在阿里云实例上部署通义千问QwQ-32B推理模型

通义千问QwQ-32B是阿里云开源的320亿参数推理模型，通过大规模强化学习在数学推理、编程及通用任务中实现性能突破，支持消费级显卡本地部署，兼顾高效推理与低资源消耗。

本文将介绍如何利用vLLM作为通义千问QwQ-32B模型的推理框架，在一台阿里云GPU实例上构建通义千问QwQ-32B的推理服务。

步骤一：准备环境

1. 创建GPU实例并正确安装驱动。关键参数说明如下。

• 实例规格：本文以实例规格为ecs.gn7i-4x.16xlarge（内存256 GiB、GPU显存4*24 GB以及64 vCPU）。
• 镜像：选择公共镜像，本文以Alibaba Cloud Linux 3.2104 LTS 64位版本的镜像为例。
  

在GPU实例上部署通义千问QwQ-32B模型，需要提前在该实例上安装GPU驱动且驱动版本应为550及以上版本，建议您通过ECS控制台购买GPU实例时，同步选中安装GPU驱动。实例创建完成后，会自动安装Tesla驱动、CUDA、cuDNN库等，相比手动安装方式更快捷。

• 系统盘：建议系统盘大小设置200 GiB以上。
• 公网IP：选中分配公网IPv4地址，带宽计费方式选择按使用流量，建议带宽峰值选择100Mbps，以加快模型下载速度。
• 安全组：开放22和8080端口。

1. 安装Docker。

1. 远程连接GPU实例。

执行以下命令，安装Docker环境。此处以Alibaba Cloud Linux 3系统为例。

#添加Docker软件包源
sudo wget -O /etc/yum.repos.d/docker-ce.repo http://mirrors.cloud.aliyuncs.com/docker-ce/linux/centos/docker-ce.repo
sudo sed -i 's|https://mirrors.aliyun.com|http://mirrors.cloud.aliyuncs.com|g' /etc/yum.repos.d/docker-ce.repo
#Alibaba Cloud Linux3专用的dnf源兼容插件
sudo dnf -y install dnf-plugin-releasever-adapter --repo alinux3-plus
#安装Docker社区版本，容器运行时containerd.io，以及Docker构建和Compose插件
sudo dnf -y install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin
#启动Docker
sudo systemctl start docker
#设置Docker守护进程在系统启动时自动启动
sudo systemctl enable docker

通过查看Docker版本命令，验证Docker是否安装成功。

sudo docker -v

如下图回显信息所示，表示Docker已安装成功。

安装NVIDIA容器工具包。

1. Alibaba Cloud Linux/CentOSUbuntu/Debian

#配置生产存储库
curl -s -L https://nvidia.github.io/libnvidia-container/stable/rpm/nvidia-container-toolkit.repo | 
  sudo tee /etc/yum.repos.d/nvidia-container-toolkit.repo
#安装 NVIDIA Container Toolkit 软件包
sudo yum install -y nvidia-container-toolkit
#重启docker
sudo systemctl restart docker

执行以下命令，查看Docker是否已启动。

sudo systemctl status docker

如下图回显所示，表示Docker已启动。

1. 购买数据盘并完成挂载。

由于模型体积较大，通义千问QwQ-32B模型的文件大小约为123 GB。建议数据盘的大小预留为模型大小的1.5倍。因此，建议您单独购买用于存储下载模型的数据盘，推荐选择500 GiB以上的数据盘，并以/mnt作为挂载点。具体操作，请参见挂载数据盘。

步骤二：部署和运行通义千问QwQ-32B推理模型

执行以下命令，拉取推理镜像。

sudo docker pull egs-registry.cn-hangzhou.cr.aliyuncs.com/egs/vllm:0.7.2-sglang0.4.3.post2-pytorch2.5-cuda12.4-20250224

下载模型文件，可以访问阿里云魔搭社区Modelscope选择模型，在模型详情页获取名称。

# 定义要下载的模型名称。MODEL_NAME需要访问Modelscope选择模型，在模型详情页获取名称，脚本以QwQ-32B为例
MODEL_NAME="QwQ-32B"
# 设置本地存储路径。确保该路径有足够的空间来存放模型文件（建议预留模型大小的1.5倍空间），此处以/mnt/QwQ-32B为例
LOCAL_SAVE_PATH="/mnt/QwQ-32B"

# 如果/mnt/QwQ-32B目录不存在，则创建它
sudo mkdir -p ${LOCAL_SAVE_PATH}
# 确保当前用户对该目录有写权限，根据实际情况调整权限
sudo chmod ugo+rw ${LOCAL_SAVE_PATH}

# 启动下载，下载完成后自动销毁
sudo docker run -d -t --network=host --rm --name download 
-v ${LOCAL_SAVE_PATH}:/data 
egs-registry.cn-hangzhou.cr.aliyuncs.com/egs/vllm:0.7.2-sglang0.4.3.post2-pytorch2.5-cuda12.4-20250224 
/bin/bash -c "git-lfs clone https://www.modelscope.cn/models/Qwen/${MODEL_NAME}.git /data"

执行以下命令，实时监控下载进度，等待下载结束。

sudo docker logs -f download

下载模型耗时较长，请您耐心等待。当下载任务完成后，会停止输出新的日志，您可以随时按下Ctrl+C退出，这不会影响容器的运行，即使退出终端也不会中断下载。

启动模型推理服务。

# 定义要下载的模型名称。MODEL_NAME需要访问Modelscope选择模型，在模型详情页获取名称，脚本以QwQ-32B为例
MODEL_NAME="QwQ-32B"
# 设置本地存储路径。确保该路径有足够的空间来存放模型文件，此处以/mnt/QwQ-32B为例
LOCAL_SAVE_PATH="/mnt/QwQ-32B"

# 定义服务运行时监听的端口号。可以根据实际需求进行调整，默认使用30000端口
PORT="30000"

# 定义使用的GPU数量。这取决于实例上可用的GPU数量，可以通过nvidia-smi -L命令查询
# 这里假设使用8个GPU
TENSOR_PARALLEL_SIZE="8"

# 确保当前用户对该目录有读写权限，根据实际情况调整权限
sudo chmod ugo+rw ${LOCAL_SAVE_PATH}

# 启动Docker容器并运行服务
sudo docker run -d -t --network=host --gpus all 
    --privileged 
    --ipc=host 
    --cap-add=SYS_PTRACE 
    --name ${MODEL_NAME} 
    --ulimit memlock=-1 
    --ulimit stack=67108864 
    -v ${LOCAL_SAVE_PATH}:/data 
    egs-registry.cn-hangzhou.cr.aliyuncs.com/egs/vllm:0.7.2-sglang0.4.3.post2-pytorch2.5-cuda12.4-20250224 
    /bin/bash -c "pip config set global.index-url http://mirrors.cloud.aliyuncs.com/pypi/simple/ && 
    pip config set install.trusted-host mirrors.cloud.aliyuncs.com && 
    pip install --upgrade pip && 
    pip install packaging && 
    pip install transformers -U && 
    pip install --upgrade vllm && 
    vllm serve /data 
    --port ${PORT} 
    --served-model-name ${MODEL_NAME} 
    --tensor-parallel-size ${TENSOR_PARALLEL_SIZE} 
    --max-model-len=16384 
    --enforce-eager 
    --dtype=half"

运行以下命令，检查服务是否正常启动。

sudo docker logs ${MODEL_NAME}

在日志输出中寻找类似以下的消息，表示服务已经成功启动并在端口30000上监听。

INFO:     Uvicorn running on http://0.0.0.0:30000 (Press CTRL+C to quit)

步骤三：启动Open WebUI

执行以下命令，拉取基础环境镜像。

sudo docker pull alibaba-cloud-linux-3-registry.cn-hangzhou.cr.aliyuncs.com/alinux3/python:3.11.1

执行以下命令，启动Open WebUI服务。

#设置模型服务地址
OPENAI_API_BASE_URL=http://127.0.0.1:30000/v1

# 创建数据目录,确保数据目录存在并位于/mnt下
sudo mkdir -p /mnt/open-webui-data

#启动open-webui服务
sudo docker run -d -t --network=host --name open-webui 
-e ENABLE_OLLAMA_API=False 
-e OPENAI_API_BASE_URL=${OPENAI_API_BASE_URL} 
-e DATA_DIR=/mnt/open-webui-data 
-e HF_HUB_OFFLINE=1 
-v /mnt/open-webui-data:/mnt/open-webui-data 
alibaba-cloud-linux-3-registry.cn-hangzhou.cr.aliyuncs.com/alinux3/python:3.11.1 
/bin/bash -c "pip config set global.index-url http://mirrors.cloud.aliyuncs.com/pypi/simple/ && 
pip config set install.trusted-host mirrors.cloud.aliyuncs.com && 
pip install --upgrade pip && 
pip install open-webui==0.5.10 && 
mkdir -p /usr/local/lib/python3.11/site-packages/google/colab && 
open-webui serve"

执行以下命令，实时监控下载进度，等待下载结束。

sudo docker logs -f open-webui

在日志输出中寻找类似以下的消息：

INFO:     Uvicorn running on http://0.0.0.0:8080 (Press CTRL+C to quit)

这表示服务已经成功启动并在端口8080上监听。

1. 在本地物理机上使用浏览器访问http://<ECS公网IP地址>:8080，首次登录时，请根据提示创建管理员账号。
   
   
2. 在Open WebUI界面中进行问答测试。