-runner-backend marlin --dist-init-addr 172.31.38.23:30300 --nnodes 2 --tool-call-parser deepseekv4 --reasoning-parser deepseek-v4 --enable-dp-lm-head --trust-remote-code --kv-cache-dtype fp8_e4m3 --tokenizer-worker-num 16 --node-rank 1

参数说明：

如上命令以部署、启动DeepSeek-V4-Pro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	说明	取值示例
--trust-remote-code	允许加载模型仓库中的自定义代码。	-
--nnodes	指定分布式集群的总节点数，即参与服务的服务器数量。	2
--node-rank	指定当前节点在集群中的序号，从0开始计数。	0
--dist-init-addr	指定多节点分布式使用的“节点0”实例的私网IP地址与端口号。格式为 IP地址：端口号。 IP地址：建议配置为0号节点的私网IP地址。端口号：节点间通信的端口号。	172.31.38.23:30300
--dp-size	指定数据并行度（Data Parallelism）。	16
--tp	指定张量并行度（Tensor Parallelism）。	16
--mem-fraction-static	指定实例显存使用率上限，取值范围 0 ~ 1。过高可能导致 OOM/碎片化，过低则吞吐下降。	0.95
--max-running-requests	指定同时在引擎内并行的最大请求序列数。	16

在2台GPU实例中，均执行如下命令，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

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:8080/v1/chat/completions -H "Content-Type: application/json" -d '{
"model": "deepseek-v4-fp8",
"messages": [
{
"role": "user",
"content": "做一份北京出行攻略"
}
],
"max_tokens": 500,
"temperature": 0.7
}'

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-fp8
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。	100
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。	0.7

最近更新时间：2026.08.26 21:05:52

这个页面对您有帮助吗？

有用

无用