test-model-qwen3-8b-gsm8k-scenarios

Qwen3-8B 多场景 GSM8K 回归

同一 MODEL_DIR（Qwen3-8B 权重） 下，按 七种 api_server 配置 依次各跑一轮：启动服务 → 端口与日志就绪 → lm_eval。场景 5、6、7 在相同服务配置下 lm_eval 连续执行两次（缓存预热与命中后效率/精度对照，与历史脚本注释一致）。

端口：固定 8089（与 --port、lm_eval 的 base_url 一致；不作为环境变量）。

评测：lm_eval，tasks gsm8k，batch_size 500，model：qwen/qwen3-8b。tokenizer 与 MODEL_DIR 须为同一目录路径。

场景总览

算力说明：历史脚本使用 CUDA_VISIBLE_DEVICES 指向 2 张卡；场景 4–7 含 --dp 2。执行前须结合 nvidia-smi 与 LightLLM 对 tp/dp 的资源说明 确认本机 GPU 数与映射是否满足；不满足时 向用户询问 正确启动方式，不要盲试。

日志目录（含 summary.txt）

• 每个场景使用独立 LOG_DIR。
• api_server → "${LOG_DIR}/server.log"（推荐 nohup … >> … 2>&1 &）。
• lm_eval：第一次 "${LOG_DIR}/eval_gsm8k.log"；第二次（场景 5–7）"${LOG_DIR}/eval_gsm8k_run2.log"。
• summary.txt：本场景完整启动参数、lm_eval 摘要、端口与日志就绪情况、两轮评测说明（若适用）、结论与失败原因。

启动前检查

1. 显卡：nvidia-smi 后 export CUDA_VISIBLE_DEVICES；不要写死卡号；--tp / --dp 与卡数须匹配本机规范。
2. 端口：每轮前确认 8089 空闲；上一轮结束后 终止 api_server 再启下一轮。
3. MODEL_DIR：见 「路径约定」；test -d "${MODEL_DIR}"。
4. DISK_CACHE_DIR（仅场景 7）：见 「路径约定」；mkdir -p 后须可写。
5. 代理：api_server / lm_eval 前 置空 http_proxy / https_proxy；lm_eval 配置 no_proxy（见评测块）。

路径约定（MODEL_DIR 与 DISK_CACHE_DIR）

• MODEL_DIR：首轮试跑默认 /mtc/models/qwen3-8b。若目录不存在或加载失败，向用户询问 本机正确路径；--model_dir 与 lm_eval 的 tokenizer 保持一致。
• DISK_CACHE_DIR（场景 7）：默认 /mtc/test/tmp/；不可写或不存在时 向用户询问 可写目录；summary.txt 记录最终路径。

可变项

开跑前导出示例：

export LOG_DIR='〈本场景日志目录〉'
export MODEL_DIR='/mtc/models/qwen3-8b'
export DISK_CACHE_DIR='/mtc/test/tmp/'
export BIND_URL_HOST='127.0.0.1'
# export CUDA_VISIBLE_DEVICES='6,7'

服务就绪判定

不要使用 HTTP health 作为唯一依据。结合 8089 是否 LISTEN 与 server.log；可约 每 20 秒 查看一次直至可评测或确认失败。

lm_eval 命令模板（单次）

export http_proxy=
export https_proxy=

export no_proxy=localhost,127.0.0.1,0.0.0.0,::1,${BIND_URL_HOST}

HF_ALLOW_CODE_EVAL=1 HF_DATASETS_OFFLINE=0 \
lm_eval --model local-completions \
  --model_args "{\"model\":\"qwen/qwen3-8b\", \"base_url\":\"http://${BIND_URL_HOST}:8089/v1/completions\", \"max_length\": 16384, \"tokenizer\":\"${MODEL_DIR}\"}" \
  --tasks gsm8k --batch_size 500 --confirm_run_unsafe_code \
  >> "${LOG_DIR}/eval_gsm8k.log" 2>&1

场景 5–7 第二次：将重定向改为 >> "${LOG_DIR}/eval_gsm8k_run2.log" 2>&1。

各场景 api_server 命令模板

以下省略 export http_proxy= / export https_proxy=、LOADWORKER=18、CUDA_VISIBLE_DEVICES、nohup 与 >> "${LOG_DIR}/server.log" 2>&1 &；实际执行时与其它 acc skill 一致自行补全。

场景 1：基线

python -m lightllm.server.api_server \
  --model_dir "${MODEL_DIR}" \
  --tp 2 \
  --port 8089

场景 2：FP8 量化（vllm-fp8w8a8）

python -m lightllm.server.api_server \
  --model_dir "${MODEL_DIR}" \
  --tp 2 \
  --port 8089 \
  --quant_type vllm-fp8w8a8

场景 3：TP-SP 混合

python -m lightllm.server.api_server \
  --model_dir "${MODEL_DIR}" \
  --tp 2 \
  --port 8089 \
  --enable_tpsp_mix_mode

场景 4：TP-SP + DP2 + DP prefill 均衡

python -m lightllm.server.api_server \
  --model_dir "${MODEL_DIR}" \
  --tp 2 \
  --dp 2 \
  --port 8089 \
  --enable_tpsp_mix_mode \
  --enable_dp_prefill_balance

场景 5：CPU Cache（lm_eval 两次）

python -m lightllm.server.api_server \
  --model_dir "${MODEL_DIR}" \
  --tp 2 \
  --dp 2 \
  --port 8089 \
  --max_total_token_num 200000 \
  --enable_cpu_cache \
  --cpu_cache_storage_size 128 \
  --cpu_cache_token_page_size 128

场景 6：CPU Cache + INT8 KV（lm_eval 两次）

python -m lightllm.server.api_server \
  --model_dir "${MODEL_DIR}" \
  --tp 2 \
  --dp 2 \
  --port 8089 \
  --max_total_token_num 200000 \
  --enable_cpu_cache \
  --cpu_cache_storage_size 128 \
  --cpu_cache_token_page_size 128 \
  --llm_kv_type int8kv

场景 7：Disk Cache（lm_eval 两次）

与历史脚本一致：在 python 前加 LIGHTLLM_DISK_CACHE_PROMPT_LIMIT_LENGTH=128。

LIGHTLLM_DISK_CACHE_PROMPT_LIMIT_LENGTH=128 \
python -m lightllm.server.api_server \
  --model_dir "${MODEL_DIR}" \
  --tp 2 \
  --dp 2 \
  --port 8089 \
  --max_total_token_num 200000 \
  --enable_cpu_cache \
  --cpu_cache_storage_size 64 \
  --cpu_cache_token_page_size 128 \
  --enable_disk_cache \
  --disk_cache_storage_size 256 \
  --disk_cache_dir "${DISK_CACHE_DIR}"

执行约定

1. 顺序：1 → 7 严格递增；每步 新 LOG_DIR，先停旧服务。
2. 场景 5–7：lm_eval 各执行两次，并在 summary.txt 说明 run1 / run2 目的。
3. MODEL_DIR / DISK_CACHE_DIR：遵循 「路径约定」。
4. 收尾：全部结束后释放进程、端口与 GPU。