华为MindIE初体验：Qwen1.5-14B-Chat模型40并发推理实测

最近发现华为NPU的生态里多了一个成员——MindIE，部分解决了大模型推理的问题，下面简要介绍下Mind华为昇腾NPU卡的生态。

TL;DR

1. 华为NPU生态新增了MindIE,部分解决了大模型推理问题
2. 华为昇腾NPU与英伟达GPU生态层级对比:

• CANN 对应 CUDA
• MindSpore 对应 PyTorch
• MindFormer 对应 Transformers
• MindIE 对应 vLLM
• MindIE目前支持的模型有限,包括:
• LLaMA 3-8B, LLaMA 2-7B
• Qwen 1.5-14B-Chat, Qwen 1.5-72B-Chat
• ChatGLM3-6B
• 未列出的模型大概率不支持
• MindIE推理性能测试(使用910B4卡):
• 并发数: 40
• 首token平均延迟: 66毫秒
• 每秒生成token数: 约1200
• 单请求每秒生成token数: 约30
• 模型: Qwen 1.5-14B-Chat
• 硬件: 4卡910B4
• 测试条件：
• 测试结论
• 测试结果显示，MindIE的推理性能基本可以满足生产环境需求

基本概念

首先，在英伟达的生态中，有从底层到上层分别有CUDA、PyTorch、transformers、vLLM等常见库。对应的，在华为的生态中，分别有CANN、MindSpore、MindFormer、MindIE。具体对应关系见下图：



关于MindSpore、MindIE的详细介绍，分别见下面的图与链接：



MindSpore——https://www.mindspore.cn/



MindIE——https://www.hiascend.com/software/mindie

MindIE目前支持的模型们

在华鲲振宇AI最优解/ Ascend-FAQ的gitee^[1]页面上，介绍了MindIE目前支持的模型，包含了llama3-8B、llama2-7B、Qwen1.5-14B-Chat、Qwen1.5-72B-Chat、chatglm3-6B等模型。

目前看支持的大模型很少，而且页面上没有写的大概率不支持（比如Qwen1.5-32B-Chat以及Qwen2系列实测均不支持）。

MindIE推理效果

虽然支持的模型不多，但是，得益于910B系列卡的强劲算力，配合MindIE框架做了下并发推理测试，具体结果如下：



可以看到4卡910B4，跑Qwen1.5-14B-Chat模型，在40并发的情况下，首token平均延迟为66毫秒，每秒token生成数在1200左右，单个请求每秒生成token数约为30个，基本可以满足生产环境的需求