OLMo-1B-hf 在 vLLM-Ascend #+NPU 上的部署

1. 简介

本文档记录了 LLM-Research/OLMo-1B-hf 模型在 vLLM-Ascend 环境下的快速部署流程及验证结果。

OLMo-1B-hf 是由 Allen AI 开发的 10 亿参数基础语言模型，基于 OLMo 架构构建，适用于文本生成和自然语言理解任务。

2. 验证环境

组件	版本
`vllm-ascend`	`0.18.0rc1`
`vllm`	`0.18.0`
`transformers`	`4.57.6`
`torch-npu`	`2.9.0`
`CANN`	`8.5.1`
`SOC`	`ascend910_9391`

NPU：1 逻辑卡（Ascend 910B2，64GB HBM）
模型路径：/home/openmind/.cache/modelscope/hub/models/LLM-Research/OLMo-1B-hf

3. 模型配置

参数	值
架构	OLMoForCausalLM
参数量	1B
层数	16
隐藏维度	2048
注意力头数	16
词表大小	50280
精度	Float16（vLLM 推理）

4. 模型下载

# 从 ModelScope 下载
modelscope download --model LLM-Research/OLMo-1B-hf

5. 基础推理验证

使用 vLLM-Ascend 加载模型进行推理：

from vllm import LLM, SamplingParams

MODEL_PATH = "LLM-Research/OLMo-1B-hf"

llm = LLM(
    model=MODEL_PATH,
    trust_remote_code=True,
    dtype="float16",
    tensor_parallel_size=1,
    max_model_len=2048,
    gpu_memory_utilization=0.9,
)

sampling = SamplingParams(max_tokens=64, temperature=0)
outputs = llm.generate(["The capital of France is"], sampling)
print(outputs[0].outputs[0].text)
# the city of Paris.

6. Smoke 验证

6.1 冒烟测试脚本

运行 4 项冒烟测试验证模型功能：

python3 smoke_test.py

6.2 验证结果

=== OLMo-1B-hf vLLM-Ascend Smoke Test ===
[1/4] Testing basic generation...
  PASS: the city of Paris. The city is located in the north of France.
[2/4] Testing factual knowledge...
  PASS: The boiling point of water is 100°C.
[3/4] Testing batch generation...
  [1] The answer to 2 + 2 is 4.
  [2] The largest planet in our solar system is Jupiter.
  [3] The ocean is a vast body of saltwater.
  PASS: 3 prompts processed
[4/4] Testing reasoning...
  PASS: John has 5 apples and gives 2 to Mary.
=== All 4/4 tests PASSED (41.1s) ===

验证项说明：

测试项	输入	预期	结果
英文基础生成	The capital of France is	包含 Paris	PASS
事实知识	Water boils at what temperature?	包含 100	PASS
批量生成	3 个 prompt	3 条非空输出	PASS
推理能力	数学推理题目	非空输出	PASS

7. 精度评测

7.1 评测配置

数据集：ARC-Challenge（25-shot）
数据来源：ModelScope modelscope/ai2_arc
评测框架：vLLM-Ascend offline inference
设备：NPU (npu:0)

python3 eval_arc_vllm.py --output logs/arc_challenge_vllm.json

7.2 评测结果

指标	基线	NPU 结果	差异
ARC-Challenge 25-shot	24.00%	23.55% (276/1172)	-0.45%

ARC-Challenge NPU 准确率为 23.55%，与基线 24.00% 的差异为 -0.45%（< 1%），验证通过。

7.3 评测日志

=== OLMo-1B-hf ARC-Challenge 25-shot vLLM-Ascend ===
Total test samples: 1172
Loading model with vLLM-Ascend...
Model loaded.
Generating (1172 samples)...
============================================================
OLMo-1B-hf ARC-Challenge 25-shot Results (vLLM-Ascend)
============================================================
  Accuracy: 23.55% (276/1172)
  Total time: 4s
  Throughput: 263.09 samples/s
============================================================
Results saved to logs/arc_challenge_vllm.json

8. 注意事项

Base 模型：此为基础模型（非 Instruct 版本），不具备指令跟随能力，评测时使用续写方式生成答案。
显存占用：float16 推理时模型约占用 2.2 GB HBM，单卡即可运行。
推理速度：OLMo-1B 为小模型，vLLM-Ascend 推理吞吐量可达 263 samples/s。

OLMo-1B-hf 在 vLLM-Ascend #+NPU 上的部署

1. 简介

本文档记录了 LLM-Research/OLMo-1B-hf 模型在 vLLM-Ascend 环境下的快速部署流程及验证结果。

OLMo-1B-hf 是由 Allen AI 开发的 10 亿参数基础语言模型，基于 OLMo 架构构建，适用于文本生成和自然语言理解任务。

2. 验证环境

组件	版本
`vllm-ascend`	`0.18.0rc1`
`vllm`	`0.18.0`
`transformers`	`4.57.6`
`torch-npu`	`2.9.0`
`CANN`	`8.5.1`
`SOC`	`ascend910_9391`

NPU：1 逻辑卡（Ascend 910B2，64GB HBM）
模型路径：/home/openmind/.cache/modelscope/hub/models/LLM-Research/OLMo-1B-hf

3. 模型配置

参数	值
架构	OLMoForCausalLM
参数量	1B
层数	16
隐藏维度	2048
注意力头数	16
词表大小	50280
精度	Float16（vLLM 推理）

4. 模型下载

# 从 ModelScope 下载
modelscope download --model LLM-Research/OLMo-1B-hf

5. 基础推理验证

使用 vLLM-Ascend 加载模型进行推理：

from vllm import LLM, SamplingParams

MODEL_PATH = "LLM-Research/OLMo-1B-hf"

llm = LLM(
    model=MODEL_PATH,
    trust_remote_code=True,
    dtype="float16",
    tensor_parallel_size=1,
    max_model_len=2048,
    gpu_memory_utilization=0.9,
)

sampling = SamplingParams(max_tokens=64, temperature=0)
outputs = llm.generate(["The capital of France is"], sampling)
print(outputs[0].outputs[0].text)
# the city of Paris.

6. Smoke 验证

6.1 冒烟测试脚本

运行 4 项冒烟测试验证模型功能：

python3 smoke_test.py

6.2 验证结果

=== OLMo-1B-hf vLLM-Ascend Smoke Test ===
[1/4] Testing basic generation...
  PASS: the city of Paris. The city is located in the north of France.
[2/4] Testing factual knowledge...
  PASS: The boiling point of water is 100°C.
[3/4] Testing batch generation...
  [1] The answer to 2 + 2 is 4.
  [2] The largest planet in our solar system is Jupiter.
  [3] The ocean is a vast body of saltwater.
  PASS: 3 prompts processed
[4/4] Testing reasoning...
  PASS: John has 5 apples and gives 2 to Mary.
=== All 4/4 tests PASSED (41.1s) ===

验证项说明：

测试项	输入	预期	结果
英文基础生成	The capital of France is	包含 Paris	PASS
事实知识	Water boils at what temperature?	包含 100	PASS
批量生成	3 个 prompt	3 条非空输出	PASS
推理能力	数学推理题目	非空输出	PASS

7. 精度评测

7.1 评测配置

数据集：ARC-Challenge（25-shot）
数据来源：ModelScope modelscope/ai2_arc
评测框架：vLLM-Ascend offline inference
设备：NPU (npu:0)

python3 eval_arc_vllm.py --output logs/arc_challenge_vllm.json

7.2 评测结果

指标	基线	NPU 结果	差异
ARC-Challenge 25-shot	24.00%	23.55% (276/1172)	-0.45%

ARC-Challenge NPU 准确率为 23.55%，与基线 24.00% 的差异为 -0.45%（< 1%），验证通过。

7.3 评测日志

=== OLMo-1B-hf ARC-Challenge 25-shot vLLM-Ascend ===
Total test samples: 1172
Loading model with vLLM-Ascend...
Model loaded.
Generating (1172 samples)...
============================================================
OLMo-1B-hf ARC-Challenge 25-shot Results (vLLM-Ascend)
============================================================
  Accuracy: 23.55% (276/1172)
  Total time: 4s
  Throughput: 263.09 samples/s
============================================================
Results saved to logs/arc_challenge_vllm.json

8. 注意事项

Base 模型：此为基础模型（非 Instruct 版本），不具备指令跟随能力，评测时使用续写方式生成答案。
显存占用：float16 推理时模型约占用 2.2 GB HBM，单卡即可运行。
推理速度：OLMo-1B 为小模型，vLLM-Ascend 推理吞吐量可达 263 samples/s。