文档中心

GPU云服务器

Qwen系列模型

GPU-部署Qwen3.8 27B模型

本文以在ecs.hpcpni3ln.45xlarge实例规格中部署Qwen3.8-27B-FP8为例，介绍如何在GPU云服务器上部署、运行Qwen3.8 27B模型。

Qwen3.8 27B

Qwen3.8 27B是Qwen3.8系列面向高效部署推出的高性能开放权重稠密模型。该模型基于Qwen3.5的架构基础构建，结合Gated DeltaNet与Gated Attention，总参数量为27B；原生支持图像与视频理解，并提供灵活的思考模式与推理深度控制。原生支持262K Token上下文，并可扩展至100万Token。

Qwen3.8 27B进一步强化了自主规划、环境反馈处理和复杂多步任务执行能力，面向复杂编码、专业知识工作、研究分析、多模态理解和长周期智能体任务等场景，在较紧凑的模型规模下兼顾能力与部署效率。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：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

创建GPU计算型实例。

请根据通过向导购买实例指引，创建1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 说明暂仅支持在如下邀测规格实例中部署Qwen3.8-27B-FP8模型，如需试用，请提交工单或联系客户经理申请。高性能计算GPU型hpcpni3ln 高性能计算GPU型ebmhpcpni3ln 高性能计算GPU型ebmhpcpni3l 高性能计算GPU型hpcpni3le 高性能计算GPU型hpcpni3h
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。
存储	规格：吞吐型SSD TL0云盘容量：不低于512 GiB
网络配置
弹性公网IP	勾选“分配弹性公网IP”。

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
sudo apt update
sudo apt install -y nvidia-container-toolkit

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

mkdir /data00

说明

本文以创建/data00目录为例，请按需调整。

（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

登录目标实例。

请根据实例所在地域，选择并执行对应命令，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:v0.5.17.iaas.dev.202608170000-qwen38-27b-cu130

请根据实例所在地域，选择并执行对应命令，下载模型文件。

说明

建议您选择容量较大的磁盘目录存放模型文件，本文以/data00为例，请将其替换为实际目录路径。

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:v0.5.17.iaas.dev.202608170000-qwen38-27b-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 jammy main" > /etc/apt/sources.list.d/volctools.list
apt update
apt install -y onion-ai-data
fi
export BUCKET=ai-infra
oniond download model Qwen3.8-27B-FP8 --turbo --dir /data00
'

请根据实例所在地域，选择并执行对应命令，启动Docker容器。

注意

请将 /data00/Qwen3.8-27B-FP8 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 -d --name qwen38-serve \
--gpus all \
--ipc=host \
--network host \
-v /data00:/data00 \
--env SGLANG_ALLOW_OVERWRITE_LONGER_CONTEXT_LEN=1 \
ai-containers-cn-beijing.cr.volces.com/deeplearning/sglang:v0.5.17.iaas.dev.202608170000-qwen38-27b-cu130 \
sglang serve \
--model-path /data00/Qwen3.8-27B-FP8 \
--tp-size 1 \
--context-length 1010000 \
--json-model-override-args '{"rope_parameters":{"rope_type":"yarn","rope_theta":10000000,"partial_rotary_factor":0.25,"factor":4.0,"original_max_position_embeddings":262144}}' \
--host 0.0.0.0 \
--port 30000 \
--reasoning-parser qwen3 \
--tool-call-parser qwen3_coder

参数说明：

如上命令以部署、启动Qwen3.8-27B-FP8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
服务入口与分布式参数
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/Qwen3.8-27B-FP8
--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
LM 上下文扩展 Qwen3.8-27B-FP8默认按约262K Token上下文启动，本文在启动命令中通过如下参数显式配置上下文长度和RoPE外推参数，启用约1M Token的长上下文能力。
SGLANG_ALLOW_OVERWRITE_LONGER_CONTEXT_LEN	环境变量	是否允许context-length超过模型原生最大长度（262144），通过 docker run --env 命令配置。取值： 1：允许。启用1M Token的长上下文能力时需配置该值。 0：不允许。	1
--context-length	整数	上下文窗口长度，默认值为262144。本文启用1M Token的长上下文能力，需配置为1010000。	1010000
--json-model-override-args	JSON 字符串	覆盖模型配置。本文启用 1M 上下文能力，可通过本参数注入YaRN位置编码缩放参数factor 4.0，factor 4.0 = 262144 × 4 = 1048576，覆盖101万目标长度。	{"rope_parameters":{"rope_type":"yarn","rope_theta":10000000,"partial_rotary_factor":0.25,"factor":4.0,"original_max_position_embeddings":262144}}

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 <CONTAINER_ID>

说明

请将<CONTAINER_ID>替换为实际容器ID。

步骤三：调用模型

登录目标实例。

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://127.0.0.1:30000/v1/chat/completions -H "Content-Type: application/json" -d '{
"model": "/data00/Qwen3.8-27B-FP8",
"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，更多参数详情可查看Qwen3官方文档。

参数名	说明	取值样例
model	使用的模型名称。	/data/Qwen3-32B
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：2026.09.16 10:17:27

这个页面对您有帮助吗？

有用

无用