在 AutoDL 上部署 TensorRT-LLM 实践_autodl安装tensorrt-优快云博客

#TensorRTLLM 1.0 实战#

在 AutoDL 上升级 CUDA 版本到 13.0

NVIDIA 官方文档中说 TensorRT-LLM 只支持 pytorch 2.7.1 和 CUDA 12.9 到 13.0 <https://nvidia.github.io/TensorRT-LLM/latest/installation/linux.html#linux>.

但是目前 AutoDL 官方镜像最高只提供到 CUDA 12.8，可以在 AutoDL 的文档查到 AutoDL 当前所有默认支持的 CUDA 版本 <https://autodl.com/docs/base_config/>。所以我们需要升级一下 CUDA 版本。

我们选择官方的 pytorch 2.8.0 + CUDA 12.8 版本的镜像启动 AutoDL，然后开始升级 CUDA 到 13.0 版本。

首先，AutoDL 系统盘只有 30G，很容易爆盘。咱们先把. cache 目录给移动到数据盘上去。

mkdir -p /root/autodl-tmp/cache
rm -rf ~/.cache
ln -s /root/autodl-tmp/cache ~/.cache

mv /root/miniconda3 /root/autodl-tmp
ln -s /root/autodl-tmp/miniconda3/ /root/miniconda3

AutoDL 查看剩余容量的方法比较特殊，使用如下命令查看。

source ~/.bashrc

在 AutoDL 上查看 ubuntu 版本

cat /proc/version

在 NIVIDA 官网 <https://developer.nvidia.com/cuda-toolkit-archive> 下载安装新的 CUDA 安装包。

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/13.0.2/local_installers/cuda-repo-ubuntu2204-13-0-local_13.0.2-580.95.05-1_amd64.deb
dpkg -i cuda-repo-ubuntu2204-13-0-local_13.0.2-580.95.05-1_amd64.deb
cp /var/cuda-repo-ubuntu2204-13-0-local/cuda-*-keyring.gpg /usr/share/keyrings/
apt-get update
apt-get -y install cuda-toolkit-13-0

在 AutoDL 上查看 CUDA 版本的方法也比较特殊。

ldconfig -p | grep nvrtc
ldconfig -p | grep cudnn

在 AutoDL 上安装 TensorRT-LLM

接下来我们稍微更新一下系统，安装两个TensorRT-LLM的依赖。

apt update
apt upgrade
apt-get -y install libopenmpi-dev
apt-get -y install libzmq3-dev

然后，我们使用 pip 安装。

pip install tensorrt_llm

这个过程耗时会比较长，我们多等待一会儿。

安装 TensorRT-LLM 的依赖库

像上面那样安装结束之后，trtllm-serve 命令会卡在 orted 命令的执行过不去。还是缺少某些依赖。

找了一会儿没定位到具体缺什么依赖。我们放一个解决依赖问题的大招 —— 安装 anaconda 整合包。我们去 anaconda 的官网 <https://www.anaconda.com/download> <https://www.anaconda.com/download/success>下载一个 linux 的整合包安装上。

当然，由于主磁盘的容量限制，在 AutoDL 上安装 anaconda 也有些特殊。我们用下面的命令安装。其中 -u 参数是允许目录在安装之前就存在。

wget https://repo.anaconda.com/archive/Anaconda3-2025.06-0-Linux-x86_64.sh
mkdir -p /root/autodl-tmp/anaconda3
ln -s /root/autodl-tmp/anaconda3/ /root/anaconda3
bash Anaconda3-2025.06-0-Linux-x86_64.sh -u

然后我们再执行 trtllm-serve 命令，就会出现如下的成功画面了。

(base) root@autodl-container-ed0440a042-7c88f889:~# trtllm-serve
<frozen importlib._bootstrap_external>:1297: FutureWarning: The cuda.cuda module is deprecated and will be removed in a future release, please switch to use the cuda.bindings.driver module instead.
<frozen importlib._bootstrap_external>:1297: FutureWarning: The cuda.cudart module is deprecated and will be removed in a future release, please switch to use the cuda.bindings.runtime module instead.
[2025-11-08 11:40:09] INFO config.py:54: PyTorch version 2.7.1 available.
2025-11-08 11:40:12,502 - INFO - flashinfer.jit: Prebuilt kernels not found, using JIT backend
[TensorRT-LLM] TensorRT LLM version: 1.0.0
/root/miniconda3/lib/python3.12/site-packages/tensorrt_llm/serve/openai_protocol.py:84: UserWarning: Field name "schema" in "ResponseFormat" shadows an attribute in parent "OpenAIBaseModel"
  class ResponseFormat(OpenAIBaseModel):
Usage: trtllm-serve [OPTIONS] COMMAND [ARGS]...

Options:
  --help  Show this message and exit.

Commands:
  disaggregated             Running server in disaggregated mode
  disaggregated_mpi_worker  Launching disaggregated MPI worker
  serve                     Running an OpenAI API compatible server

至此，我们就成功安装好了 TensorRT-LLM，后面我们来试试使用它来做推理工作。

使用 ModelScope 下载模型

TensorRT-LLM 支持自动下载大模型文件并进行推理的模式，但有些自定义模型需要我们从本地载入。所以本次我们采取先使用 ModelScope 客户端下载大模型到磁盘，然后 TensorRT-LLM 读取本地离线文件推理的方式启动推理服务。

我们先安装 modelscope。

pip install modelscope

然后我们下载一个 qwen3 的 0.6b 让 trtllm-serve 试试看。

mkdir -p /root/autodl-tmp/qwen3-0.6b
modelscope download --model Qwen/Qwen3-0.6B --local_dir /root/autodl-tmp/qwen3-0.6b/

使用 TensorRT-LLM 调用本地模型进行推理

trtllm-serve Qwen3-0.6B/

需要注意的是这里使用的是相对路径，不成功的话，看看自己的当前路径。

测试推理

接下来我们可以用 curl 命令验证是否可以成功推理。

curl http://localhost:8000/v1/completions \
  -H "Content-Type: application/json" \
  -d '{
      "model": "Qwen3-0.6B/",
      "prompt": "中国最长的河是？",
      "max_tokens": 128,
      "temperature": 0
  }'

得到答复即为部署成功。