Entrega Qwen3-8B-Base con vLLM en TPU

En este instructivo, se muestra cómo entregar el modelo Qwen/Qwen3-8B-Base con el framework de entrega de vLLM TPU en una VM de TPU v6e.

Objetivos

  1. Configura el entorno.
  2. Ejecuta vLLM con Qwen3-8B-Base.
  3. Envía una solicitud de inferencia.
  4. Ejecuta una carga de trabajo de comparativa.
  5. Realiza una limpieza

Costos

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

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

Antes de comenzar

Antes de seguir este instructivo, sigue las instrucciones de la página Configura el entorno de Cloud TPU. Las instrucciones te guían por los pasos necesarios para crear un Google Cloud proyecto y configurarlo para usar Cloud TPU. También puedes usar un proyecto existente Google Cloud Si decides hacerlo, puedes omitir el paso de crear un Google Cloud proyecto y comenzar con Configura tu entorno para usar Cloud TPU.

Para usar este instructivo, necesitas un token de acceso de Hugging Face. Puedes registrarte para obtener una cuenta gratuita en Hugging Face. Una vez que tengas una cuenta, genera un token de acceso:

  1. En la página Welcome to Hugging Face, haz clic en el avatar de tu cuenta y selecciona Access tokens.
  2. En la página Access Tokens, haz clic en Create new token.
  3. Selecciona el tipo de token Read y, luego, ingresa un nombre para tu token.
  4. Se muestra tu token de acceso. Guarda el token en un lugar seguro.

Configura tu entorno

Recursos en cola

Crea una VM de Cloud TPU v6e con la API de recursos en cola. Para Qwen3-8B-Base, recomendamos usar una TPU v6e-1.

export PROJECT_ID=<PROJECT>
export TPU_NAME=<TPU_NAME>
export ZONE=<ZONE>
export QR_ID=<QR_ID>
export TPU_TYPE=<TPU_TYPE>

Configura las variables:

  • PROJECT - El nombre del proyecto
  • TPU_NAME - El nombre de la máquina de la VM de TPU que crearás
  • ZONE - La zona de la nube en la que crearás la VM nueva
  • TPU_TYPE - El tipo de VM de TPU que crearás Por ejemplo: v6e-1 o v6e-4
  • QR_ID - Nombre del recurso en cola que crearás

Crea la solicitud de recurso en cola:

gcloud alpha compute tpus queued-resources create $QR_ID \
 --node-id $TPU_NAME \
 --project $PROJECT_ID \
 --zone $ZONE \
 --accelerator-type $TPU_TYPE \
 --runtime-version v2-alpha-tpuv6e

Verifica que tu VM de TPU esté lista.

gcloud compute tpus queued-resources describe $QR_ID \
  --project $PROJECT_ID \
  --zone $ZONE

Por ejemplo, cuando el estado es ACTIVE:

name: projects/your-project-id/locations/your-zone/queuedResources/your-queued-resource-id
  state:
  state: ACTIVE
  tpu:
  nodeSpec:
  - node:
      acceleratorType: v6e-1
      bootDisk: {}
      networkConfig:
          enableExternalIps: true
      queuedResource: projects/your-project-number/locations/your-zone/queuedResources/your-queued-resource-id
      runtimeVersion: v2-alpha-tpuv6e
      schedulingConfig: {}
      serviceAccount: {}
      shieldedInstanceConfig: {}
      useTpuVm: true
      nodeId: your-node-id
      parent: projects/your-project-number/locations/your-zone

Reserva

Crea una VM de Cloud TPU v6e con una reserva. Para Qwen3-8B-Base, recomendamos usar una TPU v6e-1. Comienza por configurar las variables de entorno:

export PROJECT_ID="YOUR_PROJECT_ID"
export TPU_NAME="TPU_MACHINE_NAME"
export ZONE="ZONE_NAME"
export TPU_TYPE=v6e-8
export HF_TOKEN="YOUR_HF_TOKEN"
export RESERVATION="RESERVATION_NAME"

Configura las variables:

  • PROJECT - El nombre del proyecto
  • TPU_NAME - El nombre de la máquina de la VM de TPU que crearás
  • ZONE - La zona de la nube en la que crearás la VM nueva
  • TPU_TYPE - El tipo de VM de TPU que crearás Por ejemplo: v6e-1 o v6e-4
  • RESERVATION - Nombre de la reserva con tus TPU.

Crea la VM de TPU con tu reserva:

gcloud alpha compute tpus tpu-vm create $TPU_NAME \
    --zone=$ZONE \
    --project $PROJECT_ID \
    --accelerator-type=$TPU_TYPE \
    --version=v2-alpha-tpuv6e \
    --provisioning-model=reservation-bound \
    --reservation=$RESERVATION

Conéctate a la VM de TPU.

gcloud compute tpus tpu-vm ssh $TPU_NAME \
  --project $PROJECT_ID \
  --zone $ZONE

Ejecuta vLLM con Qwen3-8B-Base

  1. Configura las variables de nombre del modelo y token de Hugging Face.

      export HF_TOKEN="YOUR_HF_TOKEN"
  export MODEL_NAME="Qwen/Qwen3-8B-Base"

  2. Dentro de la VM de TPU, ejecuta el contenedor de Docker de vLLM en modo separado y, luego, inicia el servidor de vLLM. Este comando usa un tamaño de memoria compartida de 10 GB.

    export DOCKER_URI="vllm/vllm-tpu:v0.18.0"
export CONTAINER_NAME="${USER}-vllm"
export MAX_MODEL_LEN=4096
export TP=1 # number of chips

sudo docker run -d --name "${CONTAINER_NAME}" \
    --privileged --net=host \
    -v /dev/shm:/dev/shm \
    --shm-size 10gb \
    -e "HF_HOME=/dev/shm" \
    -e "HF_TOKEN=${HF_TOKEN}" \
    -p 8000:8000 "${DOCKER_URI}" \
        vllm serve ${MODEL_NAME} \
            --seed 42 \
            --gpu-memory-utilization 0.98 \
            --max-num-batched-tokens 1024 \
            --max-num-seqs 128 \
            --tensor-parallel-size $TP \
            --max-model-len $MAX_MODEL_LEN

  3. Consulta los registros del servidor para confirmar que se esté ejecutando.

    sudo docker logs -f "${CONTAINER_NAME}"

    Cuando el servidor de vLLM esté en ejecución, verás un resultado similar al siguiente. Después de que se muestre el resultado, presiona CTRL+C para volver a la terminal.

    (APIServer pid=7) INFO:     Started server process [7]
(APIServer pid=7) INFO:     Waiting for application startup.
(APIServer pid=7) INFO:     Application startup complete.

Envía una solicitud de inferencia

Una vez que el servidor de vLLM esté en ejecución, puedes enviar solicitudes a la API. Para obtener más información, consulta la documentación de referencia de la API de vLLM.

  1. Envía una solicitud de prueba al servidor con curl.

    sudo docker exec "${CONTAINER_NAME}" \
  curl http://localhost:8000/v1/completions \
    -H "Content-Type: application/json" \
    -d '{
        "prompt": "The future of AI is",
        "max_tokens": 200,
        "temperature": 0
      }'

La respuesta se muestra en formato JSON.

Ejecuta una carga de trabajo de comparativa

Puedes ejecutar comparativas en el servidor en ejecución desde tu segunda terminal.

  1. Dentro del contenedor, instala la biblioteca datasets.

    sudo docker exec "${CONTAINER_NAME}" pip install datasets

  2. Dentro del contenedor, ejecuta el comando vllm bench serve.

    sudo docker exec "${CONTAINER_NAME}" \
    vllm bench serve \
        --backend vllm \
        --dataset-name random \
        --num-prompts 1000 \
        --seed 100

Los resultados de la comparativa aparecen de la siguiente manera:

============ Serving Benchmark Result ============
Successful requests:                     1000
Failed requests:                         0
Benchmark duration (s):                  73.97
Total input tokens:                      1024000
Total generated tokens:                  128000
Request throughput (req/s):              13.52
Output token throughput (tok/s):         1730.38
Peak output token throughput (tok/s):    2522.00
Peak concurrent requests:                1000.00
Total Token throughput (tok/s):          15573.42
---------------Time to First Token----------------
Mean TTFT (ms):                          34834.97
Median TTFT (ms):                        34486.19
P99 TTFT (ms):                           70234.40
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms):                          47.30
Median TPOT (ms):                        48.57
P99 TPOT (ms):                           48.60
---------------Inter-token Latency----------------
Mean ITL (ms):                           47.31
Median ITL (ms):                         53.49
P99 ITL (ms):                            54.58
==================================================

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.

  1. En tu terminal, escribe exit para desconectarte de la VM de TPU.

Borra tus recursos

Puedes borrar el proyecto, lo que borrará todos los recursos, o puedes conservar el proyecto y borrar los recursos.

Borra tu proyecto

Para borrar tu Google Cloud proyecto y todos los recursos asociados, ejecuta lo siguiente:

    gcloud projects delete $PROJECT_ID

Borra los recursos de TPU

Recursos en cola

Borra tus recursos de Cloud TPU. El siguiente comando borra la solicitud de recursos en cola y la VM de TPU con el parámetro --force.

gcloud alpha compute tpus queued-resources delete $QR_ID \
  --project=$PROJECT_ID \
  --zone=$ZONE \
  --force

Reserva

Borra tu VM de Cloud TPU. Usa el siguiente comando para finalizar la VM y liberar las TPU en tu reserva.

gcloud compute tpus tpu-vm delete $TPU_NAME --zone $ZONE --project $PROJECT_ID --quiet

¿Qué sigue?