多卡互联与拓扑检查

手里握着多张 AMD Instinct GPU，想要跑通超大参数模型的推理，最大的挑战往往不在模型本身，而在于如何让这几张卡“像一张卡”那样高效协作。vLLM 的张量并行（Tensor Parallelism, TP）功能正是为此而生，它能把模型权重切分 across 多卡，让显存瓶颈不再是拦路虎。但在敲下启动命令之前，有一步至关重要却常被忽略的检查：PCIe 拓扑结构。

如果 GPU 之间通信走的是低速 PCIe 通道而非高速互联（如 Infinity Fabric），张量并行带来的通信开销会瞬间吞噬掉算力优势，导致吞吐量不升反降。在 Linux 环境下，我们可以使用 rocm-smi --showtopo 或 lspci -t 来查看显卡间的连接关系。理想状态下，参与并行的 GPU 应当位于同一个 PCIe Root Complex 下，或者直接通过 NVLink/Infinity Fabric 互联。如果发现显卡分散在不同的 CPU 插槽对应的 PCIe 总线上，跨 Socket 的通信延迟可能会成为性能短板。对于生产环境，尽量将需要并行的卡插在物理距离最近、拓扑层级最高的插槽中，这是降低通信延迟的物理基础。

张量并行配置与进程绑核

确认硬件拓扑无误后，就可以进入核心的配置环节。vLLM 启动时，通过 --tensor-parallel-size 参数指定参与计算的 GPU 数量。例如，你有 4 张卡，想全部利用起来，就设置 --tensor-parallel-size 4。这个参数告诉 vLLM 将模型层内的矩阵运算切分到 4 个设备上并行计算，最后再汇总结果。

python -m vllm.entrypoints.api_server \
    --model meta-llama/Meta-Llama-3-70B-Instruct \
    --tensor-parallel-size 4 \
    --gpu-memory-utilization 0.92 \
    --port 8000 \
    --host 0.0.0.0

然而，仅仅设置 TP 参数还不够。在多卡高负载运行时，操作系统默认的进程调度可能会导致多个 GPU 的推理进程争抢同一个 CPU 核心，引发上下文切换抖动，进而增加推理延迟。这时候就需要 numactl 工具出场了，它能帮助我们将进程“绑定”到特定的 NUMA 节点和 CPU 核心上。

假设你的 4 张卡分别隶属于两个 NUMA 节点（每两个卡一个节点），你可以手动启动多个 worker 进程并分别绑定。虽然 vLLM 自动模式通常能处理大部分情况，但在极致性能调优场景下，显式绑定更稳妥。例如，将前两张卡的进程绑定到 Node 0 的核心：

numactl --cpunodebind=0 --membind=0 python -m vllm.entrypoints.api_server ... --device 0,1

这种“亲缘性”设置确保了 GPU 访问本地内存的速度最快，且避免了 CPU 缓存行的无效刷新。在实际操作中，可以通过 taskset -cp <pid> 实时观察进程是否运行在预期的核心上。

高并发压力测试与拐点分析

服务启动成功只是第一步，真正的考验在于高并发下的表现。大模型推理服务上线前，必须通过压力测试找到系统的“甜蜜点”。vLLM 自带的 benchmark_serving.py 脚本是绝佳的工具，它可以模拟真实用户的请求流量。

我们需要关注两个核心指标：RPS（每秒请求数）和 TTFT（首字延迟）。随着并发数（Concurrency）的增加，RPS 通常会先线性上升，然后趋于平缓甚至下降；而 TTFT 则会随着队列堆积逐渐升高。我们的目标是找到 RPS 达到峰值且 TTFT 仍在可接受范围内的那个临界点。

执行测试命令示例：

python benchmarks/benchmark_serving.py \
    --backend vllm \
    --dataset-name sharegpt \
    --request-rate 10 \
    --num-prompts 200 \
    --concurrency 50

建议采用阶梯式测试法：从并发数 10 开始，逐步增加到 20、50、100，记录每一轮的 RPS 和平均 TTFT。绘制出曲线图后，你通常会发现一个明显的“拐点”。在拐点之前，系统资源利用率尚未饱和，增加并发能显著提升吞吐；一旦越过拐点，GPU 显存带宽或计算单元成为瓶颈，排队等待时间剧增，导致 TTFT 飙升，而 RPS 增长停滞。

这个拐点数据就是制定限流策略的依据。例如，如果测试显示并发超过 60 后 TTFT 突破 2 秒，那么在生产环境的网关层，就可以将最大并发连接数限制在 50 左右，预留一定的缓冲空间应对流量波动。通过这种基于数据的调优，我们不仅能榨干 Instinct GPU 的性能，还能保证服务在高负载下的响应稳定性，避免因为盲目追求高并发而导致用户体验崩塌。

200小时GPU算力已就位，快来领取：https://marketing.csdn.net/questions/Q2604140858304426315?utm_source=AIpaper