a
ascend_model_docs/Qwen3-VL-Reranker_A2-A3_Vllm-Ascend
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

【小白文档】Qwen3-VL-Reranker × 昇腾 Atlas 800 A2 × vLLM Ascend

上级索引：vllm-ascend/README.md。
本页面向：已在昇腾机器上装好驱动与 Docker 的用户，用 官方容器镜像 跑通 Qwen3-VL-Reranker，尽量减少本地 Python 环境折腾。
技术细节与参数说明以 vLLM Ascend 文档 为准。

你将得到什么

按下面顺序执行后：在 以官方文档 Environment / Preparation 小节为准 上，用 vLLM Ascend 官方镜像 拉起在线推理服务，并用 curl 验证。

本页不解决：宿主机未装昇腾驱动、无对应机型、无 Docker——请先完成 昇腾环境准备 与 vLLM Ascend 安装说明 · Docker.

目录

  • 0. 开始前确认（30 秒）
  • 1. 选镜像（复制即用）
  • 2. 下载模型权重
  • 3. 启动容器
  • 4. 在容器内启动 vLLM 服务
  • 5. 验证服务
  • 6. 常见问题

0. 开始前确认（30 秒）

在宿主机执行（有正常输出即可进入下一步）：

npu-smi info
docker --version
  • 机型：官方验证需 以官方文档 Environment / Preparation 小节为准（与 官方文档 一致）。
  • 权重：建议预先下载到宿主机目录，挂载进容器的 /root/.cache/（与官方推荐一致），避免容器内重复下载失败。

1. 选镜像（复制即用）

按机型二选一（与 vLLM Ascend 文档 一致）：

机型镜像（官方）国内拉取示例（DaoCloud 转发）
Atlas 800 A2quay.io/ascend/vllm-ascend:v0.17.0rc1m.daocloud.io/quay.io/ascend/vllm-ascend:v0.17.0rc1
Atlas 800 A3quay.io/ascend/vllm-ascend:v0.17.0rc1-a3m.daocloud.io/quay.io/ascend/vllm-ascend:v0.17.0rc1-a3

在宿主机执行（A2 示例，国内网络建议用右侧镜像）：

export IMAGE=m.daocloud.io/quay.io/ascend/vllm-ascend:v0.17.0rc1
export NAME=vllm-ascend-qwen3-vl-reranker
docker pull $IMAGE

若你是 A3，请把 IMAGE 换成上表中 A3 镜像。

2. 下载模型权重

支持 BF16 与 W8A8 量化 等变体，权重来源以官方文档为准：

变体说明ModelScope（示例）
BF16全精度Qwen/Qwen3-VL-Reranker-8B
W8A8 量化显存压力相对较低，下文启动命令以该版本为例Qwen/Qwen3-VL-Reranker-2B

推荐：在宿主机将模型下载到即将挂载给容器的目录，例如：

mkdir -p /root/.cache/modelscope
# 使用 modelscope 或 git lfs 等按模型卡说明下载到本地后，在 docker run 时挂载到容器内 /root/.cache

若暂不下宿主机，也可在容器内首次启动时由 vLLM 拉取（需配好 VLLM_USE_MODELSCOPE=true 与网络）。

3. 启动容器

以下与 官方 Docker 示例 一致；A2 使用 davinci0–7。若你只有部分卡，请按实际修改 --device。

export IMAGE=m.daocloud.io/quay.io/ascend/vllm-ascend:v0.17.0rc1
export NAME=vllm-ascend-qwen3-vl-reranker

docker run --rm \
  --name $NAME \
  --net=host \
  --shm-size=1g \
  --device /dev/davinci0 \
  --device /dev/davinci1 \
  --device /dev/davinci2 \
  --device /dev/davinci3 \
  --device /dev/davinci4 \
  --device /dev/davinci5 \
  --device /dev/davinci6 \
  --device /dev/davinci7 \
  --device /dev/davinci_manager \
  --device /dev/devmm_svm \
  --device /dev/hisi_hdc \
  -v /usr/local/dcmi:/usr/local/dcmi \
  -v /usr/local/Ascend/driver/tools/hccn_tool:/usr/local/Ascend/driver/tools/hccn_tool \
  -v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
  -v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
  -v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
  -v /etc/ascend_install.info:/etc/ascend_install.info \
  -it $IMAGE bash

进入容器后，建议先设置（减少显存碎片、加速 ModelScope 拉取）：

export VLLM_USE_MODELSCOPE=true
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True

4. 在容器内启动 vLLM 服务

下面为 manifest 中自定义的完整命令（请自行核对与官方文档是否一致）：

vllm serve Qwen/Qwen3-VL-Reranker-8B \
    --runner pooling \
    --max-model-len 4096 \
    --hf_overrides '{"architectures": ["Qwen3VLForSequenceClassification"],"classifier_from_token": ["no", "yes"],"is_original_qwen3_reranker": true}' \
    --chat-template ./qwen3_vl_reranker.jinja

看到服务监听 8000 且日志无报错后，另开终端（或宿主机再 docker exec）做下一步。

若使用 BF16 权重 Qwen/Qwen3-VL-Reranker-8B，请勿照搬未经验证的量化参数；请打开 官方文档 · Deployment 中对应小节。

5. 验证服务

在能访问该节点 8000 端口的机器上执行（与 官方 一致）：

curl http://localhost:8000/v1/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "model",
    "prompt": "The future of AI is",
    "max_completion_tokens": 50,
    "temperature": 0
  }'

若返回 JSON 且含生成文本，即表示链路打通。

6. 常见问题

现象建议
拉镜像超时换用本文 DaoCloud 转发 镜像名，或配置镜像加速
容器内看不到 NPU检查 --device 是否与宿主机 npu-smi 一致；驱动路径挂载是否完整
OOM / 显存不足勿随意提高 --gpu-memory-utilization；优先使用 W8A8 权重或按官方调小 max-model-len / 并发
模型下载慢宿主机预先下载并 挂载 到 /root/.cache；保持 VLLM_USE_MODELSCOPE=true
参数看不懂阅读 官方文档 · Deployment

相关链接

说明链接
vLLM Ascend · 本模型（权威步骤）文档
Docker 安装与多机installation

镜像版本与启动参数随 vLLM Ascend 发布更新，若与官方文档冲突，以官方为准。