qqtang/sskj
1
2
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
sskj/README.md
Quantong Qiu 5e864d2393 !13 [Feat] apply validated deployment capacity caps 
Merge pull request !13 from Zhiyi Hong/auto/main/11665927/494ca4a8-1
2026-07-21 05:26:41 +00:00

10 KiB
Raw Blame History

sskj — 多平台大模型推理性能基准测试项目

更新（2026-07-21 11:39:51 +0800）

  • 全量 TP×DP matrix 统一按《模型部署容量参数统计表》显式传入上下文上限、活跃请求上限和显存比例，避免不同引擎/机器因默认值漂移而产生不可比结果。
  • H20 DSV4-Flash 固定为 1M context、256 活跃请求；RTX 6000D DSV4-Flash 固定为 128K，vLLM 为 128 活跃请求，SGLang 仅测试 TP4/DP2 与 TP8/DP1、为 64 活跃请求；P800 DSV4-Flash 固定为 64K context 且跳过不可部署的 TP2/DP4；H20 GLM-5.2 仅测试 TP8/DP1、固定为 256K/128。

更新（2026-07-20 17:55:20 +0800）

  • H20 SGLang TPxDP matrix 默认传入 --cuda-graph-max-bs-decode 128，使高并发 decode 在 batch 不超过 128 时持续使用 CUDA Graph；Docker 与 native 启动入口均已覆盖。

更新（2026-07-20 17:25:40 +0800）

  • RTX 6000D 的 SGLang DSV4-Flash 默认传入 --cuda-graph-max-bs-decode 16，避免 SM120 sparse MLA 在大 batch CUDA Graph 预捕获时 OOM。该参数仅限制预捕获图的 decode batch 上限，不限制服务的 max-running-requests 或 benchmark 并发；其他平台默认不受影响。
  • H20、RTX 6000D、P800 的配置不再硬编码 sskj 仓库绝对路径：仓库内的环境、数据集、缓存和 P800 patch 均通过共享的 ${ROOT_DIR} 推导，仓库迁移后无需逐个修改路径。

更新（2026-07-20，PR 自动化测试）

  • 仅用于验证 Gitee 受保护分支的自动 Pull Request 创建与评审流程；不修改实验代码、配置或结果口径。

更新（2026-07-20，903084c）

  • RTX 6000D 的 SGLang DSV4-Flash 默认传入 --cuda-graph-max-bs-decode 16，避免 SM120 sparse MLA 在大 batch CUDA Graph 预捕获时 OOM。该参数仅限制预捕获图的 decode batch 上限，不限制服务的 max-running-requests 或 benchmark 并发；其他平台默认不受影响。
  • H20 / RTX 6000D 的 TPxDP matrix baseline 不再显式限制模型上下文或服务内并发：vLLM 使用默认 max-model-len / max-num-seqs，SGLang 使用默认 context-length / max-running-requests。
  • SGLang 固定使用 --moe-runner-backend marlin；vLLM 保持框架默认 MoE backend。
  • run_adaptive_concurrency_add16.sh 在首点 OOM 时会重启服务并按 C=16 -> 8 -> 1 回退；仅 H20 / RTX 6000D matrix 默认开启，H200 / P800 保持原行为。
  • RTX 6000D 旧 SGLang 结果使用 262K context cap，超过该范围或 C>32 的点不可与新 baseline 混用；请使用新的 RUN_ID 重跑受影响场景。

项目目的：当新显卡（GPU/NPU）到货时，用最短时间完成大模型在该平台上的推理性能评估与部署配置选型。 当前模型：DeepSeek-V4-Flash（FP8 / INT8）；后续接入 GLM5.2，完全复用本项目的实验与报告流程。 新平台接入 SOP：docs/NEW_PLATFORM_GUIDE.md。

这个项目解决什么问题

  1. 新卡快速评估：新平台到货后，按 SOP 复制实验目录、改少量配置，即可跑起与既有平台口径一致的 benchmark，横向可比。
  2. 部署配置选型：通过 TP×DP 并行矩阵 + 自适应并发搜索，回答"该平台上哪种并行配置在什么并发下满足 SLO、吞吐最高"。
  3. 数据资产化：每轮实验产出结构化结果（jsonl/csv/manifest），汇总成飞书性能报告并回填多维表格，形成可检索的历史数据库。

标准工作流（全流程）

① 跑实验        experiments/<platform>/<experiment>/run_adaptive_concurrency*.sh
                └─ 公共搜索逻辑: scripts/common/adaptive_bench_lib.sh
② 落盘          adaptive_results/<run_id>/
                └─ adaptive_points.jsonl / adaptive_shapes.jsonl / adaptive_summary.* / run_manifest.json
③ 分析          用 Python 从 jsonl 实算（禁止目测），SLO 口径见 docs/SLO_STANDARDS.md
④ 飞书报告      按飞书 wiki「性能报告编写指南（README）」写到「显卡性能报告/<平台>」节点下
⑤ 回填多维表格  飞书「模型推理适配 Bench 迭代跟踪」：每成功探测点一行
  • SLO 口径（S2 层，DSV4-Flash / GLM5.2 均适用）：TTFT P95 < 3s，TPOT P95 < 50ms，严格小于。详见 docs/SLO_STANDARDS.md。
  • 报告编写规范（章节骨架、分析口径、发布流程）以飞书 wiki「显卡性能报告 / 性能报告编写指南（README）」为准。
  • 多维表格每行 = 一个成功探测点（config、Concurrency、Throughput、Input/Output TPS、TTFT/TPOT/E2E P95、SLO达标状态、开发文档链接）。

目录结构

platforms/                # 平台配置（每平台一个 .env）+ 平台补丁（patches/）
scripts/common/           # 跨实验复用的编排组件（见下）
experiments/              # 实验目录（三层结构）
├── TEMPLATE/             # 老式固定场景对比实验模板（sglang vs vllm）
├── h20/                  # NVIDIA H20 96GB
├── h200/                 # NVIDIA H200 143GB
├── p800/                 # Kunlun P800 XPU
└── pro6000/              # NVIDIA RTX 6000D
docs/                     # 规范与指南（SLO、实验规范、新卡接入）
envs/                     # 环境搭建文档（具体 venv 不提交，见 .gitignore）
datasets/                 # benchmark 数据集（不提交）
BENCHMARK_WORKFLOW.md     # 结果目录与命名规范、results.json schema

scripts/common/ 组件

文件 职责
lib.sh 日志、health check、metadata JSON 生成
platform.sh 平台自动探测并加载 platforms/<chip>.env
adaptive_bench_lib.sh 自适应并发搜索核心库（引擎无关，靠 5 个 engine_* 回调注入平台逻辑）
adaptive_concurrency.py 上者的 Python 助手（shapes 生成、结果解析、汇总）
parse_backend.py 固定并发实验：raw jsonl → results.json + report.md
compare.py SGLang vs vLLM 横向对比表（老式实验用）
warmup.py 服务预热
server_docker.sh / bench_client_docker.sh P800 专用 Docker 服务端/客户端生命周期
adaptive_heartbeat.sh 长跑实验的心跳监控（手动独立运行）

实验索引

TP/DP matrix + 自适应并发（当前主流形态）

实验 说明
experiments/h20/dsv4_h20_vllm_tp_dp_matrix/ H20 + vLLM，TP2/DP4、TP4/DP2、TP8/DP1
experiments/h20/dsv4_h20_sglang_tp_dp_matrix/ H20 + SGLang，同上
experiments/h200/dsv4_h200_vllm_tp_dp_matrix/ H200 + vLLM
experiments/h200/dsv4_h200_sglang_tp_dp_matrix/ H200 + SGLang
experiments/p800/dsv4_p800_sglang_tp_dp_matrix/ P800 + SGLang（INT8；TP2/DP4 启动 OOM 无数据，见 config.env 注释）
experiments/pro6000/dsv4_pro6000_vllm_tp_dp_matrix/ RTX 6000D + vLLM
experiments/pro6000/dsv4_pro6000_sglang_tp_dp_matrix/ RTX 6000D + SGLang

每个目录内：run_bench.sh 跑固定并发矩阵；run_adaptive_concurrency.sh 从 C=1 指数倍增搜饱和点；run_adaptive_concurrency_add16.sh 从 C=16 线性 +16 步进、带 TTFT SLO 停止与回退（当前主力用法，见 experiments/ADAPTIVE_CONCURRENCY_USAGE.md）。

其他实验（H200 老形态 & 专项）

实验 说明
experiments/h200/dsv4_h200_sglang/ …/dsv4_h200_vllm/ H200 单引擎 baseline
experiments/h200/dsv4_h200_sglang_vs_vllm/ H200 引擎控制变量对比
experiments/h200/dsv4_h200_dspark/ …/dsv4_h200_vllm_dspark_vs_default/ DSpark 投机解码相关
experiments/h200/dsv4_h200_vllm_mtp_vs_default/ vLLM MTP 对比
experiments/h200/dsv4_h200_vllm_tp{2,4,8}_custom_bench/ 自定义压测客户端（多服务负载均衡）
experiments/h200/dsv4_h200_max_context_length/ …/dsv4_h200_long_context_matrix/ …/dsv4_h200_256k_4k_probe/ …/dsv4_h200_64k_sglang_vs_vllm/ 长上下文专项
experiments/p800/dsv4_p800_sglang/ …/dsv4_p800_max_context_length/ …/dsv4_p800_long_context_matrix/ …/dsv4_p800_256k_4k_probe/ P800 baseline 与长上下文专项
experiments/TEMPLATE/ 老式固定场景实验模板

快速复现

以 H20 vLLM 自适应并发搜索为例（其他平台同理，换目录即可）：

# 1. dry-run：只打印搜索计划，不加载模型
cd experiments/h20/dsv4_h20_vllm_tp_dp_matrix
DRY_RUN=1 bash run_adaptive_concurrency_add16.sh

# 2. 单组合冒烟：只测 TP=8、1K/128，并发上限 8
RUN_ID=smoke-$(date +%Y%m%d-%H%M%S) \
TP_LIST="8" ISL_LIST="1024" OSL_LIST="128" GRID_LIMIT=1 SEARCH_MAX_CONCURRENCY=8 \
bash run_adaptive_concurrency_add16.sh

# 3. 正式跑（放 tmux）
tmux new-session -d -s h20-vllm-adaptive \
  "cd $(pwd) && bash run_adaptive_concurrency_add16.sh"

更多用法（断点续跑 RESUME_RUN_ID、常用覆盖参数）见 experiments/ADAPTIVE_CONCURRENCY_USAGE.md。

新平台 / 新模型接入

  • 新显卡：按 docs/NEW_PLATFORM_GUIDE.md 执行，核心动作是复制 experiments/h20/dsv4_h20_<engine>_tp_dp_matrix、改 config.env / adaptive_config.env / matrix.json 三件套，再加 platforms/<chip>.env。
  • 新模型（GLM5.2）：复用同一实验目录结构，新增 experiments/<platform>/glm52_<platform>_<engine>_tp_dp_matrix/，改模型路径、量化与引擎启动参数即可；SLO 口径、报告流程、多维表格结构不变。

环境要求

  • 公共：bash、Python 3、sglang.bench_serving 压测客户端（Docker 或 venv）；绘图分析用 envs/charts/（matplotlib）。
  • 各平台的镜像 / venv / 模型路径见对应实验目录的 config.env 与 platforms/<chip>.env；模型与数据集路径是机器相关的，换机器时按实际路径调整。
  • 环境搭建规范见 envs/README.md 与 envs/UV_ENV_SETUP.md。

注意事项

  • 提交内容：实验代码 + 最终产物（results.json / report.md / adaptive 的 jsonl 与 summary）；日志、raw_outputs、gpu_logs 不入库（.gitignore 已排除）。
  • 仓库会clone到多台机器，实验脚本内引用公共组件一律用 ${SCRIPT_DIR}/../../../scripts/common（TEMPLATE 为 ../../），不要写绝对路径。