chameleon-7b 在 vLLM-Ascend #+NPU 上的部署

1. 简介

本文档记录 facebook/chameleon-7b 模型在 vLLM-Ascend 环境下的快速部署与验证结果。

Chameleon-7b 是 Meta 开发的 70 亿参数多模态基础模型，基于 Chameleon 架构，支持文本和图像的混合理解与生成。

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/facebook/chameleon-7b

3. 模型配置

参数	值
架构	ChameleonForConditionalGeneration
参数量	7B
层数	32
隐藏维度	4096
注意力头数	32
KV 头数	32
词表大小	65536
精度	BF16（原始）/ Float16（vLLM 推理）

4. 模型下载

# 从 ModelScope 下载
modelscope download --model facebook/chameleon-7b

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 = "facebook/chameleon-7b"

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)
# 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

=== chameleon-7b vLLM-Ascend Smoke Test ===
[1/4] Testing basic generation...
  PASS: Paris.
[2/4] Testing factual knowledge...
  PASS: The answer to 2 + 2 is 4.
[3/4] Testing batch generation...
  [1] Jupiter. It is a gas giant, meaning it is primarily composed...
  [2] The ocean is a vast and mysterious body of water that covers...
  [3] The sky on a clear day is typically a deep blue color...
  PASS: 3 prompts processed
[4/4] Testing reasoning...
  PASS: John has 5 apples. If he gives 2 to Mary, he will have 5 - 2 = 3 apples left.
=== All 4/4 tests PASSED (96.3s) ===

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	What is 2 + 2?	包含 4	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	包含 3	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	58.02%	57.85% (678/1172)	-0.17%

ARC-Challenge NPU 准确率为 57.85%，与基线 58.02% 的差异为 -0.17%（< 1%），验证通过。

7.3 评测日志

=== chameleon-7b ARC-Challenge 25-shot vLLM-Ascend ===
Total test samples: 1172
Loading model with vLLM-Ascend...
Model loaded.
Generating (1172 samples)...
============================================================
chameleon-7b ARC-Challenge 25-shot Results (vLLM-Ascend)
============================================================
  Accuracy: 57.85% (678/1172)
  Total time: 19s
  Throughput: 61.97 samples/s
============================================================
Results saved to logs/arc_challenge_vllm.json

8. 性能测试

8.1 测试脚本

python3 benchmark.py

8.2 测试结果

场景	输出 tokens	吞吐量	TPOT
单请求	128	17.19 tok/s	58.2 ms/tok
批量 (8 并发)	512	135.03 tok/s	—

8.3 测试日志

=== chameleon-7b vLLM-Ascend Benchmark ===
--- Single prompt (128 tokens) ---
  Run 1: 128 tokens, 7.51s, 17.05 tok/s, TPOT 58.6 ms/tok
  Run 2: 128 tokens, 7.53s, 16.99 tok/s, TPOT 58.9 ms/tok
  Run 3: 128 tokens, 7.50s, 17.06 tok/s, TPOT 58.6 ms/tok
  Run 4: 128 tokens, 7.30s, 17.52 tok/s, TPOT 57.1 ms/tok
  Run 5: 128 tokens, 7.38s, 17.34 tok/s, TPOT 57.7 ms/tok
  Avg: 17.19 tok/s, TPOT 58.2 ms/tok
--- Batch (8 prompts, 64 tokens each) ---
  Run 1: 512 tokens, 3.88s, 132.02 tok/s
  Run 2: 512 tokens, 3.65s, 140.32 tok/s
  Run 3: 512 tokens, 3.86s, 132.75 tok/s
  Avg: 135.03 tok/s
==================================================
  Single prompt: 17.19 tok/s, TPOT 58.2 ms/tok
  Batch (8):     135.03 tok/s
==================================================

9. 注意事项

多模态模型：Chameleon 支持文本和图像混合输入，本次验证仅测试文本生成能力。
显存占用：float16 推理时模型约占用 13.1 GB HBM，单卡即可运行。
BF16 转 Float16：模型原始精度为 BF16，vLLM-Ascend 自动转换为 Float16 推理（NPU 原生支持）。
推理速度：单请求 17.19 tok/s，8 并发批量 135.03 tok/s。

chameleon-7b 在 vLLM-Ascend #+NPU 上的部署

1. 简介

本文档记录 facebook/chameleon-7b 模型在 vLLM-Ascend 环境下的快速部署与验证结果。

Chameleon-7b 是 Meta 开发的 70 亿参数多模态基础模型，基于 Chameleon 架构，支持文本和图像的混合理解与生成。

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/facebook/chameleon-7b

3. 模型配置

参数	值
架构	ChameleonForConditionalGeneration
参数量	7B
层数	32
隐藏维度	4096
注意力头数	32
KV 头数	32
词表大小	65536
精度	BF16（原始）/ Float16（vLLM 推理）

4. 模型下载

# 从 ModelScope 下载
modelscope download --model facebook/chameleon-7b

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 = "facebook/chameleon-7b"

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)
# 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

=== chameleon-7b vLLM-Ascend Smoke Test ===
[1/4] Testing basic generation...
  PASS: Paris.
[2/4] Testing factual knowledge...
  PASS: The answer to 2 + 2 is 4.
[3/4] Testing batch generation...
  [1] Jupiter. It is a gas giant, meaning it is primarily composed...
  [2] The ocean is a vast and mysterious body of water that covers...
  [3] The sky on a clear day is typically a deep blue color...
  PASS: 3 prompts processed
[4/4] Testing reasoning...
  PASS: John has 5 apples. If he gives 2 to Mary, he will have 5 - 2 = 3 apples left.
=== All 4/4 tests PASSED (96.3s) ===

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	What is 2 + 2?	包含 4	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	包含 3	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	58.02%	57.85% (678/1172)	-0.17%

ARC-Challenge NPU 准确率为 57.85%，与基线 58.02% 的差异为 -0.17%（< 1%），验证通过。

7.3 评测日志

=== chameleon-7b ARC-Challenge 25-shot vLLM-Ascend ===
Total test samples: 1172
Loading model with vLLM-Ascend...
Model loaded.
Generating (1172 samples)...
============================================================
chameleon-7b ARC-Challenge 25-shot Results (vLLM-Ascend)
============================================================
  Accuracy: 57.85% (678/1172)
  Total time: 19s
  Throughput: 61.97 samples/s
============================================================
Results saved to logs/arc_challenge_vllm.json

8. 性能测试

8.1 测试脚本

python3 benchmark.py

8.2 测试结果

场景	输出 tokens	吞吐量	TPOT
单请求	128	17.19 tok/s	58.2 ms/tok
批量 (8 并发)	512	135.03 tok/s	—

8.3 测试日志

=== chameleon-7b vLLM-Ascend Benchmark ===
--- Single prompt (128 tokens) ---
  Run 1: 128 tokens, 7.51s, 17.05 tok/s, TPOT 58.6 ms/tok
  Run 2: 128 tokens, 7.53s, 16.99 tok/s, TPOT 58.9 ms/tok
  Run 3: 128 tokens, 7.50s, 17.06 tok/s, TPOT 58.6 ms/tok
  Run 4: 128 tokens, 7.30s, 17.52 tok/s, TPOT 57.1 ms/tok
  Run 5: 128 tokens, 7.38s, 17.34 tok/s, TPOT 57.7 ms/tok
  Avg: 17.19 tok/s, TPOT 58.2 ms/tok
--- Batch (8 prompts, 64 tokens each) ---
  Run 1: 512 tokens, 3.88s, 132.02 tok/s
  Run 2: 512 tokens, 3.65s, 140.32 tok/s
  Run 3: 512 tokens, 3.86s, 132.75 tok/s
  Avg: 135.03 tok/s
==================================================
  Single prompt: 17.19 tok/s, TPOT 58.2 ms/tok
  Batch (8):     135.03 tok/s
==================================================

9. 注意事项

多模态模型：Chameleon 支持文本和图像混合输入，本次验证仅测试文本生成能力。
显存占用：float16 推理时模型约占用 13.1 GB HBM，单卡即可运行。
BF16 转 Float16：模型原始精度为 BF16，vLLM-Ascend 自动转换为 Float16 推理（NPU 原生支持）。
推理速度：单请求 17.19 tok/s，8 并发批量 135.03 tok/s。