test-model-qwen3-8b-pd-nixl

Qwen3-8B PD 分离（pd_master + prefill + decode）本地 GSM8K 评测

测试标识：同一 --model_dir（Qwen3-8B）下拆 三条 api_server 进程——调度/入口（pd_master）、prefill 节点、decode 节点；评测 lm_eval 只访问 pd_master 的 HTTP 端口（8089）。默认使用 NIXL 传输；需要验证 NCCL 数据面时，设置 LIGHTLLM_PD_KV_TRANSPORT_BACKEND=nccl，上层仍保持相同的 prefill / decode 管理路径。

端口约定：pd_master：8089；prefill：8001；decode：8002。启动与就绪探测须覆盖这三处（以及日志中的 PD 注册/报错信息）。

绑定 IP（HOST / PD_MASTER_IP）：各进程的 --host 表示 本服务监听绑定的 IP。当 pd_master、prefill、decode 部署在同一台机器上时，三者使用的绑定 IP 相同：可 export HOST="${PD_MASTER_IP}"；lm_eval 的 base_url 仍指向 pd_master。

整轮产物落在同一日志目录，写入 summary.txt 与各进程日志；不要写聚合启动脚本，按「启动说明」逐条手动启动并在后台落盘。

日志目录（含 summary.txt）

• 每次评测先选定或新建一个日志目录（例如带时间戳或任务名），与其它测试轮次分开。
• 三个 api_server 的标准输出/错误分别写入该目录，建议命名：pd_master.log、prefill.log、decode.log（文件名可沿用习惯，与 NCCL 测试一致便于对比）。
• summary.txt 固定放在该日志目录下，汇总：三台进程的启动参数摘要、端口与就绪情况、UCX 配置要点、check_nvidia_peermem.sh 输出、MPS 是否开启、KV 传输指标、lm_eval 关键结果、失败原因与最终结论。
• eval_gsm8k.log：lm_eval 终端输出；curl_warmup.log：测试前 curl 打 pd_master 的留档（建议）；summary.txt 仍为总览结论。

启动说明

本节包含：启动前检查 → 可变项说明 → 显卡分配 → UCX → 按顺序三条完整 server 命令 → curl warmup → 评测命令。

启动前检查

1. 显卡：prefill / decode 各需 2 张物理 GPU（--tp 2），共 4 张互不重复。不要写死卡号：先 nvidia-smi（见「显卡分配」），再 export PREFILL_CUDA_DEVICES、DECODE_CUDA_DEVICES。
2. 端口：8089、8001、8002 均须未被占用。
3. 网络 / IP：HOST 与 PD_MASTER_IP 约定同 NCCL PD skill；单机三进程 export HOST="${PD_MASTER_IP}"。
4. 代理：启动 任一 server 前将 http_proxy / https_proxy 置空；评测使用 no_proxy（见评测命令）。
5. RDMA / UCX：prefill 与 decode 进程在启动 Python 前须设置 UCX_NET_DEVICES（及可选 UCX_LOG_LEVEL、UCX_TLS），取值依赖本机 ibv_devinfo 与机房拓扑（见「UCX / RDMA」）；不要默认照抄他机上的设备名或排除列表。
6. nvidia_peermem：bash skills/test_model/qwen3-8b-pd-nixl/check_nvidia_peermem.sh >> "${LOG_DIR}/summary.txt"；失败按脚本提示 modprobe 后重启服务（跨机各节点都要做）。
7. CUDA MPS（强烈建议，见下节）：要达到 PD KV 拷贝与 batch 评测最佳性能，须在启动 api_server 之前在本机启用 NVIDIA MPS。未开 MPS 时功能通常仍可用，但易出现 read_page_gpu_time 数十秒级毛刺、lm_eval 单 batch 近百秒；summary.txt 须写明 MPS 是否已开启及验证方式。

启动服务的命令模板（可变项）

开跑前导出示例：

export LOG_DIR='〈日志根目录〉'
export MODEL_DIR='〈Qwen3-8B 模型目录〉'
export PD_MASTER_IP='〈本机绑定 IP〉'
export HOST="${PD_MASTER_IP}"
export UCX_NET_DEVICES='〈按 ibv_devinfo 填写，逗号分隔 port :1〉'
export UCX_LOG_LEVEL=info
export UCX_TLS=rc,cuda,gdr_copy

显卡分配（nvidia-smi + 人工/Agent 决策，不用复杂脚本）

prefill、decode 各 2 张 GPU，共 4 张互不重复。需要验证 NCCL 数据面时，额外设置 LIGHTLLM_PD_KV_TRANSPORT_BACKEND=nccl。

1. 执行 nvidia-smi（可选用 --query-gpu=index,name,memory.used,memory.free --format=csv）。
2. 由执行者选定哪 2 张给 prefill、哪 2 张给 decode（不重叠）。
3. export PREFILL_CUDA_DEVICES='…','…'、export DECODE_CUDA_DEVICES='…','…'。
4. 将选卡依据记入 summary.txt。

禁止：为选卡编写 awk / mapfile / 长段 bash 自动化；以 nvidia-smi 事实 + 明确决策为准。

UCX / RDMA（默认 NIXL 传输）

• UCX_NET_DEVICES：须覆盖本进程要用的 RDMA 设备；是否排除某些 HCA（例如数据面网卡）由本机拓扑决定，在 summary.txt 中写明依据。
• UCX_TLS：常见 rc,cuda,gdr_copy；若环境不支持再按报错调整。
• IB 传 GPU KV 需加载内核模块 nvidia_peermem（检测：skills/test_model/qwen3-8b-pd-nixl/check_nvidia_peermem.sh）。

要达到最优性能：须开启 MPS

如果用户没有特别说明要开启 mps，测试的时候可以不开启。

1. 在启动任意 api_server 之前，按机房规范启动 MPS（示例，以本集群文档为准）：

# 确认无其它任务占用目标 GPU 后再执行；具体参数问运维
export CUDA_VISIBLE_DEVICES="${PREFILL_CUDA_DEVICES},${DECODE_CUDA_DEVICES}"  # 或整机 MPS，按规范
nvidia-cuda-mps-control -d
# 验证：nvidia-smi 应出现 nvidia-cuda-mps-server，且各 GPU 有少量固定占用

2. 验证 MPS 已生效（写入 summary.txt）：

nvidia-smi --query-compute-apps=pid,process_name --format=csv | grep -i mps || true
pgrep -a mps-control || pgrep -a cuda-mps

1）启动 pd_master（须最先就绪监听）

export http_proxy=
export https_proxy=

nohup python -m lightllm.server.api_server \
  --model_dir "${MODEL_DIR}" \
  --run_mode pd_master \
  --host "${PD_MASTER_IP}" \
  --port 8089 \
  >> "${LOG_DIR}/pd_master.log" 2>&1 &

2）启动 prefill 节点

须在 pd_master 就绪后再启动。启动前已完成 nvidia-smi 决策并 export PREFILL_CUDA_DEVICES，且已设置 UCX。

export http_proxy=
export https_proxy=

LOADWORKER=18 CUDA_VISIBLE_DEVICES="${PREFILL_CUDA_DEVICES}" \
nohup python -m lightllm.server.api_server \
  --model_dir "${MODEL_DIR}" \
  --run_mode prefill \
  --tp 2 \
  --dp 1 \
  --host "${HOST}" \
  --port 8001 \
  --disable_cudagraph \
  --pd_master_ip "${PD_MASTER_IP}" \
  --pd_master_port 8089 \
  >> "${LOG_DIR}/prefill.log" 2>&1 &

（若需显式传入 UCX，可在同一 shell 中于本块之前 export UCX_NET_DEVICES 等；nohup 会继承当前 shell 的环境变量。）

3）启动 decode 节点

启动前 export DECODE_CUDA_DEVICES，并确保 UCX 已设置。

export http_proxy=
export https_proxy=
export no_proxy=localhost,127.0.0.1,0.0.0.0,::1,${PD_MASTER_IP}

LOADWORKER=18 CUDA_VISIBLE_DEVICES="${DECODE_CUDA_DEVICES}" \
nohup python -m lightllm.server.api_server \
  --model_dir "${MODEL_DIR}" \
  --run_mode decode \
  --tp 2 \
  --dp 1 \
  --host "${HOST}" \
  --port 8002 \
  --pd_master_ip "${PD_MASTER_IP}" \
  --pd_master_port 8089 \
  >> "${LOG_DIR}/decode.log" 2>&1 &

测试前 curl warmup（须执行，再走 lm_eval）

PD 链路在首次真实推理前易出现冷启动与传输路径问题。在跑 lm_eval 正式评测之前，必须先对 pd_master 的 /v1/completions 发 至少一次 HTTP 请求，确认返回 2xx 且响应体含正常 completion（再走长评测）。

1. 时机：prefill 与 decode 均已启动，且日志显示已与 pd_master 建立 PD 链路后再执行（可与端口 listen、日志轮询结合判断）。
2. 代理：执行 curl 前同样 export http_proxy= / export https_proxy=；若评测机对 PD_MASTER_IP 走代理会失败，可对本次 shell 设置 no_proxy（与下文 lm_eval 一致，须包含 ${PD_MASTER_IP}）。
3. 记录：将 curl 使用的命令、HTTP 状态码、若失败则错误摘要 写入 summary.txt；成功后再启动 lm_eval。

示例（model 与 lm_eval 中 model 字段保持一致，一般为 qwen/qwen3-8b；可按需改 prompt / max_tokens）：

export http_proxy=
export https_proxy=
export no_proxy=localhost,127.0.0.1,0.0.0.0,::1,${PD_MASTER_IP}

curl -sS -w "\nhttp_code:%{http_code}\n" -X POST "http://${PD_MASTER_IP}:8089/v1/completions" \
  -H "Content-Type: application/json" \
  -d "{\"model\":\"qwen/qwen3-8b\",\"prompt\":\"warmup\",\"max_tokens\":32}" \
  | tee "${LOG_DIR}/curl_warmup.log"

• 期望 http_code:200（或环境约定的成功码）；非 2xx 时先查 pd_master.log / prefill.log / decode.log，不要直接开大批量 lm_eval。
• 可将 curl 输出保留为 curl_warmup.log（如上），便于与 eval_gsm8k.log 对照。

评测命令（curl warmup 成功后执行）

base_url 指向 pd_master；tokenizer 与 MODEL_DIR 一致：

export http_proxy=
export https_proxy=

HF_ALLOW_CODE_EVAL=1 HF_DATASETS_OFFLINE=0 \
no_proxy=localhost,127.0.0.1,0.0.0.0,::1,${PD_MASTER_IP} \
lm_eval --model local-completions \
  --model_args "{\"model\":\"qwen/qwen3-8b\", \"base_url\":\"http://${PD_MASTER_IP}:8089/v1/completions\", \"max_length\": 16384, \"tokenized_requests\": false, \"tokenizer\":\"${MODEL_DIR}\"}" \
  --tasks gsm8k --batch_size 64 --confirm_run_unsafe_code \
  >> "${LOG_DIR}/eval_gsm8k.log" 2>&1

• 若需 lm_eval 侧再跑一次小样本，可加 --limit 1；不能替代上文 curl warmup。
• 若需先用代理下载 lm_eval 缓存，见「执行约定」。

执行约定

模型目录：首轮可 export MODEL_DIR=/mtc/models/qwen3-8b；路径报错时由用户提供本机 MODEL_DIR。

1. 启动顺序：bash skills/test_model/qwen3-8b-pd-nixl/check_nvidia_peermem.sh >> "${LOG_DIR}/summary.txt" → pd_master → nvidia-smi + export 四卡 → 设置 UCX → prefill → decode → curl warmup（须成功） → lm_eval。
2. 不要用 health 接口作为唯一依据；结合 端口 listen 与 pd_master.log / prefill.log / decode.log。
3. 约每 20 秒查看日志直至就绪或报错；异常写入 summary.txt。
4. summary.txt：记录启动摘要、PREFILL_CUDA_DEVICES / DECODE_CUDA_DEVICES 与选卡依据、UCX_NET_DEVICES 等、curl warmup 结果（或 curl_warmup.log 路径）、评测关键输出、最终结论。
5. 结束后关闭 pd_master、prefill、decode 相关进程。
6. 当用户说明是压测的时候，将lmeval 的 --batch_size 修改为 500
7. 发现 connetion to pd_master has error 错误的时候，可以先容忍一会，这种网络状态错误有时是可以自行恢复的。

输出文件

• summary.txt、pd_master.log、prefill.log、decode.log、curl_warmup.log（建议）、eval_gsm8k.log 均落在同一 LOG_DIR。