阿里巴巴近期發(fā)布了其開源的混合推理大語言模型 (LLM) 通義千問 Qwen3，此次 Qwen3 開源模型系列包含兩款混合專家模型 (MoE)，235B-A22B（總參數(shù) 2,350 億，激活參數(shù) 220 億）和 30B-A3B，以及六款稠密 (Dense) 模型 0.6B、1.7B、4B、8B、14B、32B。

現(xiàn)在，開發(fā)者能夠基于 NVIDIA GPU，使用 NVIDIA TensorRT-LLM、Ollama、SGLang、vLLM 等推理框架高效集成和部署 Qwen3 模型，從而實現(xiàn)極快的詞元 (token) 生成，以及生產(chǎn)級別的應(yīng)用研發(fā)。

本文提供使用 Qwen3 系列模型的最佳實踐，我們會展示如何使用上述框架來部署模型實現(xiàn)高效推理。開發(fā)者可以根據(jù)他們的應(yīng)用場景需求來選擇合適的框架，例如高吞吐量、低延遲、或是 GPU 內(nèi)存占用 (GPU footprint)。

Qwen3 模型

Qwen3 是中國首個混合推理模型，在 AIME、LiveCodeBench、ArenaHard、BFCL 等權(quán)威評測集上均獲得出色的表現(xiàn)（信息來源于阿里巴巴官方微信公眾號）。Qwen3 提供的系列開源稠密和 MoE 模型在推理、指令遵循、Agent 能力、多語言支持等方面均大幅增強，是全球領(lǐng)先的開源模型。

大語言模型的推理性能對于

實時、經(jīng)濟高效的生產(chǎn)級部署至關(guān)重要

LLM 生態(tài)系統(tǒng)快速演進，新模型和新技術(shù)不斷更新迭代，需要一種高性能且靈活的解決方案來優(yōu)化模型。

推理系統(tǒng)設(shè)計頗具挑戰(zhàn)，要求也不斷提升，這些挑戰(zhàn)包括 LLM 推理計算預(yù)填充 (prefill) 和解碼 (decode) 兩個階段對于計算能力和顯存大小 / 帶寬的需求差異，超大尺寸模型并行分布式推理，海量并發(fā)請求，輸入輸出長度高度動態(tài)請求等。

目前在推理引擎上有許多優(yōu)化技術(shù)可用，包括高性能 kernel、低精度量化、Batch 調(diào)度、采樣優(yōu)化、KV 緩存 (KV cache) 優(yōu)化等等，選擇最適合自己應(yīng)用場景的技術(shù)組合需要耗費開發(fā)者大量精力。

NVIDIA TensorRT-LLM 提供了最新的極致優(yōu)化的計算 kernel、高性能 Attention 實現(xiàn)、多機多卡通信分布式支持、豐富的并行和量化策略等，從而在 NVIDIA GPU 上實現(xiàn)高效的 LLM 推理。此外，TensorRT-LLM 采用 PyTorch 的新架構(gòu)還提供了直觀、簡潔且高效的模型推理配置 LLM API，從而能夠兼顧極佳性能和靈活友好的工作流。

通過使用 TensorRT-LLM，開發(fā)者可以迅速上手先進的優(yōu)化技術(shù)，其中包括定制的 Attention kernel、連續(xù)批處理 (in-flight batching)、分頁 KV 緩存 (Paged KV cache)、量化 (FP8、FP4、INT4 AWQ、INT8 SmoothQuant)、投機采樣等諸多技術(shù)。

使用 TensorRT-LLM

運行 Qwen3 的推理部署優(yōu)化

下面以使用 Qwen3-4B 模型配置 PyTorch backend 為例，描述如何快捷進行基準測試以及服務(wù)化的工作。采用類似的步驟，也可以實現(xiàn) Qwen3 其他 Dense 和 MoE 模型的推理部署優(yōu)化。

1. 首先準備 benchmark 測試數(shù)據(jù)集合和 extra-llm-api-config.yml
配置文件：

python3 /path/to/TensorRT-LLM/benchmarks/cpp/prepare_dataset.py \\    --tokenizer=/path/to/Qwen3-4B \\    --stdout token-norm-dist --num-requests=32768 \\    --input-mean=1024 --output-mean=1024 \\    --input-stdev=0 --output-stdev=0 > /path/to/dataset.txtcat >/path/to/extra-llm-api-config.yml <

2. 通過 trtllm-bench 運行 benchmark 指令：

trtllm-bench \\      --model Qwen/Qwen3-4B \\      --model_path /path/to/Qwen3-4B \\      throughput \\      --backend pytorch \\      --max_batch_size 128 \\      --max_num_tokens 16384 \\      --dataset /path/to/dataset.txt \\      --kv_cache_free_gpu_mem_fraction 0.9 \\      --extra_llm_api_options /path/to/extra-llm-api-config.yml \\      --concurrency 128 \\      --num_requests 32768 \\      --streaming

相同 GPU 環(huán)境配置下，基于 ISL = 1K，OSL = 1K，相較 BF16 基準，Qwen3-4B 稠密模型使用 TensorRT-LLM 在 BF16 的推理吞吐（每秒生成的 token 數(shù)）加速比最高可達 16.04 倍。

圖 1：Qwen3-4B 稠密模型在 TensorRT-LLM BF16 與 BF16 基準的推理吞吐性能比較

該圖片來源于 NVIDIA Blog: Integrate and Deploy Tongyi Qwen3 Models into Production Applications with NVIDIA，若您有任何疑問或需要使用該圖片，請聯(lián)系 NVIDIA

3. 通過 trtllm-serve 運行 serve 指令：

trtllm-serve \\  /path/to/Qwen3-4B \\  --host localhost \\  --port 8000 \\  --backend pytorch \\  --max_batch_size 128 \\  --max_num_tokens 16384 \\  --kv_cache_free_gpu_memory_fraction 0.95 \\  --extra_llm_api_options /path/to/extra-llm-api-config.yml

4. 模型啟動成功后，便可通過標準 OpenAI API 進行模型推理調(diào)用。

curl -X POST "http://localhost:8000/v1/chat/completions" \\  -H "Content-Type: application/json" \\  --data '{    "model": "Qwen/Qwen3-4B",           "Max_tokens": 1024,           "Temperature": 0,    "messages": [      {        "role": "user",        "content": "What is the capital of France?"      }    ]  }'

使用 Ollama，SGLang，

vLLM 框架運行 Qwen3-4B

除了 TensorRT-LLM，Qwen 模型也可以使用諸如 Ollama，SGLang，vLLM 等框架，通過簡單幾步部署到 NVIDIA GPU。Qwen3 提供了多種模型可以運行在終端和設(shè)備上，例如 NVIDIA Jeston 以及適用于 Windows 開發(fā)者的 NVIDIA RTX。

使用 Ollama 在本地運行 Qwen3-4B：

1. 從以下網(wǎng)址下載和安裝最新版本的 Ollama: ollama.com/download。

2. 使用 ollama run 命令運行模型，此操作將加載并初始化模型用于后續(xù)與用戶交互。

ollama run qwen3:4b

3. 在用戶提示詞或系統(tǒng)消息中添加 /think（默認值）和 /no_think 可在模型的思考模式之間切換。運行 ollama run 命令后，可以直接在終端中使用以下的示例提示詞，來測試思考模式：

"Write a python lambda function to add two numbers" - Thinking mode enabled"Write a python lambda function to add two numbers /no_think" - Non-thinking mode

4. 參考 ollama.com/library/qwen3 查看更多模型變量，這些變量基于 NVIDIA GPU 完成了優(yōu)化。

使用 SGLang 運行 Qwen3-4B：

1. 安裝 SGLang 庫

pip install "sglang[all]"

2. 下載模型，在這個演示中，我們使用的是 Hugging Face 上的 huggingfaceCLI 命令提示符執(zhí)行，請注意需要提供一個 API key 來下載模型。

huggingface-cli download --resume-download Qwen/Qwen3-4B --local-dir ./

3. 加載和運行模型，請注意，根據(jù)不同的需求，可以傳遞額外的參數(shù)。更多詳細信息可以參考相關(guān)文檔。

python -m sglang.launch_server \\       --model-path /ssd4TB/huggingface/hub/models/ \\  --trust-remote-code \\  --device "cuda:0" \\  --port 30000 \\  --host 0.0.0.0

4. 調(diào)用模型推理

curl -X POST "http://localhost:30000/v1/chat/completions" \\  -H "Content-Type: application/json" \\  --data '{    "model": "Qwen/Qwen3-4B",    "messages": [      {        "role": "user",        "content": "What is the capital of France?"      }    ]  }'

使用 vLLM 運行 Qwen3-4B：

1. 安裝 vLLM 庫

pip install vllm

2. 通過 vllm serve 加載和運行模型，請注意，根據(jù)不同的需求，可以傳遞額外的參數(shù)。更多詳細信息可以參考相關(guān)文檔。

vllm serve "Qwen/Qwen3-4B" \\ --tensor-parallel-size 1 \\ --gpu-memory-utilization 0.85 \\ --device "cuda:0" \\ --max-num-batched-tokens 8192 \\ --max-num-seqs 256

3. 調(diào)用模型推理

curl -X POST "http://localhost:8000/v1/chat/completions" \\  -H "Content-Type: application/json" \\  --data '{    "model": "Qwen/Qwen3-4B",    "messages": [      {        "role": "user",        "content": "What is the capital of France?"      }    ]  }'

總結(jié)

僅通過幾行代碼，開發(fā)者即可通過包括 TensorRT-LLM 在內(nèi)的流行推理框架來使用最新的 Qwen 系列模型。

此外，對模型推理和部署框架的技術(shù)選型需要考慮到諸多關(guān)鍵因素，尤其是在把 AI 模型部署到生產(chǎn)環(huán)境中時，對性能、資源和成本的平衡。

作者

Ankit Patel

NVIDIA 資深總監(jiān)，負責(zé)軟件開發(fā)工具包、應(yīng)用程序編程接口以及開發(fā)者工具方面的開發(fā)者拓展工作。2011 年作為 GPU 產(chǎn)品經(jīng)理加入 NVIDIA，之后從事虛擬化、光線追蹤和 AI 等產(chǎn)品在軟件產(chǎn)品管理方面的工作。Ankit 畢業(yè)于康考迪亞大學(xué) (Concordia University)，獲計算機科學(xué)學(xué)士學(xué)位，并在康奈爾大學(xué) (Cornell University) 取得工商管理碩士學(xué)位 (MBA)。

劉川

NVIDIA 解決方案架構(gòu)經(jīng)理，整體負責(zé)中國區(qū)云計算行業(yè) GPU 解決方案。于南京大學(xué)獲計算機科學(xué)與技術(shù)專業(yè)碩士學(xué)位。帶領(lǐng)團隊主要從事大語言模型、生成式 AI 以及搜索推薦等重點 AI 任務(wù)的 GPU 適配、優(yōu)化和加速方案的設(shè)計、部署和落地，幫助多家頭部互聯(lián)網(wǎng)公司在諸多業(yè)務(wù)中大幅降本增效。

金國強

NVIDIA 資深解決方案架構(gòu)師，主要負責(zé)深度學(xué)習(xí)生成式 AI 領(lǐng)域模型訓(xùn)練、推理優(yōu)化以及大模型開發(fā)與應(yīng)用云端落地等技術(shù)方向合作。

郝尚榮

NVIDIA 深度學(xué)習(xí)解決方案架構(gòu)師，2021 年加入 NVIDIA 解決方案架構(gòu)團隊，主要從事模型推理優(yōu)化加速的工作，目前主要支持國內(nèi) CSP 客戶在大語言模型推理加速的工作。

谷鋆

NVIDIA 深度學(xué)習(xí)解決方案架構(gòu)師，于 2022 年加入 NVIDIA 解決方案架構(gòu)師團隊，專門為國內(nèi) CSP 進行 LLM 模型推理優(yōu)化。

高慧怡

NVIDIA 深度學(xué)習(xí)解決方案架構(gòu)師，2020 年加入 NVIDIA 解決方案架構(gòu)團隊，從事深度學(xué)習(xí)應(yīng)用在異構(gòu)系統(tǒng)的加速工作，目前主要支持國內(nèi) CSP 客戶在大語言模型的訓(xùn)練加速工作。