Gestisci modelli Llama utilizzando le GPU su GKE con vLLM

Autopilot Standard

Questo tutorial mostra come eseguire il deployment e pubblicare il modello linguistico di grandi dimensioni (LLM) Llama 4 utilizzando le GPU su Google Kubernetes Engine (GKE) con il framework di pubblicazione vLLM. Questo fornisce una base per comprendere ed esplorare il deployment pratico di LLM per l'inferenza in un ambiente Kubernetes gestito. Esegui il deployment di un container predefinito che esegue vLLM in GKE. Configuri anche GKE per caricare Llama da Hugging Face.

Suggerimento: per i deployment di produzione su GKE, ti consigliamo vivamente di utilizzare Inference Quickstart per ottenere best practice e configurazioni personalizzate per l'inferenza del modello.

Questo tutorial è destinato a ingegneri di machine learning (ML), amministratori e operatori di piattaforme e specialisti di dati e AI interessati a utilizzare le funzionalità di orchestrazione dei container Kubernetes per la gestione dei carichi di lavoro AI/ML su hardware GPU H200, H100, A100 e L4. Per scoprire di più sui ruoli comuni e sulle attività di esempio a cui facciamo riferimento nei contenuti, consulta Ruoli utente e attività comuni di GKE. Google Cloud

Se hai bisogno di una piattaforma di AI gestita unificata progettata per creare e pubblicare rapidamente modelli ML in modo economicamente vantaggioso, ti consigliamo di provare la nostra soluzione di deployment Vertex AI.

Prima di leggere questa pagina, assicurati di avere familiarità con quanto segue:

• Modalità Autopilot e Standard
• Disponibilità della versione attuale della GPU
• GPU in GKE

Sfondo

Questa sezione descrive le tecnologie chiave utilizzate in questa guida.

Llama

Llama è un modello linguistico di grandi dimensioni di Meta progettato per una gamma di attività di elaborazione del linguaggio naturale, tra cui generazione di testi, traduzione e risposta a domande. GKE offre l'infrastruttura necessaria per supportare le esigenze di addestramento e serving distribuiti di modelli di questa scala. Per saperne di più, consulta la documentazione di Llama.

GPU

Le GPU ti consentono di accelerare carichi di lavoro specifici in esecuzione sui tuoi nodi, come machine learning ed elaborazione di dati. GKE offre una gamma di opzioni di tipo di macchina per la configurazione dei nodi, inclusi i tipi di macchine con GPU NVIDIA H200, H100, L4 e A100.

vLLM

vLLM è un framework di erogazione degli LLM open source altamente ottimizzato che può aumentare la velocità effettiva di erogazione sulle GPU, con funzionalità come le seguenti:

• Implementazione ottimizzata di Transformer con PagedAttention
• Batch continuo per migliorare la velocità effettiva complessiva della pubblicazione
• Parallelismo dei tensori e pubblicazione distribuita su più GPU

Per saperne di più, consulta la documentazione di vLLM.

Obiettivi

1. Prepara l'ambiente con un cluster GKE in modalità Autopilot o Standard.
2. Esegui il deployment di un container vLLM nel cluster.
3. Utilizza vLLM per erogare i modelli Llama 4 tramite curl e un'interfaccia di chat web.

Prima di iniziare

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the required API.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the API

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the required API.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the API

• Make sure that you have the following role or roles on the project: roles/container.admin, roles/iam.serviceAccountAdmin

  Check for the roles

  1. In the Google Cloud console, go to the IAM page.

     Go to IAM
  2. Select the project.

  3. In the Principal column, find all rows that identify you or a group that you're included in. To learn which groups you're included in, contact your administrator.

  4. For all rows that specify or include you, check the Role column to see whether the list of roles includes the required roles.

  Grant the roles

  1. In the Google Cloud console, go to the IAM page.

     Vai a IAM
  2. Seleziona il progetto.
  3. Fai clic su Concedi l'accesso.

  4. Nel campo Nuove entità, inserisci il tuo identificatore dell'utente. In genere si tratta dell'indirizzo email di un Account Google.

  5. Nell'elenco Seleziona un ruolo, seleziona un ruolo.
  6. Per concedere altri ruoli, fai clic su Aggiungi un altro ruolo e aggiungi ogni ruolo successivo.
  7. Fai clic su Salva.
  • Crea un account Hugging Face, se non ne hai già uno.
  • Assicurati che il tuo progetto disponga di una quota sufficiente per le GPU H100 e H200. Per saperne di più, consulta Pianificare la quota di GPU e Quota di GPU.

  Ottenere l'accesso al modello

  Nota: per utilizzare Llama nel repository Hugging Face, devi firmare il contratto di consenso.

  Per accedere al modello tramite Hugging Face, è necessario un token Hugging Face.

  Segui questi passaggi per generare un nuovo token se non ne hai già uno:

  1. Fai clic su Il tuo profilo > Impostazioni > Token di accesso.
  2. Seleziona Nuovo token.
  3. Specifica un nome a tua scelta e un ruolo di almeno Read.
  4. Seleziona Genera un token.
  5. Copia il token generato negli appunti.

  prepara l'ambiente

  In questo tutorial utilizzerai Cloud Shell per gestire le risorse ospitate su Google Cloud. Cloud Shell include il software necessario per questo tutorial, tra cui kubectl e gcloud CLI.

  Per configurare l'ambiente con Cloud Shell:

  1. Nella console Google Cloud , avvia una sessione di Cloud Shell facendo clic su Attiva Cloud Shell nella consoleGoogle Cloud . Viene avviata una sessione nel riquadro inferiore della console Google Cloud .

  2. 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 REGION=REGION
     export CLUSTER_NAME=CLUSTER_NAME
     export HF_TOKEN=HF_TOKEN
     

     Sostituisci i seguenti valori:

     • PROJECT_ID: il tuo Google Cloud ID progetto.
     • REGION: una regione che supporta il tipo di acceleratore che vuoi utilizzare, ad esempio us-central1 per la GPU L4.
     • CLUSTER_NAME: il nome del tuo cluster.
     • HF_TOKEN: il token Hugging Face che hai generato in precedenza.

  Creare e configurare risorse Google Cloud

  Segui queste istruzioni per creare le risorse richieste.

  Nota: per utilizzare alcuni acceleratori, potrebbe essere necessario creare una prenotazione di capacità. Per scoprire come prenotare e utilizzare le risorse prenotate, consulta Utilizzo delle risorse di zona prenotate.

  Crea un cluster GKE e un pool di nodi

  Puoi gestire i modelli Llama 4 sulle GPU in un cluster GKE Autopilot o Standard. Ti consigliamo di utilizzare un cluster Autopilot per un'esperienza Kubernetes completamente gestita. Per scegliere la modalità operativa GKE più adatta ai tuoi workload, consulta Scegliere una modalità operativa GKE.

  Autopilot

  In Cloud Shell, esegui questo comando:

  gcloud container clusters create-auto CLUSTER_NAME \
      --project=PROJECT_ID \
      --location=CONTROL_PLANE_LOCATION \
      --release-channel=rapid
  

  Sostituisci i seguenti valori:

  • PROJECT_ID: il tuo Google Cloud ID progetto.
  • CONTROL_PLANE_LOCATION: la regione di Compute Engine del control plane del cluster. Fornisci una regione che supporti il tipo di acceleratore che vuoi utilizzare, ad esempio us-central1 per la GPU L4.
  • CLUSTER_NAME: il nome del tuo cluster.

  GKE crea un cluster Autopilot con nodi CPU e GPU come richiesto dai carichi di lavoro di cui è stato eseguito il deployment.

  Standard

  1. In Cloud Shell, esegui questo comando per creare un cluster Standard:

     gcloud container clusters create CLUSTER_NAME \
         --project=PROJECT_ID \
         --location=CONTROL_PLANE_LOCATION \
         --workload-pool=PROJECT_ID.svc.id.goog \
         --release-channel=rapid \
         --num-nodes=1
     

     Sostituisci i seguenti valori:

     • PROJECT_ID: il tuo Google Cloud ID progetto.
     • CONTROL_PLANE_LOCATION: la regione di Compute Engine del control plane del tuo cluster. Fornisci una regione che supporti il tipo di acceleratore che vuoi utilizzare, ad esempio us-central1 per la GPU H100.
     • CLUSTER_NAME: il nome del tuo cluster.

     La creazione del cluster potrebbe richiedere diversi minuti.

  2. Per creare un node pool per il cluster con le dimensioni del disco appropriate, esegui questo comando:

     gcloud container node-pools create gpupool \
         --accelerator type=nvidia-h100-80gb,count=1,gpu-driver-version=latest \
         --project=PROJECT_ID \
         --location=REGION \
         --node-locations=REGION-a \
         --cluster=CLUSTER_NAME \
         --machine-type=a3-highgpu-8g \
         --disk-type=pd-ssd \
         --num-nodes=1 \
         --disk-size=256
     

     GKE crea un singolo pool di nodi contenente otto GPU H100 da 80 GB.

  Crea un secret Kubernetes per le credenziali di Hugging Face

  In Cloud Shell:

  1. Configura kubectl in modo che possa comunicare con il tuo cluster:

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

     Sostituisci i seguenti valori:

     • REGION: una regione che supporta il tipo di acceleratore che vuoi utilizzare, ad esempio us-central1 per la GPU L4.
     • CLUSTER_NAME: il nome del tuo cluster.

  2. Crea un secret di Kubernetes che contenga il token Hugging Face:

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

     Sostituisci HF_TOKEN con il token Hugging Face che hai generato in precedenza.

  Esegui il deployment di vLLM

  In questa sezione, esegui il deployment del container vLLM per pubblicare i modelli Llama 4 che vuoi utilizzare:

  • Llama 4 Maverick 17B-128E
  • Llama 4 Scout 17B-16E

  Nota: non consigliamo di utilizzare modelli di base come Llama 3 8B per i chatbot di produzione per motivi di sicurezza. Per saperne di più sulle best practice, consulta le istruzioni di sistema per la sicurezza.

  Per il deployment del modello, questo tutorial utilizza i deployment Kubernetes. Un deployment è un oggetto API Kubernetes che ti consente di eseguire più repliche di pod distribuite tra i nodi di un cluster.

  Llama 4 Maverick 17B-128e

  Per eseguire il deployment del modello Llama 4 Maverick 17B-128E, segui queste istruzioni:

  1. Crea il seguente manifest vllm-llama4-maverick-17b-128e.yaml:

     apiVersion: apps/v1
     kind: Deployment
     metadata:
       name: llama-deployment
     spec:
       replicas: 1
       selector:
         matchLabels:
           app: llama-server
       template:
         metadata:
           labels:
             app: llama-server
             ai.gke.io/model: Llama-4-Maverick-17B-128E
             ai.gke.io/inference-server: vllm
         spec:
           containers:
           - name: inference-server
             image: docker.io/vllm/vllm-openai:v0.10.0
             resources:
               requests:
                 cpu: 157
                 memory: 2067Gi
                 ephemeral-storage: 850Gi
                 nvidia.com/gpu : 8
               limits:
                 cpu: 157
                 memory: 2067Gi
                 ephemeral-storage: 850Gi
                 nvidia.com/gpu : 8
             command: ["python3", "-m", "vllm.entrypoints.openai.api_server"]
             args:
             - --host=0.0.0.0
             - --port=7080
             - --swap-space=16
             - --max-model-len=131072
             - --gpu-memory-utilization=0.95
             - --disable-log-stats
             - --dtype=auto
             - --kv-cache-dtype=auto
             - --max-num-seqs=64
             - --model=meta-llama/Llama-4-Maverick-17B-128E
             - --tensor-parallel-size=8
             env:
             - name: LD_LIBRARY_PATH
               value: ${LD_LIBRARY_PATH}:/usr/local/nvidia/lib64
             - name: MODEL_ID
               value: 'meta-llama/Llama-4-Maverick-17B-128E'
             - name: HUGGING_FACE_HUB_TOKEN
               valueFrom:
                 secretKeyRef:
                   name: hf-secret
                   key: hf_api_token
             volumeMounts:
             - mountPath: /dev/shm
               name: dshm
           volumes:
           - name: dshm
             emptyDir:
               medium: Memory
           nodeSelector:
             cloud.google.com/gke-accelerator: nvidia-h200-141gb
     ---
     apiVersion: v1
     kind: Service
     metadata:
       name: llama-service
     spec:
       selector:
         app: llama-server
       type: ClusterIP
       ports:
       - protocol: TCP
         port: 8000
         targetPort: 7080
     ---
     apiVersion: v1
     kind: Secret
     metadata:
       name: hf-secret
     type: Opaque
     stringData:
       hf_api_token: {{HF_TOKEN}}

  2. Applica il manifest:

     kubectl apply -f vllm-llama4-maverick-17b-128e.yaml
     

     Nel nostro esempio, limitiamo la finestra contestuale a 128 K utilizzando l'opzione --max-model-len=131072 vLLM.

  Llama 4 Maverick 17B-128e-it

  Per eseguire il deployment del modello ottimizzato per le istruzioni Llama 4 Maverick 17B-128e, segui queste istruzioni:

  1. Crea il seguente manifest vllm-llama4-maverick-17b-128e-instruct.yaml:

     apiVersion: apps/v1
     kind: Deployment
     metadata:
       name: llama-deployment
     spec:
       replicas: 1
       selector:
         matchLabels:
           app: llama-server
       template:
         metadata:
           labels:
             app: llama-server
             ai.gke.io/model: Llama-4-Maverick-17B-128E-Instruct
             ai.gke.io/inference-server: vllm
         spec:
           containers:
           - name: inference-server
             image: docker.io/vllm/vllm-openai:v0.10.0
             resources:
               requests:
                 cpu: 157
                 memory: 2067Gi
                 ephemeral-storage: 850Gi
                 nvidia.com/gpu : 8
               limits:
                 cpu: 157
                 memory: 2067Gi
                 ephemeral-storage: 850Gi
                 nvidia.com/gpu : 8
             command: ["python3", "-m", "vllm.entrypoints.openai.api_server"]
             args:
             - --host=0.0.0.0
             - --port=7080
             - --swap-space=16
             - --max-model-len=131072
             - --gpu-memory-utilization=0.95
             - --disable-log-stats
             - --dtype=auto
             - --kv-cache-dtype=auto
             - --max-num-seqs=64
             - --model=meta-llama/Llama-4-Maverick-17B-128E-Instruct
             - --tensor-parallel-size=8
             env:
             - name: LD_LIBRARY_PATH
               value: ${LD_LIBRARY_PATH}:/usr/local/nvidia/lib64
             - name: MODEL_ID
               value: 'meta-llama/Llama-4-Maverick-17B-128E-Instruct'
             - name: HUGGING_FACE_HUB_TOKEN
               valueFrom:
                 secretKeyRef:
                   name: hf-secret
                   key: hf_api_token
             volumeMounts:
             - mountPath: /dev/shm
               name: dshm
           volumes:
           - name: dshm
             emptyDir:
               medium: Memory
           nodeSelector:
             cloud.google.com/gke-accelerator: nvidia-h200-141gb
     ---
     apiVersion: v1
     kind: Service
     metadata:
       name: llama-service
     spec:
       selector:
         app: llama-server
       type: ClusterIP
       ports:
       - protocol: TCP
         port: 8000
         targetPort: 7080
     ---
     apiVersion: v1
     kind: Secret
     metadata:
       name: hf-secret
     type: Opaque
     stringData:
       hf_api_token: {{HF_TOKEN}}

  2. Applica il manifest:

     kubectl apply -f vllm-llama4-maverick-17b-128e-instruct.yaml
     

     Nel nostro esempio, limitiamo la finestra contestuale a 128 K utilizzando l'opzione --max-model-len=131072 vLLM.

  Llama 4 Maverick 17B-128e-it-fp8

  Per eseguire il deployment del modello Llama 4 Maverick 17B-128e-Instruct-FP8, segui queste istruzioni:

  1. Crea il seguente manifest vllm-llama4-maverick-17b-128e-instruct-fp8.yaml:

     apiVersion: apps/v1
     kind: Deployment
     metadata:
       name: llama-deployment
     spec:
       replicas: 1
       selector:
         matchLabels:
           app: llama-server
       template:
         metadata:
           labels:
             app: llama-server
             ai.gke.io/model: Llama-4-Maverick-17B-128E-Instruct-FP8
             ai.gke.io/inference-server: vllm
         spec:
           containers:
           - name: inference-server
             image: docker.io/vllm/vllm-openai:v0.10.0
             resources:
               requests:
                 cpu: 146
                 memory: 1311Gi
                 ephemeral-storage: 600Gi
                 nvidia.com/gpu : 8
               limits:
                 cpu: 146
                 memory: 1311Gi
                 ephemeral-storage: 600Gi
                 nvidia.com/gpu : 8
             command: ["python3", "-m", "vllm.entrypoints.openai.api_server"]
             args:
             - --host=0.0.0.0
             - --port=7080
             - --swap-space=16
             - --max-model-len=524288
             - --gpu-memory-utilization=0.90
             - --disable-log-stats
             - --model=meta-llama/Llama-4-Maverick-17B-128E-Instruct-FP8
             - --tensor-parallel-size=8
             env:
             - name: LD_LIBRARY_PATH
               value: ${LD_LIBRARY_PATH}:/usr/local/nvidia/lib64
             - name: MODEL_ID
               value: 'meta-llama/Llama-4-Maverick-17B-128E-Instruct-FP8'
             - name: HUGGING_FACE_HUB_TOKEN
               valueFrom:
                 secretKeyRef:
                   name: hf-secret
                   key: hf_api_token
             volumeMounts:
             - mountPath: /dev/shm
               name: dshm
           volumes:
           - name: dshm
             emptyDir:
               medium: Memory
           nodeSelector:
             cloud.google.com/gke-accelerator: nvidia-h100-80gb
     ---
     apiVersion: v1
     kind: Service
     metadata:
       name: llama-service
     spec:
       selector:
         app: llama-server
       type: ClusterIP
       ports:
       - protocol: TCP
         port: 8000
         targetPort: 7080
     ---
     apiVersion: v1
     kind: Secret
     metadata:
       name: hf-secret
     type: Opaque
     stringData:
       hf_api_token: {{HF_TOKEN}}

  2. Applica il manifest:

     kubectl apply -f vllm-llama4-maverick-17b-128e-instruct-fp8.yaml
     

     Nel nostro esempio, limitiamo la finestra contestuale a 512 K utilizzando l'opzione --max-model-len=524288 vLLM.

  Llama 4 Scout 17B-16e

  Per eseguire il deployment del modello Llama 4 Scout 17B-16E, segui queste istruzioni:

  1. Crea il seguente manifest vllm-llama4-scout-17b-16e.yaml:

     apiVersion: apps/v1
     kind: Deployment
     metadata:
       name: llama-deployment
     spec:
       replicas: 1
       selector:
         matchLabels:
           app: llama-server
       template:
         metadata:
           labels:
             app: llama-server
             ai.gke.io/model: Llama-4-Scout-17B-16E
             ai.gke.io/inference-server: vllm
         spec:
           containers:
           - name: inference-server
             image: docker.io/vllm/vllm-openai:v0.10.0
             resources:
               requests:
                 cpu: 146
                 memory: 1311Gi
                 ephemeral-storage: 600Gi
                 nvidia.com/gpu : 8
               limits:
                 cpu: 146
                 memory: 1311Gi
                 ephemeral-storage: 600Gi
                 nvidia.com/gpu : 8
             command: ["python3", "-m", "vllm.entrypoints.openai.api_server"]
             args:
             - --host=0.0.0.0
             - --port=7080
             - --swap-space=16
             - --max-model-len=262144
             - --limit_mm_per_prompt
             - '{"image": 5}'
             - --disable-log-stats
             - --model=meta-llama/Llama-4-Scout-17B-16E
             - --tensor-parallel-size=8
             env:
             - name: LD_LIBRARY_PATH
               value: ${LD_LIBRARY_PATH}:/usr/local/nvidia/lib64        
             - name: MODEL_ID
               value: 'meta-llama/Llama-4-Scout-17B-16E'
             - name: HUGGING_FACE_HUB_TOKEN
               valueFrom:
                 secretKeyRef:
                   name: hf-secret
                   key: hf_api_token
             volumeMounts:
             - mountPath: /dev/shm
               name: dshm
           volumes:
           - name: dshm
             emptyDir:
               medium: Memory
           nodeSelector:
             cloud.google.com/gke-accelerator: nvidia-h100-80gb
     ---
     apiVersion: v1
     kind: Service
     metadata:
       name: llama-service
     spec:
       selector:
         app: llama-server
       type: ClusterIP
       ports:
       - protocol: TCP
         port: 8000
         targetPort: 7080
     ---
     apiVersion: v1
     kind: Secret
     metadata:
       name: hf-secret
     type: Opaque
     stringData:
       hf_api_token: {{HF_TOKEN}}

  2. Applica il manifest:

     kubectl apply -f vllm-llama4-scout-17b-16e.yaml
     

     Nel nostro esempio, limitiamo la finestra contestuale a 256 K utilizzando l'opzione --max-model-len=262144 vLLM.

  Llama 4 Scout 17B-16e-it

  Per eseguire il deployment del modello ottimizzato per le istruzioni Llama 4 Scout 17B-16e Instruct, segui queste istruzioni:

  1. Crea il seguente manifest vllm-llama4-scout-17b-16e-instruct.yaml:

     apiVersion: apps/v1
     kind: Deployment
     metadata:
       name: llama-deployment
     spec:
       replicas: 1
       selector:
         matchLabels:
           app: llama-server
       template:
         metadata:
           labels:
             app: llama-server
             ai.gke.io/model: Llama-4-Scout-17B-16E-Instruct
             ai.gke.io/inference-server: vllm
         spec:
           containers:
           - name: inference-server
             image: docker.io/vllm/vllm-openai:v0.10.0
             resources:
               requests:
                 cpu: 146
                 memory: 1311Gi
                 ephemeral-storage: 600Gi
                 nvidia.com/gpu : 8
               limits:
                 cpu: 146
                 memory: 1311Gi
                 ephemeral-storage: 600Gi
                 nvidia.com/gpu : 8
             command: ["python3", "-m", "vllm.entrypoints.openai.api_server"]
             args:
             - --host=0.0.0.0
             - --port=7080
             - --swap-space=16
             - --max-model-len=1310720
             - --limit_mm_per_prompt
             - '{"image": 5}'
             - --disable-log-stats
             - --model=meta-llama/Llama-4-Scout-17B-16E-Instruct
             - --tensor-parallel-size=8
             env:
             - name: LD_LIBRARY_PATH
               value: ${LD_LIBRARY_PATH}:/usr/local/nvidia/lib64
             - 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
           volumes:
           - name: dshm
             emptyDir:
               medium: Memory
           nodeSelector:
             cloud.google.com/gke-accelerator: nvidia-h100-80gb
     ---
     apiVersion: v1
     kind: Service
     metadata:
       name: llama-service
     spec:
       selector:
         app: llama-server
       type: ClusterIP
       ports:
       - protocol: TCP
         port: 8000
         targetPort: 7080
     ---
     apiVersion: v1
     kind: Secret
     metadata:
       name: hf-secret
     type: Opaque
     stringData:
       hf_api_token: {{HF_TOKEN}}

  2. Applica il manifest:

     kubectl apply -f vllm-llama4-scout-17b-16e-instruct.yaml
     

     Nel nostro esempio, limitiamo la finestra contestuale a 1280 K utilizzando l'opzione --max-model-len=1310720 vLLM.

  Attendi che il deployment sia disponibile:

  kubectl wait --for=condition=Available --timeout=1800s deployment/llama-deployment
  

  Visualizza i log del deployment in esecuzione:

  kubectl logs -f -l app=llama-server
  

  La risorsa Deployment scarica i dati del modello. Questo processo può richiedere alcuni minuti. L'output è simile al seguente:

  INFO:     Started server process [145]
  INFO:     Waiting for application startup.
  INFO:     Application startup complete.
  ...
  INFO 04-07 13:36:29 [async_llm.py:228] Added request chatcmpl-4149ea4cf35e48559f9f819dcdbbb23e.
  INFO:     127.0.0.1:44018 - "POST /v1/chat/completions HTTP/1.1" 200 OK
  

  Assicurati che il modello sia stato scaricato completamente prima di procedere alla sezione successiva.

  Pubblica il modello

  In questa sezione, interagisci con il modello.

  Configurare il port forwarding

  Per configurare il port forwarding al modello, esegui questo comando:

  kubectl port-forward service/llama-service 8080:8000
  

  L'output è simile al seguente:

  Forwarding from 127.0.0.1:8080 -> 7080
  

  Interagisci con il modello utilizzando curl

  Questa sezione mostra come eseguire un test di fumo di base per verificare il modello Llama ottimizzato per le istruzioni di cui è stato eseguito il deployment. Per gli altri modelli, sostituisci meta-llama/Llama-4-Scout-17B-16E con il nome del modello corrispondente.

  Questo esempio mostra come testare il modello Llama 4 Scout 17B-16E con input di solo testo.

  In una nuova sessione del terminale, utilizza curl per chattare con il tuo modello:

  curl http://localhost:8080/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
      "model": "meta-llama/Llama-4-Scout-17B-16E",
      "messages": [{"role": "user", "content": "San Francisco is a"}],
      "max_tokens": 7,
      "temperature": 0
    }'
  

  L'output è simile al seguente:

  "message":{"role":"assistant","reasoning_content":null,"content":"San Francisco is a city","tool_calls":[]}
  

  Successo: hai gestito correttamente Llama utilizzando le GPU su GKE con vLLM. Ora puoi interagire con il modello.

  Risoluzione dei problemi

  • Se visualizzi il messaggio Empty reply from server, il contenitore potrebbe non aver completato il download dei dati del modello. Controlla di nuovo i log del pod per il messaggio Connected, che indica che il modello è pronto per la pubblicazione.
  • Se visualizzi il messaggio Connection refused, verifica che l'inoltro delle porte sia attivo.

  Osserva le prestazioni del modello

  Per visualizzare le dashboard per le metriche di osservabilità di un modello, segui questi passaggi:

  1. Nella console Google Cloud , vai alla pagina Modelli di cui è stato eseguito il deployment.

     Vai a Modelli di cui è stato eseguito il deployment

  2. Per visualizzare i dettagli del deployment specifico, incluse metriche, log e dashboard, fai clic sul nome del modello nell'elenco.

  3. Nella pagina dei dettagli del modello, fai clic sulla scheda Osservabilità per visualizzare le seguenti dashboard. Se richiesto, fai clic su Abilita per abilitare la raccolta delle metriche per il cluster.

     • La dashboard Utilizzo dell'infrastruttura mostra le metriche di utilizzo.
     • La dashboard DCGM mostra le metriche DCGM.
     • Se utilizzi vLLM, la dashboard Prestazioni del modello è disponibile e mostra le metriche per le prestazioni del modello vLLM.

  Puoi anche visualizzare le metriche nell'integrazione della dashboard vLLM in Cloud Monitoring. Queste metriche vengono aggregate per tutti i deployment di vLLM senza filtri preimpostati

  Per utilizzare la dashboard in Cloud Monitoring, devi abilitare Google Cloud Managed Service per Prometheus, che raccoglie le metriche da vLLM, nel tuo cluster GKE. vLLM espone le metriche nel formato Prometheus per impostazione predefinita; non è necessario installare un esportatore aggiuntivo. Per informazioni sull'utilizzo di Google Cloud Managed Service per Prometheus per raccogliere le metriche del modello, consulta le indicazioni sull'osservabilità di vLLM nella documentazione di Cloud Monitoring.

  Esegui la pulizia

  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.

  Elimina le risorse di cui è stato eseguito il deployment

  Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse che hai creato in questa guida, esegui questo comando:

  gcloud container clusters delete CLUSTER_NAME \
      --location=CONTROL_PLANE_LOCATION
  

  Sostituisci i seguenti valori:

  • CONTROL_PLANE_LOCATION: la regione di Compute Engine del control plane del tuo cluster.
  • CLUSTER_NAME: il nome del tuo cluster.

  Passaggi successivi

  • Scopri di più sulle GPU in GKE.
  • Scopri come utilizzare Llama con vLLM su altri acceleratori, incluse le GPU A100 e H100, visualizzando il codice campione in GitHub.
  • Scopri come eseguire il deployment dei carichi di lavoro GPU in Autopilot.
  • Scopri come eseguire il deployment dei carichi di lavoro GPU in Standard.
  • Esplora il repository GitHub e la documentazione di vLLM.
  • Esplora Vertex AI Model Garden.
  • Scopri come eseguire workload di AI/ML ottimizzati con le funzionalità di orchestrazione della piattaforma GKE.