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-base-w4a16

本模型推理及性能测试需要1张enflame gcu。

模型下载

• 如需要下载权重，请联系商务人员开通EGC权限进行下载

• 下载deepseek-moe-16b-base-w4a16.tar文件以及并解压，将压缩包内的内容全部拷贝到deepseek-moe-16b-base-w4a16文件夹中。

• deepseek-moe-16b-base-w4a16目录结构如下所示：

deepseek-moe-16b-base-w4a16/
  ├──config.json
  ├──configuration_deepseek.py
  ├──generation_config.json
  ├──modeling_deepseek.py
  ├──model.safetensors
  ├──quantize_config.json
  ├──tokenizer_config.json
  ├──tokenizer.json
  ├──tops_quantize_info.json

将上述url设定的路径下的内容全部下载到deepseek-moe-16b-base-w4a16文件夹中。

批量离线推理

python3 -m vllm_utils.benchmark_test \
 --model=[path of deepseek-moe-16b-base-w4a16] \
 --demo=te \
 --tensor-parallel-size 1 \
 --max-model-len=4096 \
 --output-len=128 \
 --device gcu \
 --gpu-memory-utilization 0.945 \
 --trust-remote-code \
 --quantization gptq \
 --dtype=float16

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of deepseek-moe-16b-base-w4a16] \
 --tensor-parallel-size 1 \
 --max-model-len=4096 \
 --input-len=512 \
 --output-len=128 \
 --num-prompts=64 \
 --block-size=64 \
 --gpu-memory-utilization 0.945 \
 --quantization gptq \
 --dtype=float16 \
 --trust-remote-code

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=[path of 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

deepseek-moe-16b-base-w8a8c8

本模型推理及性能测试需要1张enflame gcu。

模型下载

• 如需要下载权重，请联系商务人员开通EGC权限进行下载

• 下载deepseek-moe-16b-base-w8a8.tar文件并解压，将压缩包内的内容全部拷贝到deepseek-moe-16b-base-w8a8文件夹中。

• deepseek-moe-16b-base_int8_kv_cache.json文件位于deepseek-moe-16b-base-w8a8文件夹中。

• deepseek-moe-16b-base-w8a8目录结构如下所示：

deepseek-moe-16b-base-w8a8
├── config.json
├── configuration_deepseek.py
├── deepseek-moe-16b-base_int8_kv_cache.json
├── generation_config.json
├── modeling_deepseek.py
├── model.safetensors
├── quantize_config.json
├── tokenizer_config.json
├── tokenizer.json
└── tops_quantize_info.json

批量离线推理

python3 -m vllm_utils.benchmark_test \
  --demo='te' \
  --model=[path of deepseek-moe-16b-base-w8a8] \
  --quantization-param-path [path of deepseek-moe-16b-base_int8_kv_cache.json] \
  --kv-cache-dtype int8 \
  --num-prompts 1 \
  --max-model-len=4096 \
  --output-len=128 \
  --device=gcu \
  --dtype=float16 \
  --quantization=w8a8 \
  --gpu-memory-utilization=0.945 \
  --tensor-parallel-size=1

性能测试

python3 -m vllm_utils.benchmark_test --perf \
 --model=[path of deepseek-moe-16b-base-w8a8] \
 --quantization-param-path [path of deepseek-moe-16b-base_int8_kv_cache.json] \
 --tensor-parallel-size 1 \
 --max-model-len=4096 \
 --input-len=512 \
 --output-len=128 \
 --num-prompts=64 \
 --block-size=64 \
 --dtype=float16 \
 --kv-cache-dtype int8 \
 --device gcu \
 --gpu-memory-utilization 0.945

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;