3.9. deepseek¶

deepseek-llm-67b-base¶

本模型推理及性能测试需要4张enflame gcu。

模型下载¶

url: deepseek-llm-67b-base
branch: main
commit id: c3f813a

将上述url设定的路径下的内容全部下载到deepseek-llm-67b-base文件夹中。

批量离线推理¶

python3 -m vllm_utils.benchmark_test \
 --model=[path of deepseek-llm-67b-base] \
 --tensor-parallel-size=4 \
 --demo=te \
 --dtype=float16 \
 --output-len=256

性能测试¶

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of deepseek-llm-67b-base] \
 --tokenizer=[path of deepseek-llm-67b-base] \
 --tensor-parallel-size=4 \
 --max-model-len=1024 \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=16 \
 --block-size=64 \
 --dtype=float16

注：

本模型支持的max-model-len为4096；
input-len、output-len和num-prompts可按需调整；
配置 output-len为1时,输出内容中的latency即为time_to_first_token_latency;

deepseek-llm-67b-chat¶

本模型推理及性能测试需要4张enflame gcu。

模型下载¶

url: deepseek-llm-67b-chat
branch: main
commit id: 79648be

将上述url设定的路径下的内容全部下载到deepseek-llm-67b-chat文件夹中。

批量离线推理¶

python3 -m vllm_utils.benchmark_test \
 --model=[path of deepseek-llm-67b-chat] \
 --tensor-parallel-size=4 \
 --dtype=float16 \
 --demo=ch \
 --output-len=20 \
 --template=default

性能测试¶

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of deepseek-llm-67b-chat] \
 --tokenizer=[path of deepseek-llm-67b-chat] \
 --tensor-parallel-size=4 \
 --max-model-len=1024 \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=16 \
 --block-size=64 \
 --dtype=float16

注：

本模型支持的max-model-len为4096；
input-len、output-len和num-prompts可按需调整；
配置 output-len为1时,输出内容中的latency即为time_to_first_token_latency;

deepseek-moe-16b-base¶

本模型推理及性能测试需要1张enflame gcu。

模型下载¶

url: deepseek-moe-16b-base
branch: main
commit id: 521d2bc

将上述url设定的路径下的内容全部下载到deepseek-moe-16b-base文件夹中。

批量离线推理¶

python3 -m vllm_utils.benchmark_test \
 --model=[path of deepseek-moe-16b-base] \
 --demo=te \
 --output-len=256 \
 --dtype=float16

性能测试¶

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of deepseek-moe-16b-base] \
 --tokenizer=[path of deepseek-moe-16b-base] \
 --max-model-len=1024 \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=16 \
 --block-size=64 \
 --dtype=float16

注：

本模型支持的max-model-len为4096；
input-len、output-len和num-prompts可按需调整；
配置 output-len为1时,输出内容中的latency即为time_to_first_token_latency;

deepseek-moe-16b-chat¶

本模型推理及性能测试需要1张enflame gcu。

模型下载¶

url: deepseek-moe-16b-chat
branch: main
commit id: eefd8ac

将上述url设定的路径下的内容全部下载到deepseek-moe-16b-chat文件夹中。

批量离线推理¶

python3 -m vllm_utils.benchmark_test \
 --model=[path of deepseek-moe-16b-chat] \
 --demo=ch \
 --output-len=256 \
 --dtype=float16 \
 --template=default

性能测试¶

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of deepseek-moe-16b-chat] \
 --tokenizer=[path of deepseek-moe-16b-chat] \
 --max-model-len=1024 \
 --input-len=512 \
 --output-len=512 \
 --num-prompts=16 \
 --block-size=64 \
 --dtype=float16

注：

本模型支持的max-model-len为4096；
input-len、output-len和--num-prompts=16可按需调整；
配置 output-len为1时,输出内容中的latency即为time_to_first_token_latency;

deepseek-coder-6.7b-base¶

本模型推理及性能测试需要1张enflame gcu。

模型下载¶

url: deepseek-coder-6.7b-base
branch: main
commit id: ce2207a

将上述url设定的路径下的内容全部下载到deepseek-coder-6.7b-base文件夹中。

批量离线推理¶

python3 -m vllm_utils.benchmark_test \
 --model=[path of deepseek-coder-6.7b-base] \
 --demo=cc \
 --output-len=256 \
 --dtype=float16 \
 --max-model-len=1024

性能测试¶

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of deepseek-coder-6.7b-base] \
 --tokenizer=[path of deepseek-coder-6.7b-base] \
 --max-model-len=4096 \
 --input-len=1500 \
 --output-len=256 \
 --num-prompts=2 \
 --block-size=64 \
 --dtype=float16

注：

本模型支持的max-model-len为16k；
input-len、output-len和num-prompts可按需调整；
配置 output-len为1时,输出内容中的latency即为time_to_first_token_latency;

DeepSeek-V2-Lite-Chat¶

本模型推理及性能测试需要1张enflame gcu。

模型下载¶

url: DeepSeek-V2-Lite-Chat
branch: master
commit id: d174ca84

将上述url设定的路径下的内容全部下载到deepseek-v2-lite-chat文件夹中。

批量离线推理¶

python3 -m vllm_utils.benchmark_test \
 --model=[deepseek-v2-lite-chat] \
 --tensor-parallel-size=1 \
 --max-model-len=8192 \
 --output-len=512 \
 --demo=dch \
 --dtype=bfloat16 \
 --template=default \
 --device=gcu \
 --trust-remote-code \
 --enforce-eager

性能测试¶

python3 -m vllm_utils.benchmark_test --perf \
 --model=[deepseek-v2-lite-chat] \
 --device=gcu \
 --max-model-len=8192 \
 --tokenizer=[deepseek-v2-lite-chat] \
 --input-len=1024 \
 --output-len=1024 \
 --num-prompts=1 \
 --tensor-parallel-size=1 \
 --block-size=64 \
 --trust-remote-code \
 --enforce-eager

注：

本模型支持的max-model-len为32k；
input-len、output-len和num-prompts可按需调整；
配置 output-len为1时,输出内容中的latency即为time_to_first_token_latency;