基于ACK使用TGI部署Qwen模型推理服务

本文以Qwen1.5-4B-Chat模型、GPU类型为A10卡为例，演示如何在ACK中使用Hugging Face的TGI（Text Generation Inference）框架部署Qwen（通义千问）模型推理服务。

背景信息

Qwen1.5-4B-Chat

Qwen1.5-4B-Chat是阿里云基于Transformer大语言模型研发的40亿参数模型，模型在超大规模的预训练数据（预训练数据类型多样且覆盖广泛，包括大量网络文本、专业书籍、代码等）上进行训练得到。更多模型信息，请参见Qwen GitHub代码库。

TGI（Text Generation Inference）

TGI是Hugging Face开源的用于部署大语言模型推理服务的工具，能够简单快速的部署常见的大语言模型，支持Flash Attention、Paged Attention、Continuous batching、 Tensor parallelism等功能来加速推理性能，更多信息，请参见TGI官方文档。

前提条件

• 已创建包含A10卡GPU的Kubernetes集群，且集群版本为1.22及以上。具体操作，请参见创建GPU集群。

  建议GPU节点使用525版本驱动，您可以通过为GPU节点池添加标签ack.aliyun.com/nvidia-driver-version:525.105.17指定驱动版本为525.105.17。具体操作，请参见通过指定版本号自定义节点GPU驱动版本。

• 已安装最新版Arena客户端。具体操作，请参见配置Arena客户端。

步骤一：准备模型数据

本文以Qwen1.5-4B-Chat模型为例，演示如何下载模型、上传模型至OSS，以及在ACK集群中创建对应的存储卷PV和存储卷声明PVC。

如需上传模型至NAS，请参见使用NAS静态存储卷。

1. 1. 下载模型文件。

      1. 执行以下命令，安装Git。

         # 可执行yum install git或apt install git安装。
         yum install git

      2. 执行以下命令，安装Git LFS（Large File Support）插件。