在 GKE 上使用 vLLM 运行 Llama 4 推理

本教程介绍如何部署和应用 Llama 4 Scout (17Bx16E)（一种 17B 大语言模型 (LLM)），并使用 vLLM 框架来应用它。您将在 Google Kubernetes Engine (GKE) 上的单个 A4 虚拟机 (VM) 实例上部署此模型。

**重要提示** ：如需完成本教程，您必须已预留创建 A4 VM 的容量。如需详细了解在 AI Hypercomputer 中预留未来日期和时间的容量的选项，请参阅 选择使用选项。

本教程适用于机器学习 (ML) 工程师、平台管理员和运维人员，以及对使用 Kubernetes 容器编排功能处理推理工作负载感兴趣的数据和 AI 专家。

目标

1. 使用 Hugging Face 访问 Llama 4。

2. 准备环境。

3. 在 Autopilot 模式下创建 GKE 集群。

4. 为 Hugging Face 凭据创建 Kubernetes Secret。

5. 将 vLLM 容器部署到 GKE 集群。

6. 使用 curl 与 Llama 4 互动。

7. 清理。

费用

本教程使用 Google Cloud 的如下计费组件：

• Google Kubernetes Engine 价格
• GPU 价格

如需根据您的预计使用量来估算费用，请使用 价格计算器。

准备工作

登录您的 Google Cloud 账号。如果您是新手 Google Cloud， 请创建一个账号来评估我们的产品在 实际场景中的表现。新客户还可获享 $300 赠金，用于 运行、测试和部署工作负载。

安装 Google Cloud CLI。

如果您使用的是外部身份提供方 (IdP)，则必须先使用联合身份登录 gcloud CLI。

如需初始化 gcloud CLI，请运行以下命令：

gcloud init

创建或选择 Google Cloud 项目。

选择或创建项目所需角色

• 选择项目：选择项目不需要特定的 IAM 角色，您可以选择已获授予角色的任何项目。
• 创建项目：如需创建项目，您需要 Project Creator 角色 (roles/resourcemanager.projectCreator)，该角色包含 resourcemanager.projects.create 权限。了解如何授予 角色。

注意：如果您不打算保留在此过程中创建的 资源，请创建新的项目，而不要选择现有的项目。完成本教程介绍的步骤后，您可以 删除所创建的项目，并移除与该项目关联的所有资源。

• 创建 Google Cloud 项目：

  gcloud projects create PROJECT_ID

  将 PROJECT_ID 替换为您要创建的 Google Cloud 项目的名称。

• 选择您创建的 Google Cloud 项目：

  gcloud config set project PROJECT_ID

  将 PROJECT_ID 替换为您的 Google Cloud 项目名称。

验证是否已为您的 Google Cloud 项目启用结算功能。

启用必需的 API：

启用 API 所需的角色

如需启用 API，您需要拥有 Service Usage Admin IAM 角色 (roles/serviceusage.serviceUsageAdmin)，该角色包含 serviceusage.services.enable 权限。了解如何授予 角色。

gcloud services enable container.googleapis.com

安装 Google Cloud CLI。

如果您使用的是外部身份提供方 (IdP)，则必须先使用联合身份登录 gcloud CLI。

如需初始化 gcloud CLI，请运行以下命令：

gcloud init

创建或选择 Google Cloud 项目。

选择或创建项目所需角色

• 选择项目：选择项目不需要特定的 IAM 角色，您可以选择已获授予角色的任何项目。
• 创建项目：如需创建项目，您需要 Project Creator 角色 (roles/resourcemanager.projectCreator)，该角色包含 resourcemanager.projects.create 权限。了解如何授予 角色。

注意：如果您不打算保留在此过程中创建的 资源，请创建新的项目，而不要选择现有的项目。完成本教程介绍的步骤后，您可以 删除所创建的项目，并移除与该项目关联的所有资源。

• 创建 Google Cloud 项目：

  gcloud projects create PROJECT_ID

  将 PROJECT_ID 替换为您要创建的 Google Cloud 项目的名称。

• 选择您创建的 Google Cloud 项目：

  gcloud config set project PROJECT_ID

  将 PROJECT_ID 替换为您的 Google Cloud 项目名称。

验证是否已为您的 Google Cloud 项目启用结算功能。

启用必需的 API：

启用 API 所需的角色

如需启用 API，您需要拥有 Service Usage Admin IAM 角色 (roles/serviceusage.serviceUsageAdmin)，该角色包含 serviceusage.services.enable 权限。了解如何授予 角色。

gcloud services enable container.googleapis.com

1. 将角色授予您的用户账号。对以下每个 IAM 角色运行以下命令一次： roles/container.admin

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

   替换以下内容：

   • PROJECT_ID：您的项目 ID。
   • USER_IDENTIFIER：您的用户账号的标识符。 例如，[e-mail]。
   • ROLE：您授予用户账号的 IAM 角色。
2. 登录或创建 Hugging Face 账号。

使用 Hugging Face 访问 Llama 4

如需使用 Hugging Face 访问 Llama 4，请执行以下操作：

1. 签署同意协议以使用 Llama 4。
2. 创建 Hugging Face read 访问令牌。
3. 复制并保存 read 访问令牌值。您将在本教程的后面部分使用它。

准备环境

如需准备环境，请设置以下变量：

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

替换以下内容：

• PROJECT_ID：您要在其中创建 GKE 集群的 Google Cloud 项目 的 ID。

• RESERVATION_URL：您要用于创建 GKE 集群的预留的网址。根据预留所在的项目，指定以下某个值：

  • 预留存在于您的项目中： RESERVATION_NAME

  • 预留存在于其他项目中，并且您的项目可以使用该预留： projects/RESERVATION_PROJECT_ID/reservations/RESERVATION_NAME

• REGION：您要在其中创建 GKE 集群的区域。您只能在预留所在的区域中创建集群。

• CLUSTER_NAME：要创建的 GKE 集群的名称。

• HUGGING_FACE_TOKEN：您在上一个部分中创建的 Hugging Face 访问令牌。

• NETWORK_NAME：GKE 集群使用的网络。指定以下某个值：

  • 如果您创建了自定义网络，请指定网络的名称。

  • 否则，请指定 default。

• SUBNETWORK_NAME：GKE 集群使用的子网。指定以下某个值：

  • 如果您创建了自定义子网，请指定子网的名称。您只能指定与预留位于同一区域的子网。

  • 否则，请指定 default。

创建和配置 Google Cloud 资源

请按照本部分中的说明创建所需资源。

注意： 您可能需要创建容量预留才能使用某些 加速器。如需了解如何预留和使用预留的资源，请参阅 使用预留的可用区级资源。

在 Autopilot 模式下创建 GKE 集群

如需在 Autopilot 模式下创建 GKE 集群，请运行以下命令：

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

创建 GKE 集群可能需要一些时间才能完成。 如需验证是否已完成集群创建，请前往 控制台中的 Kubernetes 集群 Google Cloud 。 Google Cloud

创建一个 Kubernetes Secret 来存储您的 Hugging Face 凭据

如需创建一个 Kubernetes Secret 来存储您的 Hugging Face 凭据，请执行以下操作：

1. 配置 kubectl 以与您的 GKE 集群通信：

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

2. 创建一个 Kubernetes Secret，其中包含您在之前的步骤中创建的 Hugging Face read access 令牌：

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

将 vLLM 容器部署到 GKE 集群

如需部署 vLLM 容器以应用 Llama-4-Scout-17B-16E-Instruct 模型，请执行以下操作：

1. 使用您选择的 vLLM 部署创建 vllm-l4-17b.yaml 文件：

   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. 将 vllm-l4-17b.yaml 文件应用于您的 GKE 集群：

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

   在部署过程中，容器必须从 Hugging Face 下载 Llama-4-Scout-17B-16E-Instruct 模型。因此，容器的部署可能需要长达 30 分钟才能完成。

3. 如需查看完成状态，请运行以下命令：

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

   --timeout=1800s 标志允许该命令监控部署长达 30 分钟。

使用 curl 与 Llama 4 互动

如需验证您部署的 Llama 4 Scout 模型，请执行以下操作：

1. 设置到 Llama 4 Scout 的端口转发：

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

2. 打开一个新终端窗口。然后，您可以使用 curl 与模型聊天：

   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. 您看到的输出类似于以下内容：

   {
         "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
       }
   

观察模型性能

如需观察模型的性能，您可以使用 Cloud Monitoring 中的 vLLM 信息中心 集成 。您可以使用此信息中心查看各种关键性能指标，例如令牌吞吐量、请求延迟时间和错误率。

如需了解如何使用 Google Cloud Managed Service for Prometheus 从模型收集指标，请参阅 vLLM Cloud Monitoring 文档中的可观测性指南。

清理

为避免因本教程中使用的资源导致您的 Google Cloud 账号产生费用，请删除包含这些资源的项目，或者保留项目但删除各个资源。

删除项目

注意：删除项目会产生以下影响：

• 项目中的所有内容都会被删除。如果您将现有项目用于本文档中的任务，则删除该项目后，还将删除您已在该项目中完成的任何其他工作。
• 自定义项目 ID 丢失。创建此项目时，您可能创建了要在将来使用的自定义项目 ID。要保留使用该项目 ID 的网址（例如 appspot.com 网址），请删除项目内的所选资源，而不是删除整个项目。

如果您打算探索多个架构、教程或快速入门，则重复使用项目 可以帮助您避免超出项目配额限制。

删除项目： Google Cloud

gcloud projects delete PROJECT_ID

删除资源

1. 如需删除 vllm-l4-17b.yaml 文件中的部署和服务以及 GKE 集群中的 Kubernetes Secret，请运行以下命令：

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

2. 如需删除 GKE 集群，请运行以下命令：

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

后续步骤

• 了解如何管理 AI 优化型 GKE 集群