NVIDIA GPU

在 NVIDIA GPU 上部署 xLLM 时使用 CUDA 后端。

镜像和容器启动命令

拉取 CUDA 开发镜像：

docker pull quay.io/jd_xllm/xllm-ai:xllm-dev-cuda-x86

启动容器：

sudo docker run -it \
--privileged \
--shm-size '128gb' \
--ipc=host \
--net=host \
--pid=host \
--name=xllm-cuda \
-v $HOME:$HOME \
-w $HOME \
<docker_image_name> \
/bin/bash

服务启动命令

#!/bin/bash
set -e

rm -rf core.*

export CUDA_VISIBLE_DEVICES=0
# for debug
# export CUDA_LAUNCH_BLOCKING=1

MODEL_PATH="/path/to/model/Qwen3-8B"
MASTER_NODE_ADDR="127.0.0.1:9748"
START_PORT=18000
START_DEVICE=0
LOG_DIR="log"
NNODES=1

mkdir -p $LOG_DIR

for (( i=0; i<$NNODES; i++ ))
do
  PORT=$((START_PORT + i))
  DEVICE=$((START_DEVICE + i))
  LOG_FILE="$LOG_DIR/node_$i.log"
  xllm \
    --model $MODEL_PATH \
    --devices="cuda:$DEVICE" \
    --port $PORT \
    --master_node_addr=$MASTER_NODE_ADDR \
    --nnodes=$NNODES \
    --block_size=32 \
    --max_memory_utilization=0.8 \
    --enable_prefix_cache=false \
    --enable_chunked_prefill=false \
    --enable_schedule_overlap=true \
    --node_rank=$i \ > $LOG_FILE 2>&1 &
done

单卡部署时 <device-id> 通常从 0 开始。多卡或多机场景中，需要让设备编号、--node_rank、--nnodes 和服务端口与部署拓扑保持一致。

注意事项

• CUDA 开发镜像和 Dockerfile 入口维护在 快速开始 中。
• 当前 CUDA 启动示例使用 --block_size=32 和 --max_memory_utilization=0.8；实际部署时按模型规模和 GPU 显存调整。
• CUDA timeline 采集入口见 在线性能采集。