lk_llama.cpp启用nccl

容沁风2026-01-15 15:10

要下载对应cuda toolkit版本 的nccl，到nvidia官方下载

我用的GPU是v100显卡，只能下载legacy的。

查看cuda版本

bash 复制代码

yu@llm:~/ik_llama.cpp$ nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2024 NVIDIA Corporation
Built on Thu_Mar_28_02:18:24_PDT_2024
Cuda compilation tools, release 12.4, V12.4.131
Build cuda_12.4.r12.4/compiler.34097967_0

安装错误的版本，编译可以成功，但是推理时会报错allreduce错误。

安装命令

bash 复制代码

# 1. 安装仓库包
sudo dpkg -i nccl-local-repo-ubuntu2204-2.27.7-cuda12.4_1.0-1_amd64.deb

# 2. 添加GPG密钥（请根据实际路径调整，或者在1执行完成后，会有个提示，按照那个）
sudo apt-key add /var/nccl-local-repo-ubuntu2204-2.27.7-cuda12.4/7fa2af80.pub

# 3. 更新软件源
sudo apt update

# 4. 安装指定版本的NCCL库
sudo apt install libnccl2=2.27.7-1+cuda12.4 libnccl-dev=2.27.7-1+cuda12.4

配置

bash 复制代码

cmake -B build -DGGML_BLAS=ON -DGGML_CUDA=ON -DGGML_NCCL=ON -DGGML_AVX=ON -DGGML_AVX2=ON -DGGML_CUDA_FA=ON -DGGML_CUDA_FORCE_CUBLAS=ON -DGGML_GRAPHS=ON -DGGML_CUDA_FA_ALL_QUANTS=ON

编译

bash 复制代码

cmake --build build --config Release -j20

e5 2673V4是20核的，利用它的40个pcie通道跑在x16模式。v100如果运行在pcie3.0 x8模式，装载模型时明显慢。

运行

bash 复制代码

./llama-server --host 0.0.0.0 --port 8086 --no-warmup -m ~/llama/cognitivecomputations_Dolphin-Mistral-24B-Venice-Edition-Q8_0.gguf -c 8192 -ngl 99 -sm graph

不能使用 --device cuda0,cuda1，会不分层，推理速度靠cpu基本是1tps

open webui运行在docker，它自己会自动运行。

使用graph参数启用NCCL，Prompt处理慢，文本生成生成快，生成时俩个GPU利用率接近100%，功耗也大，但是2张卡合计也就400W。不使用NCCL，文本生成慢，GPU利用率分别在50%左右。