前言
在《深入理解 DeepSeek 与企业实践（一）：蒸馏、部署与评测》文章中，我们详细介绍了深度模型的蒸馏、量化技术，以及 7B 模型的部署基础，通常单张 GPU 显存即可满足7B模型完整参数的运行需求。然而，当模型的参数量增长至 32B (320亿) 级别时，单卡显存往往难以支撑其完整运行。这时，我们需要引入多卡并行推理的概念，同时考虑服务器能否支持多卡的硬件架构等问题。
本篇文章将以部署 DeepSeek-Distilled-Qwen-32B 为例，深入探讨多卡并行的原理、服务器多卡硬件部署的注意事项。此外，我们还将对 32B 模型的运行性能、推理能力进行评估，对该模型适合的场景进行分析和建议。
本文目录
一、32B 模型部署所需显存评估
二、多卡推理的原理解析
三、服务器硬件部署与 GPU 配置
四、在 AIOS 智塔上一键部署 DeepSeek-Distilled-Qwen-32B
五、能力评测 : MMLU、HumanEval 等基准测试
六、32B 模型的应用场景与展望
七、展望：更大参数模型的部署策略
一、32B 模型部署所需显存评估
在部署 32B 模型时，不同的精度、上下文长度和 batch size 对显存和算力的需求有着显著影响。其核心影响因素我们在前文有过介绍，这里不再重复介绍而直接给出评估的值：
考虑到现在各种量化方法的复杂性（例如数据打包、FP8 格式量化等等），写 Int8、Int4 已经不太准确，所以在这里简单用 8 位量化、4 位量化 来估计。
此外可能还会因为不同层的量化策略、数据结构的精度、是否开启 KV Cache 量化，或者使用不同的推理框架也可能导致数据存在出入。
二、多卡推理的原理解析
根据前面的计算可以发现当使用很大的上下文、特别是精度比较高的数据精度时，单卡很难满足其显存需求。目前常见的民用卡显存普遍为 24GB 以内，常用的推理卡为 48GB，少数较为高端的 GPU 可以达到 64～141GB 的显存）。
因此，在 32B 及其以上参数的模型服务上，多卡推理基本上是必然选择，目前主要的多卡并行策略包括张量并行（Tensor Parallel）和流水线并行（Pipeline Parallel）。
1. 张量并行（Tensor Parallel）
将单个张量按维度拆分，跨多个 GPU 并行计算相同的操作。
优点：计算和通信可以重叠，提升效率。
缺点：实现复杂度高，对 GPU 间的通信带宽和延时要求较高，需要按 2 的整数次幂如 2、4、8、16 来拆分。
2. 流水线并行（Pipeline Parallel）
将模型的不同层分配到不同的 GPU，上下游 GPU 按序传递激活值，类似生产线的方式。
优点：减少了同步通信的开销，对通信带宽和延迟要求更低。
缺点：可能出现流水线空泡，导致资源浪费。
3. 并行策略对比
根据上面的表格，可以理解为张量并行更有利于提升整体的吞吐，但是流水线并行实现相对简单也适合 CPU、GPU 混合推理的场景，因此 llama.cpp（ollama 所采用的推理引擎）使用了流水线并行，这也是 llama.cpp 的多卡性能相对比较弱的原因。
三、服务器硬件部署与 GPU 配置
1. 2U 服务器安装多 GPU 的挑战
根据前面的内容，我们可以发现服务器安装 GPU 最好是 2 的整数次幂，例如 2、4、8、16 卡，这样可以通过张量并行最好发挥性能，然而对于当前用户常用的 2U 服务器来说，安装 2 张 GPU 一般是没太大问题的，但 4 张 GPU 可能就会存在挑战
如上图，我们常用的 GPU 为双宽尺寸，也就是要占用两个 PCIe 槽位，然而即使我们不考虑其他设备占用槽位的情况，也只能在常见的 2U 服务器上安装三张 GPU，由于不符合 2 的整数次幂，因此只有两张能发挥最大作用。
2. 解决方案
减少前面板硬盘数量：为散热和空间腾出位置，使用大容量硬盘替代多个小容量硬盘。
采用针对安装多 GPU 模组：对于一些服务器厂商，其设计有专门的 GPU 模组，将整个上面 1U 空间留作 GPU 安装，此时可以最多并排放入 4 双宽张 GPU。
此时，我们的前面板需要预留风道散热，因此前面板只能放 8 个 3.5 寸硬盘，需要采用较大容量的硬盘以确保容量充足。
如果希望还有更多的硬盘或者更好的散热的话则需要 3U 或 4U 或更高的服务器了，具体可以结合机柜供电、GPU 功耗来确认最佳方案。
四、在 AIOS 智塔上一键部署
DeepSeek-Distilled-Qwen-32B
1. 部署步骤
环境配置
部署步骤
环境准备：安装 ZStack AIOS 智塔，确保系统满足运行要求
一键部署：
使用 ZStack AIOS 智塔选择模型并进行加载
指定运行该模型的GPU规格和计算规格后即可部署
测试运行：在体验对话框中可以尝试对话体验或者通过 API 接入到其他应用
2. 性能评估
借助 ZStack AIOS 智塔的性能评测，可以快速对模型在当前硬件上的性能进行评测，数据总结如下：
结合上述评测的结果我们可以对当前环境的情况进行一个分析。
吞吐量（TPS）与并发数的关系
并发数从1提升到16时，TPS呈现显著增长（23→256），但达到32并发时TPS增速大幅放缓（仅提升15%）
推荐并发区间：4-16并发可获得较好的吞吐收益
峰值拐点：当并发超过16时，系统接近性能瓶颈
响应延迟的关键发现
TTFT（首响应时间）在32并发时剧增至25秒（对比1并发时的0.06秒）
总延迟在32并发时超过64秒，是低并发的2.7倍
实时性场景建议：对响应速度敏感的场景（如对话系统）应保持并发≤4
资源效率分析
单并发的会话吞吐为23.248，而32并发时降至9.198（降幅60%）
每个新增会话的边际效益在16并发后明显衰减
资源优化建议：建议通过16并发*多实例部署的方式扩展，而非单实例高并发
不同场景的推荐配置
结合ZStack AIOS 智塔提供的模型评测功能，结合实际环境，更容易得出合适的业务规划和部署模式
注：测试数据显示系统在16并发时达到最佳吞吐/延迟平衡点，超过该阈值后性能劣化明显。实际部署时建议结合硬件资源配置进行压力测试验证。
五、能力评测 : MMLU、HumanEval 等基准测试
1. 测试指标
回答准确率：模型在专业知识问答（MMLU）上的表现，体现模型的综合知识能力。
代码生成能力：在 HumanEval 基准上评测模型的编程能力，代码需要通过编译并通过单元测试。
数学推理能力：在 Math 评测集进行数学推理，体现模型的数学问题理解与推理能力。
2. 评测结果
六、32B 模型的应用场景与展望
32B 模型在多个方面展现出卓越的能力：
推理速度：通过优化，在多卡并行环境下，推理速度得到大幅提升，属于成本与能力较为平衡的推理模型。
数学能力：在复杂计算和公式推导上表现优异。
逻辑推理：能够理解和推理复杂的逻辑关系。
代码生成：具备高质量的代码编写和修正能力，但直接生成大段的完整代码相比更大参数模型会略有不足，更适合代码审查和代码补全。
因此我们总结了 DeepSeek-Distilled-Qwen-32B 可能适合的几种场景：
教学辅助
利用模型的知识储备和理解能力，提供教学内容的辅助讲解、答疑解惑等功能。
代码评审
借助模型的代码理解和生成能力，自动化地对代码进行审查，发现潜在问题，提供优化建议。
特定专业领域应用
在法律、医疗、金融等专业领域，提供高质量的文本生成、知识检索和决策支持。
七、展望：更大参数模型的部署策略
通过本文的探讨，我们深入了解了 DeepSeek-Distilled-Qwen-32B 模型的多卡并行部署方式、硬件配置要求，以及在不同精度和并行策略下的性能表现。32B 模型以其强大的能力，为企业级应用带来了新的可能性。未来，我们期待在更多的实际场景中，见证这类大型模型的价值和潜力。
在后续的文章中，我们将探讨：
DeepSeek R1 模型的量化部署：如何在有限资源下部署如 671B 规模的模型。
DeepSeek R1 模型的全精度部署：在高性能计算环境下，如何充分发挥大型模型的能力。
通过对比不同规模和精度的模型，我们希望为企业级应用提供更加全面和细致的部署方案，帮助更多行业快速落地大语言模型技术，实现商业价值。
