这是一个创建于 403 天前的主题，其中的信息可能已经有所发展或是发生改变。
在本地部署了 ollama 的 API 做生成任务，现在有 4 块 A800 的 GPU ，ollama 已经开启了并行任务。
现在的问题是，模型速度提不上去，GPU 也没有跑满，占用在 80%左右，显存也只用了 1/2 。
是其他什么硬件到了瓶颈吗？影响模型生成速度的内存带宽？如何能提升速度？
现在的问题是，模型速度提不上去，GPU 也没有跑满，占用在 80%左右，显存也只用了 1/2 。
是其他什么硬件到了瓶颈吗？影响模型生成速度的内存带宽？如何能提升速度？
第 1 条附言 · 2024-07-24 14:57:53 +08:00
多谢诸位。换 vllm 了，72b 的模型用两张卡都没跑起来，四张都用才行（
 |
1
1119745302 2024-07-23 17:10:09 +08:00
换个后端?
|
 |
2
CNYoki OP @1119745302 #1 这个跟后端没太大关系吧，直接用的 python 调的 ollama 的库
|
 |
3
KylinYou 2024-07-23 17:23:46 +08:00 via Android
在 llama.cpp 那边提个 issue 呢
|
 |
4
swulling 2024-07-23 17:27:25 +08:00
为啥 A800 还用 ollama 或 llama.cpp 。直接用 vLLM 。
|
 |
5
neteroster 2024-07-23 17:27:47 +08:00 via Android
用 vLlm 。
|
|
6
CNYoki OP vLLM 现在有 json mode 了吗
|
 |
7
0x3933030 2024-07-23 18:26:56 +08:00
只有卡 0 用起来了，怎么想都是模型实现的问题
|
|
8
CNYoki OP @0x3933030 #7 再加载另一个模型的话，ollam 会优先放在空闲的卡上。但是单模型不知道为什么就是推理速度起不来
|
|
9
1119745302 2024-07-23 18:46:41 +08:00
@CNYoki llama.cpp 似乎不支持张量并行,就算 4 张卡显存占满了也跑不快. https://www.bilibili.com/video/BV1DH4y1c7gK/ 可以参考一下这个, 换个 vllm 啊啥的后端一般就是随便跑了
|
 |
10
crackidz 2024-07-23 23:05:30 +08:00
当然是换个后端... vllm 算是比较流行的企业级后端
|
 |
11
GrayXu 2024-07-24 11:22:47 +08:00
@CNYoki #2 就是后端问题，ollama 是依赖 llama.cpp 的吧，llama.cpp 只能模型并行，不能提升 token 速度。用 vllm 。
|
 |
12
clemente 2024-07-24 15:03:17 +08:00
开大 batch size
|
Select Language