Nano-vLLM-Ascend

参考
https://github.com/linzm1007/nano-vllm-ascend

nano-vllm是开源的一个gpu推理项目，基于开源版本弄的一个ascend npu版本推理小demo，旨在帮助初学者了解推理的整体流程，区别于vllm，nano-vllm体量更小，麻雀虽小五脏俱全，更有助于初学者学习。

框架层流程图

模型层流程图

特性

📖 可读代码库 - 约1200行Python代码的清晰实现
⚡ 优化套件 - 张量并行、Torch编译等

待完成：目前只支持单算子, npu图模式实现
dummy方式在cpu环境运行
性能优化
目前只支持Qwen3-0.6B，支持更多模型

镜像下载

复制代码

docker login xx
docker pull xxx/nano-vllm/nano-vllm-ascend:v1_20251112

容器运行

复制代码

#!/bin/bash

CONTAINER_NAME="xxx"

# 停止并删除现有容器
docker stop $CONTAINER_NAME 2>/dev/null
docker rm $CONTAINER_NAME 2>/dev/null

echo "Starting SSH container..."

docker run -it --name=$CONTAINER_NAME \
        --shm-size=20g \
        --net=host \
        --privileged=true \
        -u root \
        -w /data \
        --device=/dev/davinci_manager \
        --device=/dev/hisi_hdc \
        --device=/dev/devmm_svm \
        -v /data:/data \
        -v /tmp:/tmp \
        -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
        -v /usr/local/dcmi:/usr/local/dcmi \
        -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
        -v /etc/ascend_install.info:/etc/ascend_install.info \
        -v /usr/local/sbin:/usr/local/sbin \
        -v /etc/hccn.conf:/etc/hccn.conf \
        -v /usr/bin/hccn_tool:/usr/bin/hccn_tool \
        -v /usr/share/zoneinfo/Asia/Shanghai:/etc/localtime \
	xxx/nano-vllm/nano-vllm-ascend:v1_20251112 bash

安装依赖

bash 复制代码

pip install .

ssh安装

复制代码

#!/bin/bash
set -ex

# 配置openEuler软件源
echo "配置openEuler软件源..."
cat > /etc/yum.repos.d/openeuler.repo << 'EOF'
[openEuler-everything]
name=openEuler-everything
baseurl=http://mirrors.tools.xx.com/openeuler/openEuler-22.03-LTS-SP4/everything/aarch64/
enabled=1
gpgcheck=0
gpgkey=http://mirrors.tools.xx.com/openeuler/openEuler-22.03-LTS-SP4/everything/aarch64/RPM-GPG-KEY-openEuler

[openEuler-EPOL]
name=openEuler-epol
baseurl=http://mirrors.tools.xx.com/openeuler/openEuler-22.03-LTS-SP4/EPOL/main/aarch64/
enabled=1
gpgcheck=0

[openEuler-update]
name=openEuler-update
baseurl=http://mirrors.tools.xx.com/openeuler/openEuler-22.03-LTS-SP4/update/aarch64/
enabled=1
gpgcheck=0
EOF

yum clean all
yum makecache  

yum install passwd -y

# 设置root用户密码
echo "设置root用户密码..."
echo "root:xxxx-" | chpasswd

# 配置SSH服务
echo "配置SSH服务..."
# 启用TCP转发
sed -i 's/^#AllowTcpForwarding yes/AllowTcpForwarding yes/' /etc/ssh/sshd_config
# 启用GatewayPorts
sed -i 's/^#GatewayPorts no/GatewayPorts yes/' /etc/ssh/sshd_config
# 添加端口6068（若不存在）
if ! grep -q "^Port 6068" /etc/ssh/sshd_config; then
    echo "Port 6068" >> /etc/ssh/sshd_config
fi

# 生成SSH密钥并重启服务
echo "初始化SSH服务..."
ssh-keygen -A
/usr/sbin/sshd

echo "所有配置完成！root密码已设置，SSH服务已启动（监听端口6068）"

容器起来，ssh也安装好，可以远程连接容器运行example.py

模型下载

bash 复制代码

huggingface-cli download --resume-download Qwen/Qwen3-0.6B \
  --local-dir ~/huggingface/Qwen3-0.6B/ \
  --local-dir-use-symlinks False

快速开始

请参见 example.py 了解用法。该 API 与 vLLM 的接口基本一致，仅在 LLM.generate 方法上存在一些细微差异：

python 复制代码

from nanovllm import LLM, SamplingParams
llm = LLM("/YOUR/MODEL/PATH", enforce_eager=True, tensor_parallel_size=1)
sampling_params = SamplingParams(temperature=0.6, max_tokens=256)
prompts = ["Hello, Nano-vLLM."]
outputs = llm.generate(prompts, sampling_params)
outputs[0]["text"]

example运行结果

环境

仅供参考

ascend-dmi -c #查看

硬件环境：
- 1.显卡:A3 910C
- 2.驱动版本:24.1.rc3.10
- 3.固件版本:7.5.0.109.220
软件环境：
- 1.CANN包 8.3.RC1
- 2.PTA版本：torch-npu 2.5.1.post2+gitd7a85f8，torch 2.5.1

Benchmark

See bench.py for benchmark.

Test Configuration:

Model: Qwen3-0.6B
Total Requests: 256 sequences
Input Length: Randomly sampled between 100--1024 tokens
Output Length: Randomly sampled between 100--1024 tokens

Performance Results:

Nano-vLLM-Ascend 实在太慢了只跑了10条seq

Nano-vLLM-Ascend可以忽略[哭脸]

Inference Engine	Output Tokens	Time (s)	Throughput (tokens/s)
vLLM	133,966	98.37	1361.84
Nano-vLLM	133,966	93.41	1434.13
Nano-vLLM-Ascend	4805	257.49	18.66

qwen3-0.6B layers

angular2html 复制代码

ModuleList(
  (0-27): 28 x Qwen3DecoderLayer(
    (self_attn): Qwen3Attention(
      (qkv_proj): QKVParallelLinear()
      (o_proj): RowParallelLinear()
      (rotary_emb): RotaryEmbedding()
      (attn): Attention()
      (q_norm): RMSNorm()
      (k_norm): RMSNorm()
    )
    (mlp): Qwen3MLP(
      (gate_up_proj): MergedColumnParallelLinear()
      (down_proj): RowParallelLinear()
      (act_fn): SiluAndMul()
    )
    (input_layernorm): RMSNorm()
    (post_attention_layernorm): RMSNorm()
  )
)