Utilizzare vLLM su GKE per eseguire l'inferenza con Qwen3

Questo tutorial mostra come eseguire il deployment e pubblicare un Qwen3 Qwen3 con il framework di pubblicazione vLLM. Esegui il deployment del modello su una singola macchina virtuale (VM) A4 in Google Kubernetes Engine (GKE).

Importante: Per completare questo tutorial, devi aver riservato la capacità di creare una VM A4. Per scoprire di più sulle opzioni per riservare la capacità in AI Hypercomputer per una data e un'ora future, consulta Scegliere un'opzione di consumo.

Questo tutorial è rivolto a machine learning (ML) engineer, amministratori e operatori di piattaforme e specialisti di dati e AI interessati a utilizzare le funzionalità di orchestrazione dei container Kubernetes per gestire i carichi di lavoro di inferenza.

Obiettivi

1. Accedere a Qwen3 utilizzando Hugging Face.

2. Preparare l'ambiente.

3. Creare un cluster GKE in modalità Autopilot.

4. Creare un secret di Kubernetes per le credenziali di Hugging Face.

5. Eseguire il deployment di un container vLLM nel cluster GKE.

6. Interagire con Qwen3 utilizzando curl.

7. Liberare spazio.

Costi

Questo tutorial utilizza i componenti fatturabili di Google Cloud, tra cui:

• Prezzi di Google Kubernetes Engine
• Prezzi delle GPU

Per generare una stima dei costi in base all'utilizzo previsto, utilizza il Calcolatore prezzi.

Prima di iniziare

Accedi al tuo Google Cloud account. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti senza costi per l'esecuzione, il test e il deployment dei carichi di lavoro.

Installa Google Cloud CLI.

Se utilizzi un provider di identità (IdP) esterno, devi prima accedere a gcloud CLI con la tua identità federata.

Per inizializzare gcloud CLI, esegui questo comando:

gcloud init

Crea o seleziona un Google Cloud progetto.

Ruoli richiesti per selezionare o creare un progetto

• Seleziona un progetto: la selezione di un progetto non richiede un ruolo IAM specifico. Puoi selezionare qualsiasi progetto su cui ti è stato concesso un ruolo.
• Crea un progetto: per creare un progetto, devi disporre del ruolo Autore progetto (roles/resourcemanager.projectCreator), che contiene l' resourcemanager.projects.create autorizzazione. Scopri come concedere i ruoli.

Nota: se non prevedi di conservare le risorse che crei in questa procedura, crea un progetto invece di selezionarne uno già esistente. Una volta completata questa procedura, puoi eliminare il progetto e tutte le relative risorse.

• Crea un Google Cloud progetto:

  gcloud projects create PROJECT_ID

  Sostituisci PROJECT_ID con un nome per il Google Cloud progetto che stai creando.

• Seleziona il Google Cloud progetto che hai creato:

  gcloud config set project PROJECT_ID

  Sostituisci PROJECT_ID con il nome del Google Cloud progetto.

Verifica che la fatturazione sia attivata per il tuo Google Cloud progetto.

Abilita l'API richiesta:

Ruoli richiesti per abilitare le API

Per abilitare le API, devi disporre del ruolo IAM Amministratore utilizzo servizi (roles/serviceusage.serviceUsageAdmin), che contiene l' serviceusage.services.enable autorizzazione. Scopri come concedere i ruoli.

gcloud services enable container.googleapis.com

Installa Google Cloud CLI.

Se utilizzi un provider di identità (IdP) esterno, devi prima accedere a gcloud CLI con la tua identità federata.

Per inizializzare gcloud CLI, esegui questo comando:

gcloud init

Crea o seleziona un Google Cloud progetto.

Ruoli richiesti per selezionare o creare un progetto

• Seleziona un progetto: la selezione di un progetto non richiede un ruolo IAM specifico. Puoi selezionare qualsiasi progetto su cui ti è stato concesso un ruolo.
• Crea un progetto: per creare un progetto, devi disporre del ruolo Autore progetto (roles/resourcemanager.projectCreator), che contiene l' resourcemanager.projects.create autorizzazione. Scopri come concedere i ruoli.

Nota: se non prevedi di conservare le risorse che crei in questa procedura, crea un progetto invece di selezionarne uno già esistente. Una volta completata questa procedura, puoi eliminare il progetto e tutte le relative risorse.

• Crea un Google Cloud progetto:

  gcloud projects create PROJECT_ID

  Sostituisci PROJECT_ID con un nome per il Google Cloud progetto che stai creando.

• Seleziona il Google Cloud progetto che hai creato:

  gcloud config set project PROJECT_ID

  Sostituisci PROJECT_ID con il nome del Google Cloud progetto.

Verifica che la fatturazione sia attivata per il tuo Google Cloud progetto.

Abilita l'API richiesta:

Ruoli richiesti per abilitare le API

Per abilitare le API, devi disporre del ruolo IAM Amministratore utilizzo servizi (roles/serviceusage.serviceUsageAdmin), che contiene l' serviceusage.services.enable autorizzazione. Scopri come concedere i ruoli.

gcloud services enable container.googleapis.com

1. Concedi i ruoli al tuo account utente. Esegui il seguente comando una volta per ciascuno dei seguenti ruoli IAM: roles/container.admin

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

   Sostituisci quanto segue:

   • PROJECT_ID: il tuo ID progetto.
   • USER_IDENTIFIER: l'identificatore del tuo account utente. Ad esempio, [e-mail].
   • ROLE: il ruolo IAM che concedi al tuo account utente.
2. Accedi a un account Hugging Face o creane uno.

Accedere a Qwen3 utilizzando Hugging Face

Per utilizzare Hugging Face per accedere a Qwen3:

1. Accedi a Hugging Face
2. Crea un token di accesso read di Hugging Face. Fai clic su Il tuo profilo > Impostazioni > Token di accesso > +Crea nuovo token.
3. Specifica un nome a tua scelta per il token e poi seleziona un ruolo. Il livello di autorizzazione del ruolo minimo che puoi selezionare per questo tutorial è Lettura.
4. Seleziona Crea token.
5. Copia e salva il token generato negli appunti. Lo utilizzerai più avanti in questo tutorial.

Preparare l'ambiente

Per preparare l'ambiente, imposta le variabili di ambiente predefinite:

gcloud config set project PROJECT_ID
gcloud config set billing/quota_project PROJECT_ID
export PROJECT_ID=$(gcloud config get project)
export RESERVATION_URL=RESERVATION_URL
export REGION=REGION
export CLUSTER_NAME=CLUSTER_NAME
export HUGGING_FACE_TOKEN=HUGGING_FACE_TOKEN
export NETWORK=NETWORK_NAME
export SUBNETWORK=SUBNETWORK_NAME

Sostituisci quanto segue:

• PROJECT_ID: l'ID del Google Cloud progetto in cui vuoi creare il cluster GKE.

• RESERVATION_URL: l'URL della prenotazione che vuoi utilizzare per creare il cluster GKE. In base al progetto in cui esiste la prenotazione, specifica uno dei seguenti valori:

  • La prenotazione esiste nel tuo progetto: RESERVATION_NAME

  • La prenotazione esiste in un progetto diverso e il tuo progetto può utilizzare la prenotazione: projects/RESERVATION_PROJECT_ID/reservations/RESERVATION_NAME

• REGION: la regione in cui vuoi creare il cluster GKE. Puoi creare il cluster solo nella regione in cui esiste la prenotazione.

• CLUSTER_NAME: il nome del cluster GKE da creare.

• HUGGING_FACE_TOKEN: il token di accesso a Hugging Face che hai creato nella sezione precedente.

• NETWORK_NAME: la rete utilizzata dal cluster GKE. Specifica uno dei seguenti valori:

  • Se hai creato una rete personalizzata, specifica il nome della rete.

  • In caso contrario, specifica default.

• SUBNETWORK_NAME: la subnet utilizzata dal cluster GKE. Specifica uno dei seguenti valori:

  • Se hai creato una subnet personalizzata, specifica il nome della subnet. Puoi specificare solo una subnet che si trova nella stessa regione della prenotazione.

  • In caso contrario, specifica default.

Creare un cluster GKE in modalità Autopilot

Per creare un cluster GKE in modalità Autopilot, esegui questo comando:

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

La creazione del cluster GKE potrebbe richiedere un po' di tempo. Per verificare che la creazione del cluster sia stata completata, vai a Cluster Kubernetes nella Google Cloud console. Google Cloud

Creare un secret di Kubernetes per le credenziali di Hugging Face

Per creare un secret di Kubernetes per le credenziali di Hugging Face:

1. Configura kubectl per comunicare con il cluster GKE:

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

2. Crea un secret di Kubernetes per archiviare il token di Hugging Face:

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

Eseguire il deployment di un container vLLM nel cluster GKE

Per eseguire il deployment del container vLLM per pubblicare il modello Qwen3 utilizzando i deployment di Kubernetes:

1. Crea un file qwen3-235b-deploy.yaml con il deployment vLLM scelto. :

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: vllm-qwen3-deployment
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: qwen3-server
     template:
       metadata:
         labels:
           app: qwen3-server
           ai.gke.io/model: Qwen3-235B-A22B-Instruct-2507
           ai.gke.io/inference-server: vllm
       spec:
         containers:
         - name: qwen-inference-server
           image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:20250801_0916_RC01
           resources:
             requests:
               cpu: "10"
               memory: "1000Gi"
               ephemeral-storage: "500Gi"
               nvidia.com/gpu: "8"
             limits:
               cpu: "10"
               memory: "1000Gi"
               ephemeral-storage: "500Gi"
               nvidia.com/gpu: "8"
           command: ["python3", "-m", "vllm.entrypoints.openai.api_server"]
           args:
           - --model=$(MODEL_ID)
           - --tensor-parallel-size=8
           - --host=0.0.0.0
           - --port=8000
           - --max-model-len=8192
           - --max-num-seqs=4
           - --dtype=bfloat16
           env:
           - name: MODEL_ID
             value: "Qwen/Qwen3-235B-A22B-Instruct-2507"
           - name: HUGGING_FACE_HUB_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_token
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
           livenessProbe:
             httpGet:
               path: /health
               port: 8000
             initialDelaySeconds: 1320
             periodSeconds: 10
           readinessProbe:
             httpGet:
               path: /health
               port: 8000
             initialDelaySeconds: 1320
             periodSeconds: 5
         volumes:
         - name: dshm
           emptyDir:
             medium: Memory
         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: qwen3-service
   spec:
     selector:
       app: qwen3-server
     type: ClusterIP
     ports:
       - protocol: TCP
         port: 8000
         targetPort: 8000
   ---
   apiVersion: monitoring.googleapis.com/v1
   kind: PodMonitoring
   metadata:
     name: vllm-qwen3-monitoring
   spec:
     selector:
       matchLabels:
         app: qwen3-server
     endpoints:
     - port: 8000
       path: /metrics
       interval: 30s
   

2. Applica il file qwen3-235b-deploy.yaml al cluster GKE:

   kubectl apply -f qwen3-235b-deploy.yaml
   

   Durante il processo di deployment, il container deve scaricare il modello Qwen3-235B-A22B-Instruct-2507 da Hugging Face. Per questo motivo, il completamento del deployment del container potrebbe richiedere fino a 30 minuti.

3. Per visualizzare lo stato di completamento, esegui questo comando:

   kubectl wait \
       --for=condition=Available \
       --timeout=1500s deployment/vllm-qwen3-deployment
   

   Il flag --timeout=1500s consente al comando di monitorare il deployment per un massimo di 25 minuti.

Interagire con Qwen3 utilizzando curl

Per verificare il modello Qwen3 di cui hai eseguito il deployment:

1. Configura il port forwarding a Qwen3:

   kubectl port-forward service/qwen3-service 8000:8000
   

2. Apri una nuova finestra del terminale. Puoi quindi chattare con il modello utilizzando curl:

   curl http://127.0.0.1:8000/v1/chat/completions \
   -X POST \
   -H "Content-Type: application/json" \
   -d '{
     "model": "Qwen/Qwen3-235B-A22B-Instruct-2507",
     "messages": [
       {
         "role": "user",
         "content": "Describe a GPU in one short sentence?"
       }
     ]
   }'
   

   L'output è simile al seguente:

   {
     "id": "chatcmpl-a926ddf7ef2745ca832bda096e867764",
     "object": "chat.completion",
     "created": 1755023619,
     "model": "Qwen/Qwen3-235B-A22B-Instruct-2507",
     "choices": [
       {
         "index": 0,
         "message": {
           "role": "assistant",
           "content": "A GPU is a specialized electronic circuit designed to rapidly process and render graphics and perform parallel computations.",
           "refusal": null,
           "annotations": null,
           "audio": null,
           "function_call": null,
           "tool_calls": [],
           "reasoning_content": null
         },
         "logprobs": null,
         "finish_reason": "stop",
         "stop_reason": null
       }
     ],
     "service_tier": null,
     "system_fingerprint": null,
     "usage": {
       "prompt_tokens": 16,
       "total_tokens": 36,
       "completion_tokens": 20,
       "prompt_tokens_details": null
     },
     "prompt_logprobs": null,
     "kv_transfer_params": null
   }
   

Osservare le prestazioni del modello

Se vuoi osservare le prestazioni del modello, puoi utilizzare l'integrazione della dashboard vLLM in Cloud Monitoring. Questa dashboard ti aiuta a visualizzare le metriche di prestazioni critiche per il tuo modello, come la velocità effettiva dei token, la latenza di rete e le percentuali di errore. Per informazioni, consulta vLLM nella documentazione di Monitoring.

Liberare spazio

Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.

Eliminare il progetto

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per, le attività descritte in questo documento, eliminerai anche tutto il lavoro che hai svolto nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un URL appspot.com, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, puoi riutilizzare i progetti ed evitare così di superare i limiti di quota.

Elimina un Google Cloud progetto:

gcloud projects delete PROJECT_ID

Eliminare il cluster GKE

Per eliminare il cluster GKE, esegui questo comando:

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

Eliminare le risorse

Per eliminare il file qwen3-235b-deploy.yaml e il secret di Kubernetes dal cluster GKE, esegui questi comandi:

kubectl delete -f qwen3-235b-deploy.yaml
kubectl delete secret hf-secret

Passaggi successivi

• Gestire i cluster GKE ottimizzati per l'AI

• Scopri di più sui servizi di archiviazione consigliati per i carichi di lavoro di AI e ML