在 GKE 上使用 vLLM 執行 gpt-oss-120b 推論

本教學課程說明如何使用 vLLM 架構，部署及提供gpt-oss-120b 語言模型。您會在 Google Kubernetes Engine (GKE) Autopilot 叢集上部署這個模型，並使用單一 A4 虛擬機器 (VM)，其中包含 8 個 B200 GPU。

重要事項： 如要完成本教學課程，您必須先預留容量，才能建立 A4 VM。如要進一步瞭解如何預訂 AI Hypercomputer 的容量，請參閱「選擇計費模式」一文。

本教學課程的適用對象為機器學習 (ML) 工程師、平台管理員和操作員，以及有興趣使用 Kubernetes 容器自動化調度管理功能處理推論工作負載的資料和 AI 專家。

目標

1. 使用 Hugging Face 存取 gpt-oss-120b。
2. 準備環境。
3. 在 Autopilot 模式中建立 GKE 叢集。
4. 建立 Hugging Face 憑證的 Kubernetes 密鑰。
5. 建立 Cloud Storage bucket。
6. 將模型下載至 Cloud Storage bucket。
7. 將 vLLM 容器部署至 GKE 叢集。
8. 使用 curl 與 gpt-oss 語言模型互動。
9. 清除所用資源。

費用

本教學課程使用 Google Cloud的計費元件，包括：

• GKE 定價
• Cloud GPU 定價

如要根據預測用量估算費用，請使用 Pricing Calculator。

事前準備

登入 Google Cloud 帳戶。如果您是 Google Cloud新手，歡迎 建立帳戶，親自評估產品在實際工作環境中的成效。新客戶還能獲得價值 $300 美元的免費抵免額，可用於執行、測試及部署工作負載。

安裝 Google Cloud CLI。

若您採用的是外部識別資訊提供者 (IdP)，請先使用聯合身分登入 gcloud CLI。

執行下列指令，初始化 gcloud CLI：

gcloud init

建立或選取 Google Cloud 專案。

選取或建立專案所需的角色

• 選取專案：選取專案時，不需要具備特定 IAM 角色，只要您在專案中獲派角色，即可選取該專案。
• 建立專案：如要建立專案，您需要「專案建立者」角色 (roles/resourcemanager.projectCreator)，其中包含 resourcemanager.projects.create 權限。瞭解如何授予角色。

注意：如果您不打算保留在這項程序中建立的資源，請建立新專案，而不要選取現有專案。因此您在完成這些步驟之後，就可以刪除專案，並移除與該專案相關聯的所有資源。

• 建立 Google Cloud 專案：

  gcloud projects create PROJECT_ID

  將 PROJECT_ID 替換為您要建立的 Google Cloud 專案名稱。

• 選取您建立的 Google Cloud 專案：

  gcloud config set project PROJECT_ID

  將 PROJECT_ID 替換為 Google Cloud 專案名稱。

確認專案已啟用計費功能 Google Cloud 。

啟用必要的 API：

啟用 API 時所需的角色

如要啟用 API，您必須具備 serviceusage.services.enable 權限。如果您建立了專案，可能已透過「擁有者」角色 (roles/owner) 取得這項權限。否則，您可以透過「服務使用情形管理員」角色 (roles/serviceusage.serviceUsageAdmin) 取得這項權限。瞭解如何授予角色。

gcloud services enable container.googleapis.com

安裝 Google Cloud CLI。

若您採用的是外部識別資訊提供者 (IdP)，請先使用聯合身分登入 gcloud CLI。

執行下列指令，初始化 gcloud CLI：

gcloud init

建立或選取 Google Cloud 專案。

選取或建立專案所需的角色

• 選取專案：選取專案時，不需要具備特定 IAM 角色，只要您在專案中獲派角色，即可選取該專案。
• 建立專案：如要建立專案，您需要「專案建立者」角色 (roles/resourcemanager.projectCreator)，其中包含 resourcemanager.projects.create 權限。瞭解如何授予角色。

注意：如果您不打算保留在這項程序中建立的資源，請建立新專案，而不要選取現有專案。因此您在完成這些步驟之後，就可以刪除專案，並移除與該專案相關聯的所有資源。

• 建立 Google Cloud 專案：

  gcloud projects create PROJECT_ID

  將 PROJECT_ID 替換為您要建立的 Google Cloud 專案名稱。

• 選取您建立的 Google Cloud 專案：

  gcloud config set project PROJECT_ID

  將 PROJECT_ID 替換為 Google Cloud 專案名稱。

確認專案已啟用計費功能 Google Cloud 。

啟用必要的 API：

啟用 API 時所需的角色

如要啟用 API，您必須具備 serviceusage.services.enable 權限。如果您建立了專案，可能已透過「擁有者」角色 (roles/owner) 取得這項權限。否則，您可以透過「服務使用情形管理員」角色 (roles/serviceusage.serviceUsageAdmin) 取得這項權限。瞭解如何授予角色。

gcloud services enable container.googleapis.com

1. 將角色授予使用者帳戶。針對下列每個 IAM 角色，執行一次下列指令： roles/container.admin

   gcloud projects add-iam-policy-binding PROJECT_ID --member="user:USER_IDENTIFIER" --role=ROLE

   更改下列內容：

   • PROJECT_ID：專案 ID。
   • USER_IDENTIFIER：使用者帳戶的 ID。 例如：[e-mail]。
   • ROLE：授予使用者帳戶的 IAM 角色。
2. 登入或建立 Hugging Face 帳戶。

透過 Hugging Face 存取 gpt-oss

如要使用 Hugging Face 存取 gpt-oss，請按照下列步驟操作：

1. 登入 Hugging Face 並探索 gpt-oss 模型。
2. 建立 Hugging Face read 存取權杖。
3. 複製並儲存 read access 權杖值。本教學課程稍後會用到這項資訊。

準備環境

如要準備環境，請設定預設環境變數：

export PROJECT_ID="YOUR_PROJECT_ID"
export RESERVATION_URL="YOUR_RESERVATION_NAME"
export REGION="YOUR_REGION"
export CLUSTER_NAME="YOUR_CLUSTER_NAME"
export GCS_BUCKET="YOUR_GCS_BUCKET"
export HUGGING_FACE_TOKEN="YOUR_HF_TOKEN"
export NETWORK="YOUR_NETWORK_NAME"
export SUBNETWORK="YOUR_SUBNETWORK_NAME"
export PROJECT_NUMBER=$(gcloud projects describe "${PROJECT_ID}" --format="value(projectNumber)")

gcloud config set project "${PROJECT_ID}"
gcloud config set billing/quota_project "${PROJECT_ID}"

更改下列內容：

• YOUR_PROJECT_ID：您要在 Google Cloud 專案中建立 GKE 叢集，請輸入該專案的 ID。

• YOUR_RESERVATION_NAME：您要用來建立 GKE 叢集的預留項目網址。根據預留項目所在的專案，指定下列其中一個值：

  • 專案中已有預留項目： RESERVATION_NAME

  • 預留項目位於其他專案，且您的專案可以使用該預留項目： projects/RESERVATION_PROJECT_ID/reservations/RESERVATION_NAME

• YOUR_REGION：要建立 GKE 叢集的區域。您只能在預訂項目所在的區域建立叢集。

• YOUR_CLUSTER_NAME：要建立的 GKE 叢集名稱。

• YOUR_GCS_BUCKET：下載模型的 Cloud Storage bucket 名稱。

• YOUR_HF_TOKEN：您在上一個章節中建立的 Hugging Face 存取權杖。

• YOUR_NETWORK_NAME：GKE 叢集使用的網路。請指定下列其中一個值：

  • 如果您建立的是自訂網路，請指定網路名稱。

  • 否則，請指定 default。

• YOUR_SUBNETWORK_NAME：GKE 叢集使用的子網路。請指定下列其中一個值：

  • 如果您建立的是自訂子網路，請指定子網路名稱。您只能指定與預留項目位於相同區域的子網路。

  • 否則，請指定 default。

在 Autopilot 模式中建立 GKE 叢集

如要在 Autopilot 模式中建立 GKE 叢集，請執行下列指令：

gcloud container clusters create-auto $CLUSTER_NAME \
    --project=$PROJECT_ID \
    --region=$REGION \
    --release-channel=rapid \
    --network=$NETWORK \
    --subnetwork=$SUBNETWORK

建立 GKE 叢集可能需要一段時間才能完成。如要確認 Google Cloud 已完成叢集建立作業，請前往 Google Cloud 控制台的「Kubernetes clusters」(Kubernetes 叢集) 頁面。

建立 Hugging Face 憑證的 Kubernetes Secret

如要為 Hugging Face 憑證建立 Kubernetes 密鑰，請按照下列步驟操作：

1. 設定 kubectl，與 GKE 叢集通訊：

   gcloud container clusters get-credentials $CLUSTER_NAME \
       --location=$REGION

2. 建立 Kubernetes 密鑰，儲存您的 Hugging Face 權杖：

   kubectl create secret generic hf-secret \
       --from-literal=hf_token=${HUGGING_FACE_TOKEN} \
       --dry-run=client -o yaml | kubectl apply -f -

建立 Cloud Storage bucket

如果您使用現有的 Cloud Storage bucket，請確認下列條件成立：

• Cloud Storage 值區與 GKE 叢集位於相同區域。
• 您的服務帳戶具備 bucket 的必要write權限。

如要將模型儲存在新的 Cloud Storage bucket 中，請完成下列步驟：

1. 執行下列指令來建立 bucket：

   gcloud storage buckets create gs://$GCS_BUCKET --location=$REGION --uniform-bucket-level-access

2. 將 Cloud Storage 值區的 write 權限授予預設服務帳戶。

   gcloud storage buckets add-iam-policy-binding gs://$GCS_BUCKET \
       --member="principal://iam.googleapis.com/projects/$PROJECT_NUMBER/locations/global/workloadIdentityPools/$PROJECT_ID.svc.id.goog/subject/ns/default/sa/default" \
       --role="roles/storage.objectAdmin"

將模型下載至 Cloud Storage bucket

如要將模型下載到 Cloud Storage bucket，請完成下列步驟：

1. 建立 gpt-download-job.yaml 檔案：

   apiVersion: batch/v1
   kind: Job
   metadata:
     name: gpt-download-job
     namespace: default
   spec:
     template:
       metadata:
         labels:
           app: gpt-oss-downloader
         annotations:
           gke-gcsfuse/volumes: "true"
       spec:
         restartPolicy: OnFailure
         containers:
         - name: downloader
           image: python:3.11-slim
           resources:
             requests:
               cpu: "4"
               memory: "16Gi"
             limits:
               cpu: "4"
               memory: "16Gi"
           env:
           - name: HUGGING_FACE_HUB_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_token
           - name: HF_HUB_ENABLE_HF_TRANSFER
             value: "0"
           - name: HF_HOME
             value: "/tmp/hf_cache"
           command: ["/bin/sh", "-c"]
           args:
           - |
             echo "Installing Hugging Face Hub library..."
             pip install -U "huggingface_hub"
   
             echo "Beginning model snapshot download to GCS Fuse..."
             hf download openai/gpt-oss-120b \
               --token "$HUGGING_FACE_HUB_TOKEN" \
               --local-dir /mnt/gcs/gpt-oss-120b \
               --max-workers 1
   
             DOWNLOAD_STATUS=$?
   
             if [ $DOWNLOAD_STATUS -eq 0 ]; then
               echo "Download Complete!"
             else 
               echo "ERROR: Model download failed with exit code $DOWNLOAD_STATUS"
               exit $DOWNLOAD_STATUS
             fi
   
           volumeMounts:
           - mountPath: /mnt/gcs
             name: gcs-bucket-volume
         volumes:
         - name: gcs-bucket-volume
           csi:
             driver: gcsfuse.csi.storage.gke.io
             volumeAttributes:
               bucketName: $GCS_BUCKET
               mountOptions: "implicit-dirs"

2. 如要初始化下載作業，請套用 gpt-download-job.yaml 資訊清單。

   envsubst '$GCS_BUCKET' < gpt-download-job.yaml | kubectl apply -f -

   這項工作資源會從 Hugging Face 將 gpt-oss-120b 模型權重下載至 Cloud Storage bucket。下載程序大約需要 30 分鐘才會完成。下載完成後，請前往下一節啟動模型部署作業。

3. 如要查看完成狀態，請執行下列指令：

   kubectl wait \
       --for=condition=Complete \
       --timeout=7200s job/gpt-download-job

   --timeout 旗標會指定指令監控工作多久後逾時。

4. 如要刪除作業，請執行下列指令：

   kubectl delete job gpt-download-job

將 vLLM 容器部署至 GKE 叢集

將模型下載至 Cloud Storage bucket 後，請將 vLLM 容器部署至 GKE 叢集：

1. 建立 vllm-gpt-oss-120b.yaml 檔案，並選擇 vLLM 部署作業：

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: vllm-gpt-oss-deployment
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: gpt-oss
     template:
       metadata:
         labels:
           app: gpt-oss
           ai.gke.io/model: gpt-oss-120b
           ai.gke.io/inference-server: vllm
           examples.ai.gke.io/source: user-guide
         annotations:
           gke-gcsfuse/volumes: "true"
       spec:
         containers:
         - name: vllm-inference
           image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:20250822_0916_RC01
           resources:
             requests:
               cpu: "10"
               memory: "128Gi"
               ephemeral-storage: "240Gi"
               nvidia.com/gpu: "8"
             limits:
               cpu: "10"
               memory: "128Gi"
               ephemeral-storage: "240Gi"
               nvidia.com/gpu: "8"
           command: ["python3", "-m", "vllm.entrypoints.openai.api_server"]
           args:
           - --model=/mnt/gcs/gpt-oss-120b
           - --tensor-parallel-size=8
           - --host=0.0.0.0
           - --port=8000
           - --max-model-len=8192
           - --max-num-seqs=4
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
           - mountPath: /mnt/gcs
             name: gcs-bucket-volume
             readOnly: true
           livenessProbe:
             httpGet:
               path: /health
               port: 8000
             initialDelaySeconds: 900
             periodSeconds: 10
           readinessProbe:
             httpGet:
               path: /health
               port: 8000
             initialDelaySeconds: 900
             periodSeconds: 5
         volumes:
         - name: dshm
           emptyDir:
             medium: Memory
         - name: gcs-bucket-volume
           csi:
             driver: gcsfuse.csi.storage.gke.io
             volumeAttributes:
               bucketName: $GCS_BUCKET
               mountOptions: "implicit-dirs,file-cache:max-size-mb:-1,file-cache:enable-parallel-downloads:true,file-cache:max-parallel-downloads:32,file-cache:parallel-downloads-per-file:8,file-cache:download-chunk-size-mb:16"
         nodeSelector:
           cloud.google.com/gke-accelerator: nvidia-b200
           cloud.google.com/reservation-name: $RESERVATION_URL
           cloud.google.com/reservation-affinity: "specific"
           cloud.google.com/gke-gpu-driver-version: latest
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: oss-service
   spec:
     selector:
       app: gpt-oss
     type: ClusterIP
     ports:
     - protocol: TCP
       port: 8000
       targetPort: 8000
   ---
   apiVersion: monitoring.googleapis.com/v1
   kind: PodMonitoring
   metadata:
     name: vllm-gpt-oss-monitoring
   spec:
     selector:
       matchLabels:
         app: gpt-oss
     endpoints:
     - port: 8000
       path: /metrics
       interval: 30s

2. 將 vllm-gpt-oss-120b.yaml 檔案套用至 GKE 叢集：

   envsubst < vllm-gpt-oss-120b.yaml | kubectl apply -f -

3. 如要查看完成狀態，請執行下列指令：

   kubectl wait \
       --for=condition=Available \
       --timeout=7200s deployment/vllm-gpt-oss-deployment

   --timeout 旗標可讓指令在指定時間內監控部署作業。

使用 curl 與 gpt-oss 模型互動

如要驗證您部署的 gpt-oss 模型，請按照下列步驟操作：

1. 設定通訊埠轉送至 gpt-oss 模型：

   kubectl port-forward service/oss-service 8000:8000

2. 開啟新的終端機視窗。然後，您可以使用 curl 與模型對話：

   curl http://127.0.0.1:8000/v1/chat/completions \
   -X POST \
   -H "Content-Type: application/json" \
   -d '{
     "model": "openai/gpt-oss-120b",
     "messages": [
       {
         "role": "user",
         "content": "Describe a sailboat in one short sentence?"
       }
     ]
   }' | jq .

3. 您看到的輸出內容類似如下：

   {
     "id": "chatcmpl-2235c39759c040daae23ce2addc40c0a",
     "object": "chat.completion",
     "created": 1756831629,
     "model": "openai/gpt-oss-120b",
     "choices": [
       {
         "index": 0,
         "message": {
           "role": "assistant",
           "content": "A sleek vessel gliding on water, its cloth sails billowing like captured wind.",
           "refusal": null,
           "annotations": null,
           "audio": null,
           "function_call": null,
           "tool_calls": [],
           "reasoning_content": "User asks: \"Describe a sailboat in one short sentence?\" We need to produce a short sentence description. Should comply with policy. It's fine. Provide a short sentence."
         },
         "logprobs": null,
         "finish_reason": "stop",
         "stop_reason": null
       }
     ],
     "service_tier": null,
     "system_fingerprint": null,
     "usage": {
       "prompt_tokens": 80,
       "total_tokens": 142,
       "completion_tokens": 62,
       "prompt_tokens_details": null
     },
     "prompt_logprobs": null,
     "kv_transfer_params": null
   }
   

觀察模型效能

如要觀察模型效能，您可以使用 Cloud Monitoring 中的 vLLM 資訊主頁整合功能。這個資訊主頁可協助您查看模型的重要效能指標，例如權杖輸送量、網路延遲和錯誤率。詳情請參閱 Monitoring 說明文件中的 vLLM。

清除所用資源

為避免因為本教學課程所用資源，導致系統向 Google Cloud 帳戶收取費用，請刪除含有相關資源的專案，或者保留專案但刪除個別資源。

刪除資源

完成本教學課程後，請刪除不再需要的資源。

1. 如要從 GKE 叢集刪除 vllm-gpt-oss-120b.yaml 檔案中定義的部署作業和服務，以及 Kubernetes 密鑰，請執行下列指令：

   envsubst < vllm-gpt-oss-120b.yaml | kubectl delete -f -
   kubectl delete secret hf-secret

2. 如要刪除 Cloud Storage bucket，請執行下列指令：

   gcloud storage rm --recursive gs://$GCS_BUCKET

3. 如要刪除 GKE 叢集，請按照下列步驟操作：

   gcloud container clusters delete $CLUSTER_NAME \
       --region=$REGION \
       --quiet

刪除專案

注意：刪除專案會造成以下結果：

• 專案中的所有內容都會遭到刪除。如果使用現有專案來進行本文中的任務，刪除專案將一併移除當中已完成的其他任務'。
• 自訂專案 ID 會消失。當您之前建立這個專案時，可能建立了想要在日後使用的自訂專案 ID。如要保留使用該專案 ID 的網址 (例如 appspot.com 網址)，請刪除在該專案中選取的資源，而不是刪除整個專案。

如果打算探索多種架構、教學課程或快速入門導覽課程，重複使用專案可避免超出專案配額限制。

刪除 Google Cloud 專案：

gcloud projects delete PROJECT_ID

後續步驟

• 管理 AI 最佳化 GKE 叢集
• 瞭解 AI 和機器學習工作負載的建議儲存空間服務