ERNIE-4.5-VL-28B-A3B-Paddle

一、环境准备

1.1 支持情况

在下列硬件上部署所需要的最小卡数如下：

设备[显存]	WINT4	WINT8	BFLOAT16
A30 [24G]	2	2	4
L20 [48G]	1	1	2
H20 [144G]	1	1	1
A100 [80G]	1	1	1
H800 [80G]	1	1	1

1.2 安装fastdeploy

安装流程参考文档 FastDeploy GPU 安装

⚠️ 注意事项 - FastDeploy只支持Paddle格式的模型，注意下载Paddle后缀的模型 - 使用模型名称会自动下载模型，如果已经下载过模型，可以直接使用模型下载位置的绝对路径

二、如何使用

2.1 基础：启动服务

示例1： 4090上单卡部署32K上下文的服务

export ENABLE_V1_KVCACHE_SCHEDULER=1

python -m fastdeploy.entrypoints.openai.api_server \
    --model baidu/ERNIE-4.5-VL-28B-A3B-Paddle \
    --port 8180 \
    --metrics-port 8181 \
    --engine-worker-queue-port 8182 \
    --tensor-parallel-size 1 \
    --max-model-len 32768 \
    --max-num-seqs 32 \
    --limit-mm-per-prompt '{"image": 100, "video": 100}' \
    --reasoning-parser ernie-45-vl \
    --gpu-memory-utilization 0.9 \
    --enable-chunked-prefill \
    --max-num-batched-tokens 384 \
    --quantization wint4 \
    --enable-mm

示例2： H800上双卡部署128K上下文的服务

export ENABLE_V1_KVCACHE_SCHEDULER=1

python -m fastdeploy.entrypoints.openai.api_server \
    --model baidu/ERNIE-4.5-VL-28B-A3B-Paddle \
    --port 8180 \
    --metrics-port 8181 \
    --engine-worker-queue-port 8182 \
    --tensor-parallel-size 2 \
    --max-model-len 131072 \
    --max-num-seqs 128 \
    --limit-mm-per-prompt '{"image": 100, "video": 100}' \
    --reasoning-parser ernie-45-vl \
    --gpu-memory-utilization 0.9 \
    --enable-chunked-prefill \
    --max-num-batched-tokens 384 \
    --quantization wint4 \
    --enable-mm

示例是可以稳定运行的一组配置，同时也能得到比较好的性能。如果对精度、性能有进一步的要求，请继续阅读下面的内容。

2.2 进阶：如何获取更优性能

2.2.1 评估应用场景，正确设置参数

上下文长度 - 参数： --max-model-len - 描述： 控制模型可处理的最大上下文长度。 - 推荐： 更长的上下文会导致吞吐降低，根据实际情况设置，ERNIE-4.5-VL-28B-A3B-Paddle最长支持128k（131072）长度的上下文。

⚠️ 注：更长的上下文会显著增加GPU显存需求，设置更长的上下文之前确保硬件资源是满足的。

最大序列数量 - 参数： --max-num-seqs - 描述： 控制服务可以处理的最大序列数量，支持1～256。 - 推荐： 如果您不知道实际应用场景中请求的平均序列数量是多少，我们建议设置为256。如果您的应用场景中请求的平均序列数量明显少于256，我们建议设置为一个略大于平均值的较小值，以进一步降低显存占用，优化服务性能。

多图、多视频输入 - 参数：--limit-mm-per-prompt - 描述：我们的模型支持单次提示词（prompt）中输入多张图片和视频。请使用此参数限制每次请求的图片/视频数量，以确保资源高效利用。 - 推荐：我们建议将单次提示词（prompt）中的图片和视频数量均设置为100个，以平衡性能与内存占用。

初始化时可用的显存比例 - 参数： --gpu-memory-utilization - 用处： 用于控制 FastDeploy 初始化服务的可用显存，默认0.9，即预留10%的显存备用。 - 推荐： 推荐使用默认值0.9。如果服务压测时提示显存不足，可以尝试调低该值。

2.2.2 Chunked Prefill

参数： --enable-chunked-prefill
用处： 开启 chunked prefill 可降低显存峰值并提升服务吞吐。
其他相关配置:

--max-num-batched-tokens：限制每个chunk的最大token数量。多模场景下每个chunk会向上取整保持图片的完整性，因此实际每次推理的总token数会大于该值。我们推荐设置为384。

2.2.3 量化精度

参数： --quantization
已支持的精度类型：
WINT4 (适合大多数用户)
WINT8
BFLOAT16 (未设置 --quantization 参数时，默认使用BFLOAT16)
推荐：
除非您有极其严格的精度要求，否则我们建议使用WINT4量化。这将显著降低内存占用并提升吞吐量。
若需要稍高的精度，可尝试WINT8。
仅当您的应用场景对精度有极致要求时候才尝试使用BFLOAT16，因为它需要更多显存。

三、常见问题FAQ

注意： 使用多模服务部署需要在配置中添加参数 --enable-mm。

3.1 显存不足(OOM)

如果服务启动时提示显存不足，请尝试以下方法： 1. 确保无其他进程占用显卡显存； 2. 使用WINT4/WINT8量化，开启chunked prefill； 3. 酌情降低上下文长度和最大序列数量； 4. 增加部署卡数，使用2卡或4卡部署，即修改参数 --tensor-parallel-size 2 或 --tensor-parallel-size 4。

如果可以服务可以正常启动，运行时提示显存不足，请尝试以下方法： 1. 酌情降低初始化时可用的显存比例，即调整参数 --gpu-memory-utilization 的值； 2. 增加部署卡数，参数修改同上。