文档中心

容器服务

Qwen 实践

快速部署基于 Dynamo 和 vLLM 的 Qwen3-235B （PD 分离）

本文主要介绍使用容器服务（VKE）快速部署基于 Dynamo 和 vLLM 的 Qwen3-235B （PD 分离）模型推理服务。

方案介绍

本方案结合火山引擎的多项加速技术，提供在 Kubernetes 集群中快速部署 Qwen3-235B-A22B 模型的方法。

Qwen3：由阿里云推出的最新一代通义千问大模型，它包含 2 款混合专家（MoE）与 6 款密集（Dense）模型，参数量从 0.6B 到 235B 不等，能满足多样化需求。

Dynamo：NVIDIA Dynamo 是一个开源、低延迟的模块化推理框架，用于在分布式环境中服务生成式 AI 模型。

GDKV 模型加速：由火山引擎提供的基于 RDMA + GDR（GPU Direct RDMA）技术实现的模型极速加载方案。

弹性极速缓存（EIC）：由火山引擎存储团队面向大语言模型推理场景推出的高性能分布式 KV Cache 缓存服务。

PD 分离技术：将推理过程分为两阶段，部署于不同硬件资源以优化性能：

Prefill（预填充）：计算密集型阶段。

Decode（解码）：显存密集型阶段。

部署信息

模型：Qwen3-235B-A22B

推理引擎：Dynamo、vLLM

实例规格：ecs.hpcpni3ln.45xlarge

Prefill：推荐规格 * 1 台

Decode：推荐规格 * 1 台

支持能力

并行策略：PD 分离

数据精度：FP8

模型加速：GDKV

KV Cache：弹性极速缓存（EIC）

观测：托管 Prometheus（VMP）、应用性能监控全链路版（APMPlus）

访问：API 网关（APIG）

性能评估

开源场景与该模版优化后的效果对比如下表所示。

说明

性能结果与机器规格、分发配置、网络带宽等相关，最终以实际测试结果为准。

对比类别	开源	优化后
推理引擎	vLLM （开源版）	Dynamo + vLLM（火山引擎优化版）
Input/Output	3500/1500	3500/1500
TTFT（ms）	<=5000	<=5000
TPOT（ms）	<=50	<=50
并行策略	TP	PD 分离、TP
单卡吞吐 TPS	897	1595

使用说明

本实践涉及较多组件，相互间有依赖，配置复杂，为了获得符合预期的结果，请务必根据本文指引操作。

同时开启 GDKV 模型加速和 EIC 弹性极速缓存时，实例节点的内存可能成为瓶颈。如有性能需求，建议只开启 EIC，操作方式，详见：EIC 性能测试方法。

为了获得符合预期的结果，同时符合容器服务的使用限制，请按照本文方案（或在本文推荐的资源上）操作。如需替换方案，您可以联系对应的火山引擎客户经理咨询。

请勿使用 mGPU 对 GPU 进行切分。

完整的部署流程，依赖部分火山引擎邀测能力，请联系火山引擎客户经理申请如下功能的邀测试用：

邀测功能/资源	涉及产品	说明
高性能计算 GPU 型 hpcpni3ln 规格	GPU 云服务器	高性能计算实例，提供计算能力。由于 Qwen3-235B 模型参数较大，因此需要申请有较大显存的 GPU 实例，例如ecs.hpcpni3ln.45xlarge。
节点挂载本地盘能力	容器服务	允许在 VKE 集群中配置本地盘挂载。
弹性极速缓存产品	弹性极速缓存	由火山引擎存储团队面向大语言模型推理场景推出的高性能分布式 KV Cache 缓存服务。

前提条件

创建高性能计算集群

高性能计算集群，用于实现高性能计算 GPU 实例（计算节点）的逻辑隔离，同一集群内实例间 RDMA 网络互联互通。详情请参见创建高性能计算集群。

说明

高性能集群所在的地域和可用区需要与 VKE 节点的地域和可用区一致。

创建 VKE 集群

在容器服务中创建集群，需要注意以下列举的参数配置。其余参数说明和详细的操作步骤，请参见创建集群。您也可以使用异构计算托管集群模板快速创建本场景使用的 VKE 集群。

配置项	说明
集群配置
Kubernetes 版本	选择 v1.28 及以上版本。
容器网络模型	选择 VPC-CNI。
节点池配置
托管节点池	开启托管节点池。
可用区	与高性能计算集群所在的可用区相同。
计算规格	选择已申请邀测的高性能计算 GPU 型ecs.hpcpni3ln规格。
高性能计算集群	选择之前创建的高性能计算集群。
节点数量	2 个。
数据盘	配置如下两个数据盘：极速型 SSD：规格选 1024 GiB，性能级别选择默认值 PL0。本地盘 SSD：指定挂载目录为/data01。注意 data01目录后续有相关依赖，不能修改和自定义。如果物理机宕机或本地盘损坏，将存在数据丢失的风险，因此请勿在本地盘上存储需要长期保存的数据，同时做好数据备份。
节点标签 (Labels)	通过 VKE 部署模型时，需设置节点标签来配置 RDMA 使用模式。标签键设置为：vke.node.rdma.mode，标签值设置为：shared。
Kubelet 自定义参数	通过 VKE 部署模型时，需通过 Kubelet 自定义参数配置 RDMA 设备的 NUMA 亲和策略。参数选择：topology-manager-policy，参数值选择：best-effort。
组件配置
nvidia-device-plugin	（必装）NVIDIA 设备驱动，支持在容器里使用 GPU 显卡设备的管理组件。
rdma-device-plugin	（必装）支持 RDMA 网卡设备的管理，提供 Pod Container 使用 RDMA 设备能力。
apig-controller	（必装）API 网关控制器，提供云原生的 AI 网关能力，根据不同策略完成推理流量的智能负载均衡。
csi-ebs	（必装）支持容器集群使用存储服务的标准 CSI 接口实现。
prometheus-agent	（必装）托管 Prometheus 监控组件，采集 Kubernetes 集群监控指标数据到火山引擎托管 Prometheus 服务（VMP）。
apmplus-opentelemetry-collector	（必装）采集 OpenTelemetry 数据和 Prometheus 指标并发送至应用性能监控全链路版（APMPlus）。
apmplus-server-agent	（必装）采集服务和主机监控数据并发送至 APMPlus。
cr-credential-controller	（推荐安装）免密拉取镜像仓库（CR）镜像，简化部署操作。
keda	（推荐安装）基于 Kubernetes 的事件驱动的弹性伸缩器。基于复杂指标完成推理服务的弹性伸缩任务。
vci-virtual-kubelet	（推荐安装）利用弹性容器实例部署系统组件等 CPU 工作负载，免运维且不占用 GPU 节点计算资源。

操作步骤

步骤一：创建 EIC 实例

EIC 通过以存代算、GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，优化推理时延。

登录弹性极速缓存控制台。

在左侧导航栏选择实例管理，单击创建实例。

根据界面提示配置实例参数，其中部分参数按如下说明配置，其余参数按需自定义配置。

配置项	说明
VKE 集群	选择之前创建的 VKE 集群。
存储类型	选择 DRAM。
开启 RDMA	开启。
节点	选择创建 VKE 集群时关联创建的节点。
DRAM	设置为 500 GiB。
网卡	设置为eth1、eth2、eth3、eth4。

单击页面右下角的创建实例。实例状态显示运行中，表示 EIC 实例创建成功。

如果创建实例时发生错误，实例状态将转变为创建失败，您可以将鼠标悬浮到实例状态上查询具体失败原因。确认原因后单击实例对应的删除按钮来销毁实例，然后重新创建实例。若无法自行处理，请联系火山引擎客户经理获取相关技术支持。

步骤二：确认 NATS 和 ETCD 需要的存储类

在容器服务控制台目标集群管理页面的存储管理 > 存储类页面，确认存在名为 ebs-ssd 的存储类，用于后续 NATS 和 ETCD 相关存储。

说明

该存储类在集群中安装 csi-ebs 组件后会自动创建。若无该存储类，请在集群中安装 csi-ebs 组件。详细操作，请参见安装组件。

步骤三：部署 qwen3-dynamo-vllm-pd

容器服务基于 Dynamo 和 vLLM 框架提供 PD（Prefill-Decode）分离的 Qwen3-235B-A22B 模型应用，可通过应用模版快速部署。

在容器服务控制台左侧导航栏，选择应用中心 > 应用模板。

在应用模板页面，找到 qwen3-dynamo-vllm-pd 应用模板，单击立即部署。

在部署应用页面，配置 qwen3-dynamo-vllm-pd 服务参数。其中，部分参数按如下说明配置，其余参数根据界面提示或参考应用模板中的说明配置。

配置项	说明
编排模板
应用模板	选择 qwen3-dynamo-vllm-pd 的 Chart 版本，建议选择最新版本。
参数配置	qwen3-dynamo-vllm-pd 的配置方法。单击values.yaml后的编辑图标，可编辑当前应用的 YAML 文件。其中，部分配置项说明请见下方表格。
名称	根据界面提示的命名要求，自定义应用名称。
部署环境
集群	选择前提条件中创建的 VKE 集群。
命名空间	自定义选择目标集群下的命名空间。
协议	阅读了解协议内容后勾选协议。

支持按需编辑修改values.yaml文件配置，部分参数说明如下表所示，建议保持默认配置。

配置项	说明	示例值
modelConfig.local.path	用于存放模型文件的 ECS 本地路径，务必与前置条件中的数据盘匹配。	/data01/models
prefillWorker.replicas	Prefill 节点部署的副本数。	1
decodeWorker.replicas	Decode 节点部署的副本数。	1
decodeWorker.router	Decode 节点的 Router 算法。	round-robin
etcd.persistence.storageClass	ETCD 使用的存储类。	ebs-ssd
etcd.persistence.size	ETCD 存储的大小。	10Gi
nats.config.cluster.enabled	NATS 是否使用 cluster 配置。	true
nats.config.cluster.replicas	NATS cluster 副本数，大于等于3。	3
nats.config.jetstream.fileStore.pvc.storageClassName	NATS 使用的存储类。	ebs-ssd
nats.config.jetstream.fileStore.pvc.size	NATS 存储的大小。	10Gi

如需启用 EIC，可按照如下代码块及其注释说明，修改应用的values.yaml文件配置。

kvcacheConfig:
eic:
enabled : true
# EIC 实例 ID。登录弹性极速缓存控制台，进入实例详情页面的“实例信息”页签查看。
instanceId: "eicydx97nk******"
# EIC 实例的 Endpoint。登录弹性极速缓存控制台，进入实例详情页面的“实例信息”页签查看。
endpoint: "192.168.xx.xx:12500;192.168.xx.xx:12500;192.168.xx.xx:12500"
# EIC 节点网卡。登录弹性极速缓存控制台，进入实例详情页面的“节点列表”页签查看。
ClientMultiNetLocalInterfaceNames: "eth1;eth2;eth3;eth4"

单击确定，部署完成应用。

应用部署完成后会显示在 Helm 应用页面。选择目标项目、集群、命名空间，找到已部署的 qwen3-dynamo-vllm-pd 应用，单击名称，进入详情页面查看该应用的基本信息、关联创建的工作负载、服务、其他资源等。

说明

其中，<应用名称>-qwen3-dynamo-vllm-pd格式的服务，是该应用对外暴露的服务（Service）名称，后续配置路由、模型验证等步骤，需要关联该服务。

在 VKE 集群的容器组页面，查看 qwen3-dynamo-vllm-pd 应用对应的 Pod 状态。

在容器服务控制台左侧导航栏，选择集群，找到目标集群并单击集群名称。

在目标集群管理页面选择工作负载 > 容器组，然后搜索 qwen3-dynamo-vllm-pd 应用对应的名称，查看相关 Pod 的状态。

步骤四：配置路由

通过 APIG Ingress 配置模型路由。APIG Ingress 基于火山引擎 API 网关（API Gateway，APIG）提供托管的云原生网关功能，实现高可用、高扩展的 Ingress 流量管理方式，满足在云原生应用场景下对业务流量稳定性和高可用性的需求。

在集群管理页面的左侧导航栏中，选择服务与路由 > 路由规则，单击创建路由规则。使用 API 网关对外暴露集群内的模型服务。部分参数按如下说明配置，其余配置详情，请参见通过控制台创建 APIG Ingress。

配置项	说明
基本配置
命名空间	选择部署 qwen3-dynamo-vllm-pd 应用模板的命名空间，用于关联该应用对外暴露的服务。
Ingress 配置
Ingress 类型	选择云原生 API 网关。
网关 APIG 规格配置
网关规格	可以选择自动创建，也可以选择使用已有 APIG 实例。说明使用 API 网关暴露集群中的模型服务时，建议配置如下参数或功能（部分参数仅 APIG 控制台支持配置，VKE 控制台无相关配置）：实例规格：建议选择 4c8g 规格，默认双可用区高可用。带宽上限：VKE 控制台上的配置项为 API 网关下 CLB 负载均衡的带宽，如需更大带宽，可以在 API 网关控制台中绑定自定义 CLB 实例，详情请参见添加访问入口。熔断：当某些 GPU 实例出现异常时，一般会希望尽快将故障实例下线，避免故障持续。同时希望能够保留故障现场为后续进一步排查提供依据。可以通过配置网关的熔断规则，将出现故障的实例进行隔离。请求超时：API 网关默认不超时，建议保持默认。如有超时需求，支持在 API 网关控制台中配置超时，详情请参见高级路由策略。可观测性：在 VKE 控制台上创建的 API 网关实例，默认情况下未开启监控告警和日志功能。如有需要，建议您在 API 网关控制台中开启对应实例的日志和监控告警能力。实例监控：能够帮助您从入口网关层面及时发现整个系统链路上的非预期现象。例如：后端不健康、后端 Crash 等，在 API 网关会报503错误码，以及具体的错误详情。实例日志：从访问日志里能够查看请求错误详情、请求耗时、请求在后端各个 Pod 的分布等详情。
后端 Upstream	负载均衡算法建议配置为轮询。在后端负载近似均衡的前提下，更适用于后端升级变更的场景。
监听配置
协议	按实际需求选择协议。如果选择 HTTPS，请按照 APIG Ingress 文档中的要求，配置证书。
转发配置
域名	填写需要暴露的 Ingress 域名。后续该域名的 A（Address）记录需要配置当前 Ingress 创建成功后生成的公网 IP 地址或者私网 IP 地址。
服务	选择部署 qwen3-dynamo-vllm-pd 应用模板时，关联创建的<应用名称>-qwen3-dynamo-vllm-pd格式名称的服务，端口号设置为 8000。

（可选）配置 API 网关认证鉴权。

创建消费者：在左侧导航栏选择消费者管理，单击创建消费者。

生成 API-KEY ：在消费者列表中，单击目标消费者名称，进入消费者详情页面。在 API Key 信息区域，单击生成 API Key。

在弹出的对话框内容选择自动创建 API Key 认证信息。

单击确定，生成 API Key 认证信息。

启用 Key Auth 插件：在左侧导航栏选择插件管理 > Key Auth插件，单击创建插件，配置插件参数。

生效级别：选择路由级别，并配置插件所属实例、服务和路由。

认证配置：选择 header，并配置来源为 Authorization，表示在请求头中的 Authorization 附带 API Key 认证信息。

消费者：选择步骤一中创建的消费者。

其他配置保持缺省。

获取 Ingress 地址。

VIP：包含公网访问 IP 和私网访问 IP。

后端服务：包含后端服务名称和访问域名。

配置域名解析。

在本机上可以配置 IP 和域名的解析进行测试。

在生产环境，请在域名提供商中配置 Ingress 的访问域名，且确保 Ingress 访问域名的 A 记录已配置 Ingress 的公网 IP 地址或者私网 IP 地址。

步骤五：开启观测配置

基础观测提供 AI 资源及推理服务的监控指标，深度观测提供推理应用的全链路性能监控服务。

基础观测

在集群管理页面的左侧导航栏中，选择云原生观测 > 概览，单击立即启用，开启云原生观测和容器服务观测。更多配置详情，请参见开启观测、容器服务观测。

开启观测后，Dynamo 指标会被采集到托管 Prometheus（VMP）服务，您可以在托管 Prometheus 控制台中使用 Explore 查询指标，示例如下：

查看 Dynamo 应用监控。

您可以使用 VMP 预置面板查看 Dynamo 应用监控，在 VMP 服务控制台，选择监控看板，搜索dynamo，可查看到如下示例所示的 Dynamo 应用看板：

您也可以自建 Grafana，并搭建 Dynamo 的监控看板。操作方式请参见在容器服务集群中部署 Grafana 并接入工作区。

登录上述 Grafana ，选择导入如下看板 JSON 文件。

dynamo_default_dashboard.json

导入后效果如图所示。

深度观测

登录应用性能监控全链路版控制台，在左侧导航栏选择服务端监控。

搜索以Dynamo为关键字的服务，单击服务名，进入观测看板页面。

查看指标。

LLM 指标。

在服务总览、LLM性能、Token用量等页签，可查看大模型核心指标与服务黄金指标，例如：大模型调用次数、Token 使用量、响应耗时、TTFT、TPOT、QPS、请求错误率等。

说明

TTFT、TPOT 指标需要流式调用才会产生相应指标。

流式调用示例如下：

curl localhost:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "Qwen/Qwen3-235B-A22B",
"messages": [
{
"role": "user",
"content": "hello"
}
],
"stream": true,
"stream_options": {
"include_usage": true,
"continuous_usage_stats": true
}
}'

运行时指标

在运行时监控页签，可查看运行时相关监控信息，例如：CPU 耗时、CPU 使用率、内存使用、GC 对象数量、线程数量、上下文切换数量等。

查看链路分析。

从 Dynamo 应用的 Trace 分析页签，可以根据不同条件检索链路信息。单击目标 Trace ID，前往单链路详情页面。在列表视图中查看 Trace 信息。

模型验证

方式一：通过 Service 访问

部署 qwen3-dynamo-vllm-pd 应用模板后，关联创建的<应用名称>-qwen3-dynamo-vllm-pd格式名称的服务，提供 HTTP API 端点（8000 端口）。使用服务端点，可以按照 OpenAI 兼容 API 方式去调用。

示例代码如下所示。

说明

其中：

将localhost:8000替换为您<应用名称>-qwen3-dynamo-vllm-pd服务的端点。

content参数的值，输入您与模型的对话内容。

您可以在 qwen3-dynamo-vllm-pd 应用对应 Helm 应用详情页的工作负载区域，选择任意一个网络连通的工作负载，跳转到详情页面，单击页面右上角控制台，登录应用对应 Pod，进行 API 调用。

方式二：通过 APIG 方式访问

开启 API 网关的认证鉴权功能时，需要在请求中添加认证 Token。

示例代码如下所示。

说明

其中：

将http://example.com中的example.com替换为步骤四：配置路由中获取的 Ingress 后端服务访问域名。

eyJhbGciOiJSUzI******替换为步骤四：配置路由中生成的 API Key。

content参数的值，输入您与模型的对话内容。

最近更新时间：2026.03.16 14:54:00

这个页面对您有帮助吗？

有用

无用