Usa vLLM en GKE para ejecutar la inferencia con Llama 4

En este instructivo, se muestra cómo implementar y entregar un modelo de Llama 4 Scout (17Bx16E), un modelo de lenguaje grande (LLM) de 17B, y entregarlo con el framework de vLLM. Implementarás este modelo en una sola instancia de máquina virtual (VM) A4 en Google Kubernetes Engine (GKE).

Importante: Para completar este instructivo, debes haber reservado la capacidad para crear una VM A4. Para obtener más información sobre las opciones para reservar capacidad en AI Hypercomputer para una fecha y hora futuras, consulta Elige una opción de consumo.

Este instructivo está dirigido a ingenieros de aprendizaje automático (AA), administradores y operadores de plataformas, y especialistas en datos y en IA que estén interesados en usar las capacidades de organización de contenedores de Kubernetes para controlar las cargas de trabajo de inferencia.

Objetivos

1. Acceder a Llama 4 con Hugging Face

2. Preparar el entorno

3. Crear un clúster de GKE en modo Autopilot

4. Crear un secreto de Kubernetes para las credenciales de Hugging Face

5. Implementar un contenedor de vLLM en tu clúster de GKE

6. Interactuar con Llama 4 con curl

7. Realizar una limpieza

Costos

En este instructivo, se usan componentes facturables de Google Cloud, que incluyen lo siguiente:

• Precios de Google Kubernetes Engine
• Precios de GPU

Para generar una estimación de costos en función del uso previsto, usa la calculadora de precios.

Antes de comenzar

Accede a tu Google Cloud cuenta de. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.

Instala Google Cloud CLI.

Si usas un proveedor de identidad externo (IdP), primero debes acceder a la gcloud CLI con tu identidad federada.

Para inicializar gcloud CLI, ejecuta el siguiente comando:

gcloud init

Crea o selecciona un Google Cloud proyecto.

Roles necesarios para seleccionar o crear un proyecto

• Seleccionar un proyecto: Para seleccionar un proyecto, no se requiere un rol de IAM específico. Puedes seleccionar cualquier proyecto en el que se te haya otorgado un rol.
• Crear un proyecto: Para crear un proyecto, necesitas el rol de creador de proyectos (roles/resourcemanager.projectCreator), que contiene el resourcemanager.projects.create permiso. Obtén más información para otorgar roles.

Nota: Si no planeas conservar los recursos creados durante este procedimiento, crea un proyecto en lugar de seleccionar un proyecto existente. Cuando termines, puedes borrar el proyecto y quitar todos los recursos asociados con él.

• Crea un proyecto de: Google Cloud

  gcloud projects create PROJECT_ID

  Reemplaza PROJECT_ID por un nombre para el Google Cloud proyecto de que estás creando.

• Selecciona el Google Cloud proyecto de que creaste:

  gcloud config set project PROJECT_ID

  Reemplaza PROJECT_ID por el nombre de tu Google Cloud proyecto de.

Verifica que la facturación esté habilitada para tu Google Cloud proyecto.

Habilita la API necesaria:

Roles necesarios para habilitar las APIs

Para habilitar las APIs, necesitas el rol de IAM de administrador de Service Usage (roles/serviceusage.serviceUsageAdmin), que contiene el serviceusage.services.enable permiso. Obtén más información para otorgar roles.

gcloud services enable container.googleapis.com

Instala Google Cloud CLI.

Si usas un proveedor de identidad externo (IdP), primero debes acceder a la gcloud CLI con tu identidad federada.

Para inicializar gcloud CLI, ejecuta el siguiente comando:

gcloud init

Crea o selecciona un Google Cloud proyecto.

Roles necesarios para seleccionar o crear un proyecto

• Seleccionar un proyecto: Para seleccionar un proyecto, no se requiere un rol de IAM específico. Puedes seleccionar cualquier proyecto en el que se te haya otorgado un rol.
• Crear un proyecto: Para crear un proyecto, necesitas el rol de creador de proyectos (roles/resourcemanager.projectCreator), que contiene el resourcemanager.projects.create permiso. Obtén más información para otorgar roles.

Nota: Si no planeas conservar los recursos creados durante este procedimiento, crea un proyecto en lugar de seleccionar un proyecto existente. Cuando termines, puedes borrar el proyecto y quitar todos los recursos asociados con él.

• Crea un proyecto de: Google Cloud

  gcloud projects create PROJECT_ID

  Reemplaza PROJECT_ID por un nombre para el Google Cloud proyecto de que estás creando.

• Selecciona el Google Cloud proyecto de que creaste:

  gcloud config set project PROJECT_ID

  Reemplaza PROJECT_ID por el nombre de tu Google Cloud proyecto de.

Verifica que la facturación esté habilitada para tu Google Cloud proyecto.

Habilita la API necesaria:

Roles necesarios para habilitar las APIs

Para habilitar las APIs, necesitas el rol de IAM de administrador de Service Usage (roles/serviceusage.serviceUsageAdmin), que contiene el serviceusage.services.enable permiso. Obtén más información para otorgar roles.

gcloud services enable container.googleapis.com

1. Otorga roles a tu cuenta de usuario. Ejecuta el siguiente comando una vez para cada uno de los siguientes roles de IAM: roles/container.admin

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

   Reemplaza lo siguiente:

   • PROJECT_ID: ID del proyecto
   • USER_IDENTIFIER: El identificador de tu cuenta de usuario Por ejemplo, [e-mail].
   • ROLE: El rol de IAM que otorgas a tu cuenta de usuario
2. Accede a una cuenta de Hugging Face o crea una.

Accede a Llama 4 con Hugging Face

Para usar Hugging Face para acceder a Llama 4, haz lo siguiente:

1. Firma el acuerdo de consentimiento para usar Llama 4.
2. Crea un token de acceso read de Hugging Face.
3. Copia y guarda el valor del token de acceso read. Lo usarás más adelante en este instructivo.

Prepara el entorno

Para preparar tu entorno, configura las siguientes variables:

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

Reemplaza lo siguiente:

• PROJECT_ID: Es el ID del Google Cloud proyecto de en el que deseas crear el clúster de GKE.

• RESERVATION_URL: Es la URL de la reserva que deseas usar para crear tu clúster de GKE. Según el proyecto en el que existe la reserva, especifica uno de los siguientes valores:

  • La reserva existe en tu proyecto: RESERVATION_NAME

  • La reserva existe en un proyecto diferente y tu proyecto puede usar la reserva: projects/RESERVATION_PROJECT_ID/reservations/RESERVATION_NAME

• REGION: Es la región en la que deseas crear tu clúster de GKE. Solo puedes crear el clúster en la región en la que existe la reserva.

• CLUSTER_NAME: Es el nombre del clúster de GKE que se creará.

• HUGGING_FACE_TOKEN: Es el token de acceso de Hugging Face que creaste en la sección anterior.

• NETWORK_NAME: Es la red que usa el clúster de GKE. Especifica uno de los siguientes valores:

  • Si creaste una red personalizada, especifica el nombre de tu red.

  • De lo contrario, especifica default.

• SUBNETWORK_NAME: Es la subred que usa el clúster de GKE. Especifica uno de los siguientes valores:

  • Si creaste una subred personalizada, especifica el nombre de tu subred. Solo puedes especificar una subred que exista en la misma región que la reserva.

  • De lo contrario, especifica default.

Crea y configura Google Cloud recursos

Sigue estas instrucciones en esta sección para crear los recursos necesarios.

Nota: Es posible que debas crear una reserva de capacidad para usar algunos aceleradores. Para obtener información sobre cómo reservar y consumir recursos reservados, consulta Consume recursos zonales reservados.

Crea un clúster de GKE en modo Autopilot

Para crear un clúster de GKE en modo Autopilot, ejecuta el siguiente comando:

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

La creación del clúster de GKE puede tardar un tiempo en completarse. Para verificar que Google Cloud haya terminado de crear tu clúster, ve a Clústeres de Kubernetes en la consola de Google Cloud .

Crea un secreto de Kubernetes para almacenar tus credenciales de Hugging Face

Para crear un secreto de Kubernetes para almacenar tus credenciales de Hugging Face, haz lo siguiente:

1. Configura kubectl para comunicarse con tu clúster de GKE:

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

2. Crea un secreto de Kubernetes que contenga el token de Hugging Face read access que creaste en un paso anterior:

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

Implementa un contenedor de vLLM en tu clúster de GKE

Para implementar el contenedor de vLLM para entregar el modelo Llama-4-Scout-17B-16E-Instruct, haz lo siguiente:

1. Crea un archivo vllm-l4-17b.yaml con la implementación de vLLM que elegiste:

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: vllm-llama4-deployment
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: llama4-server
     template:
       metadata:
         labels:
           app: llama4-server
           ai.gke.io/model: llama-4-scout-17b
           ai.gke.io/inference-server: vllm
           examples.ai.gke.io/source: user-guide
       spec:
         containers:
         - name: inference-server
           image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:20250722_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=$(MODEL_ID)
           - --tensor-parallel-size=8
           - --host=0.0.0.0
           - --port=8000
           - --max-model-len=4096
           - --max-num-seqs=4
           env:
           - name: MODEL_ID
             value: meta-llama/Llama-4-Scout-17B-16E-Instruct
           - name: HUGGING_FACE_HUB_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_api_token
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
           livenessProbe:
             httpGet:
               path: /health
               port: 8000
             initialDelaySeconds: 1800
             periodSeconds: 10
           readinessProbe:
             httpGet:
               path: /health
               port: 8000
             initialDelaySeconds: 1800
             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: llm-service
   spec:
     selector:
       app: llama4-server
     type: ClusterIP
     ports:
       - protocol: TCP
         port: 8000
         targetPort: 8000
   ---
   apiVersion: monitoring.googleapis.com/v1
   kind: PodMonitoring
   metadata:
     name: vllm-llama4-monitoring
   spec:
     selector:
       matchLabels:
         app: llama4-server
     endpoints:
     - port: 8000
       path: /metrics
       interval: 30s
   

2. Aplica el archivo vllm-l4-17b.yaml a tu clúster de GKE:

     kubectl apply -f vllm-l4-17b.yaml
   

   Durante el proceso de implementación, el contenedor debe descargar el modelo Llama-4-Scout-17B-16E-Instruct de Hugging Face. Por este motivo, la implementación del contenedor puede tardar hasta 30 minutos en completarse.

3. Para ver el estado de finalización, ejecuta el siguiente comando:

     kubectl wait \
             --for=condition=Available \
             --timeout=1800s deployment/vllm-llama4-deployment
   

   La marca --timeout=1800s permite que el comando supervise la implementación durante un máximo de 30 minutos.

Interactúa con Llama 4 con curl

Para verificar el modelo de Llama 4 Scout que implementaste, haz lo siguiente:

1. Configura la redirección de puertos a Llama 4 Scout:

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

2. Abre una nueva ventana de terminal. Luego, puedes chatear con tu modelo con curl:

   curl http://127.0.0.1:8000/v1/chat/completions \
        -X POST \
        -H "Content-Type: application/json" \
        -d '{
          "model": "meta-llama/Llama-4-Scout-17B-16E-Instruct",
          "messages": [
            {
              "role": "user",
              "content": "Describe a sailboat in one short sentence?"
            }
          ]
        }'
   

3. El resultado que ves es similar al siguiente:

   {
         "id": "chatcmpl-ec0ad6310c494a889b17600881c06e3d",
         "object": "chat.completion",
         "created": 1754073279,
         "model": "meta-llama/Llama-4-Scout-17B-16E-Instruct",
         "choices": [
           {
             "index": 0,
             "message": {
               "role": "assistant",
               "content": "A sailboat is a type of watercraft that uses the wind for propulsion, typically featuring a hull, mast, and one or more sails.",
               "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": 19,
           "total_tokens": 49,
           "completion_tokens": 30,
           "prompt_tokens_details": null
         },
         "prompt_logprobs": null,
         "kv_transfer_params": null
       }
   

Observa el rendimiento del modelo

Para observar el rendimiento de tu modelo, puedes usar la integración del panel de vLLM en Cloud Monitoring. Puedes usar este panel para ver métricas de rendimiento críticas, como la capacidad de procesamiento de tokens, la latencia de las solicitudes y las tasas de error.

Para obtener información sobre cómo usar Google Cloud Managed Service para Prometheus para recopilar métricas de tu modelo, consulta la vLLM de vLLM en la documentación de Cloud Monitoring.

Limpia

Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.

Borra tu proyecto

Precaución: Borrar un proyecto tiene las siguientes consecuencias:

• Se borra todo su contenido. Si usaste un proyecto existente para las tareas de este documento, cuando lo borres, también se borrará cualquier otro trabajo que hayas realizado en el proyecto.
• Se pierden los IDs personalizados de los proyectos. Cuando creaste este proyecto, es posible que hayas creado un ID personalizado del proyecto que desees utilizar en el futuro. Para conservar las URLs que usan el ID del proyecto, como una URL appspot.com, borra los recursos seleccionados dentro del proyecto, en lugar de todo el proyecto.

Si planeas explorar varios instructivos, arquitecturas o guías de inicio rápido, reutilizar proyectos puede ser útil para no exceder los límites de cuota de los proyectos.

Borra un Google Cloud proyecto de:

gcloud projects delete PROJECT_ID

Borra recursos

1. Para borrar la implementación y el servicio en el archivo vllm-l4-17b.yaml y el secreto de Kubernetes del clúster de GKE, ejecuta el siguiente comando:

   kubectl delete -f vllm-l4-17b.yaml
   kubectl delete secret hf-secret
   

2. Para borrar tu clúster de GKE, ejecuta el siguiente comando:

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

¿Qué sigue?

• Obtén más información para administrar clústeres de GKE optimizados para IA.