Llama-Modelle mit GPUs in GKE mit vLLM bereitstellen

Autopilot Standard

---

In dieser Anleitung wird beschrieben, wie Sie das Llama 4-LLM (Large Language Model) mit GPUs in Google Kubernetes Engine (GKE) mit dem vLLM-Bereitstellungs-Framework bereitstellen. Dies bietet eine Grundlage für das Verständnis und die Untersuchung der praktischen LLM-Bereitstellung für die Inferenz in einer verwalteten Kubernetes-Umgebung. Sie stellen einen vorgefertigten Container, in dem vLLM ausgeführt wird, in GKE bereit. Außerdem konfigurieren Sie GKE so, dass das Llama-Modell von Hugging Face geladen wird.

Tipp :Für Produktionsbereitstellungen in GKE empfehlen wir dringend, den Inference Quickstart zu verwenden, um maßgeschneiderte Best Practices und Konfigurationen für die Modellinferenz zu erhalten.

Diese Anleitung richtet sich an Entwickler von maschinellem Lernen (ML), Plattformadministratoren und ‑operatoren sowie an Daten- und KI-Spezialisten, die daran interessiert sind, Funktionen zur Kubernetes-Containerorchestrierung für die Bereitstellung von KI‑/ML-Arbeitslasten auf H200-, H100-, A100- und L4-GPU-Hardware zu nutzen. Weitere Informationen zu gängigen Rollen und Beispielaufgaben, auf die wir in Google Cloud -Inhalten verweisen, finden Sie unter Häufig verwendete GKE Enterprise-Nutzerrollen und ‑Aufgaben.

Wenn Sie eine einheitliche verwaltete KI-Plattform benötigen, die für die schnelle und kostengünstige Entwicklung und Bereitstellung von ML-Modellen konzipiert ist, empfehlen wir Ihnen, unsere Bereitstellungslösung Vertex AI zu testen.

Machen Sie sich vor dem Lesen dieser Seite mit den folgenden Themen vertraut:

• Autopilot-Modus und Standardmodus
• Aktuelle Verfügbarkeit von GPU-Versionen
• GPUs in GKE

Hintergrund

In diesem Abschnitt werden die in diesem Leitfaden verwendeten Schlüsseltechnologien beschrieben.

Llama

Llama ist ein Large Language Model von Meta, das für eine Reihe von Natural Language Processing-Aufgaben entwickelt wurde, darunter Textgenerierung, Übersetzung und Question Answering. GKE bietet die Infrastruktur, die für das verteilte Training und die Bereitstellung von Modellen dieser Größenordnung erforderlich ist. Weitere Informationen finden Sie in der Llama-Dokumentation.

GPUs

Mit GPUs können Sie bestimmte Arbeitslasten wie maschinelles Lernen und Datenverarbeitung beschleunigen, die auf Ihren Knoten ausgeführt werden. GKE bietet eine Reihe von Maschinentypoptionen für die Knotenkonfiguration, einschließlich Maschinentypen mit NVIDIA H200-, H100-, L4- und A100-GPUs.

vLLM

vLLM ist ein hoch optimiertes Open-Source-LLM-Bereitstellungs-Framework, das den Bereitstellungsdurchsatz auf GPUs über Funktionen wie die Folgenden beschleunigen kann:

• Optimierte Transformer-Implementierung mit PagedAttention
• Kontinuierliche Batchverarbeitung zur Verbesserung des allgemeinen Bereitstellungsdurchsatzes
• Tensor-Parallelität und verteilte Bereitstellung auf mehreren GPUs

Weitere Informationen finden Sie in der vLLM-Dokumentation.

Lernziele

1. Bereiten Sie Ihre Umgebung mit einem GKE-Cluster im Autopilot- oder Standardmodus vor.
2. Stellen Sie einen vLLM-Container in Ihrem Cluster bereit.
3. vLLM verwenden, um Llama 4-Modelle über curl und eine Webchat-Oberfläche bereitzustellen.

Hinweise

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the required API.

Enable the API

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the required API.

Enable the API

• Make sure that you have the following role or roles on the project: roles/container.admin, roles/iam.serviceAccountAdmin

  Check for the roles

  1. In the Google Cloud console, go to the IAM page.

     Go to IAM
  2. Select the project.

  3. In the Principal column, find all rows that identify you or a group that you're included in. To learn which groups you're included in, contact your administrator.

  4. For all rows that specify or include you, check the Role column to see whether the list of roles includes the required roles.

  Grant the roles

  1. In the Google Cloud console, go to the IAM page.

     Zu IAM
  2. Wählen Sie das Projekt aus.
  3. Klicken Sie auf Zugriff erlauben.

  4. Geben Sie im Feld Neue Hauptkonten Ihre Nutzer-ID ein. Dies ist in der Regel die E-Mail-Adresse eines Google-Kontos.

  5. Wählen Sie in der Liste Rolle auswählen eine Rolle aus.
  6. Wenn Sie weitere Rollen hinzufügen möchten, klicken Sie auf Weitere Rolle hinzufügen und fügen Sie weitere Rollen hinzu.
  7. Klicken Sie auf Speichern.

• Erstellen Sie ein Hugging Face-Konto, falls Sie noch keines haben.
• Prüfen Sie, ob Ihr Projekt ein ausreichendes Kontingent für H100- und H200-GPUs hat. Weitere Informationen finden Sie unter GPU-Kontingent planen und GPU-Kontingent.

Zugriff auf das Modell erhalten

Hinweis :Sie müssen die Einwilligungsvereinbarung unterzeichnen, um Llama im Hugging Face-Repository verwenden zu können.

Für den Zugriff auf das Modell über Hugging Face benötigen Sie ein Hugging Face-Token.

Führen Sie die folgenden Schritte aus, um ein neues Token zu generieren, falls Sie noch keines haben:

1. Klicken Sie auf Profil > Einstellungen > Zugriffstokens.
2. Wählen Sie Neues Token aus.
3. Geben Sie einen Namen Ihrer Wahl und eine Rolle von mindestens Read an.
4. Wählen Sie Token generieren aus.
5. Kopieren Sie das Token in die Zwischenablage.

Umgebung vorbereiten

In dieser Anleitung verwenden Sie Cloud Shell zum Verwalten von Ressourcen, die inGoogle Cloudgehostet werden. Die Software, die Sie für diese Anleitung benötigen, ist in Cloud Shell vorinstalliert, einschließlich kubectl und gcloud CLI.

So richten Sie Ihre Umgebung mit Cloud Shell ein:

1. Starten Sie in der Google Cloud Console eine Cloud Shell-Sitzung. Klicken Sie dazu in der Google Cloud Console auf Cloud Shell aktivieren. Dadurch wird im unteren Bereich der Google Cloud console eine Sitzung gestartet.

2. Legen Sie die Standardumgebungsvariablen fest:

   gcloud config set project PROJECT_ID
   gcloud config set billing/quota_project PROJECT_ID
   export PROJECT_ID=$(gcloud config get project)
   export REGION=REGION
   export CLUSTER_NAME=CLUSTER_NAME
   export HF_TOKEN=HF_TOKEN
   

   Ersetzen Sie die folgenden Werte:

   • PROJECT_ID: Ihre Google Cloud Projekt-ID.
   • REGION: eine Region, die den Beschleunigertyp unterstützt, den Sie verwenden möchten, z. B. us-central1 für L4-GPU.
   • CLUSTER_NAME: Der Name Ihres Clusters.
   • HF_TOKEN ist das Hugging Face-Token, das Sie zuvor generiert haben.

Google Cloud -Ressourcen erstellen und konfigurieren

Folgen Sie dieser Anleitung, um die erforderlichen Ressourcen zu erstellen.

Hinweis :Für die Nutzung einiger Beschleuniger müssen Sie möglicherweise eine Kapazitätsreservierung erstellen. Informationen zum Reservieren und Verbrauchen reservierter Ressourcen finden Sie unter Reservierte zonale Ressourcen aufnehmen.

GKE-Cluster und -Knotenpool erstellen

Sie können Llama 4-Modelle auf GPUs in einem GKE Autopilot- oder Standardcluster bereitstellen. Für eine vollständig verwaltete Kubernetes-Umgebung empfehlen wir die Verwendung eines Autopilot-Clusters. Informationen zum Auswählen des GKE-Betriebsmodus, der für Ihre Arbeitslasten am besten geeignet ist, finden Sie unter GKE-Betriebsmodus auswählen.

Autopilot

Führen Sie in Cloud Shell den folgenden Befehl aus:

gcloud container clusters create-auto CLUSTER_NAME \
    --project=PROJECT_ID \
    --location=CONTROL_PLANE_LOCATION \
    --release-channel=rapid

Ersetzen Sie die folgenden Werte:

• PROJECT_ID: Ihre Google Cloud Projekt-ID.
• CONTROL_PLANE_LOCATION: die Compute Engine-Region der Steuerungsebene des Clusters. Geben Sie eine Region an, die den Beschleunigertyp unterstützt, den Sie verwenden möchten, z. B. us-central1 für L4-GPU.
• CLUSTER_NAME: Der Name Ihres Clusters.

GKE erstellt einen Autopilot-Cluster mit CPU- und GPU-Knoten, wie von den bereitgestellten Arbeitslasten angefordert.

Standard

1. Führen Sie in Cloud Shell den folgenden Befehl aus, um einen Standardcluster zu erstellen:

   gcloud container clusters create CLUSTER_NAME \
       --project=PROJECT_ID \
       --location=CONTROL_PLANE_LOCATION \
       --workload-pool=PROJECT_ID.svc.id.goog \
       --release-channel=rapid \
       --num-nodes=1
   

   Ersetzen Sie die folgenden Werte:

   • PROJECT_ID: Ihre Google Cloud Projekt-ID.
   • CONTROL_PLANE_LOCATION: die Compute Engine-Region der Steuerungsebene des Clusters. Geben Sie eine Region an, die den Beschleunigertyp unterstützt, den Sie verwenden möchten, z. B. us-central1 für H100-GPU.
   • CLUSTER_NAME: Der Name Ihres Clusters.

   Die Erstellung eines Clusters kann einige Minuten dauern.

2. Führen Sie den folgenden Befehl aus, um einen Knotenpool für Ihren Cluster mit der entsprechenden Festplattengröße zu erstellen:

   gcloud container node-pools create gpupool \
       --accelerator type=nvidia-h100-80gb,count=1,gpu-driver-version=latest \
       --project=PROJECT_ID \
       --location=REGION \
       --node-locations=REGION-a \
       --cluster=CLUSTER_NAME \
       --machine-type=a3-highgpu-8g \
       --disk-type=pd-ssd \
       --num-nodes=1 \
       --disk-size=256
   

   GKE erstellt einen einzelnen Knotenpool mit acht H100-GPUs mit 80 GB.

Kubernetes-Secret für Hugging Face-Anmeldedaten erstellen

Gehen Sie in Cloud Shell so vor:

1. Konfigurieren Sie kubectl für die Kommunikation mit Ihrem Cluster:

   gcloud container clusters get-credentials CLUSTER_NAME \
       --location=REGION
   

   Ersetzen Sie die folgenden Werte:

   • REGION: eine Region, die den Beschleunigertyp unterstützt, den Sie verwenden möchten, z. B. us-central1 für L4-GPU.
   • CLUSTER_NAME: Der Name Ihres Clusters.

2. Erstellen Sie ein Kubernetes-Secret, das das Hugging Face-Token enthält:

   kubectl create secret generic hf-secret \
       --from-literal=hf_api_token=${HF_TOKEN} \
       --dry-run=client -o yaml | kubectl apply -f -
   

   Ersetzen Sie HF_TOKEN durch das Hugging Face-Token, das Sie zuvor generiert haben.

vLLM bereitstellen

In diesem Abschnitt stellen Sie den vLLM-Container für die Llama 4-Modelle bereit, die Sie verwenden möchten:

• Llama 4 Maverick 17B-128E
• Llama 4 Scout 17B-16E

Hinweis: Wir empfehlen nicht, Basismodelle wie Llama 3 8B für Produktions-Chatbots zu verwenden, da Sicherheitsbedenken bestehen. Weitere Informationen zu Best Practices finden Sie unter Systemanweisungen für die Sicherheit.

In dieser Anleitung werden Kubernetes-Bereitstellungen verwendet, um das Modell bereitzustellen. Ein Deployment ist ein Kubernetes-API-Objekt, mit dem Sie mehrere Replikate von Pods ausführen können, die auf die Knoten in einem Cluster verteilt sind.

Llama 4 Maverick 17B-128e

So stellen Sie das Modell Llama 4 Maverick 17B-128E bereit:

1. Erstellen Sie das folgende vllm-llama4-maverick-17b-128e.yaml-Manifest:

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: llama-deployment
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: llama-server
     template:
       metadata:
         labels:
           app: llama-server
           ai.gke.io/model: Llama-4-Maverick-17B-128E
           ai.gke.io/inference-server: vllm
       spec:
         containers:
         - name: inference-server
           image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:20250405_1205_RC01
           resources:
             requests:
               cpu: 157
               memory: 2067Gi
               ephemeral-storage: 850Gi
               nvidia.com/gpu : 8
             limits:
               cpu: 157
               memory: 2067Gi
               ephemeral-storage: 850Gi
               nvidia.com/gpu : 8
           args:
           - python3
           - -m
           - vllm.entrypoints.api_server
           - --host=0.0.0.0
           - --port=7080
           - --swap-space=16
           - --max-model-len=131072
           - --gpu-memory-utilization=0.95
           - --disable-log-stats
           - --dtype=auto
           - --kv-cache-dtype=auto
           - --max-num-seqs=64
           - --model=meta-llama/Llama-4-Maverick-17B-128E
           - --tensor-parallel-size=8
           env:
           - name: MODEL_ID
             value: 'meta-llama/Llama-4-Maverick-17B-128E'
           - name: HUGGING_FACE_HUB_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_api_token
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
         volumes:
         - name: dshm
           emptyDir:
             medium: Memory
         nodeSelector:
           cloud.google.com/gke-accelerator: nvidia-h200-141gb
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: llama-service
   spec:
     selector:
       app: llama-server
     type: ClusterIP
     ports:
     - protocol: TCP
       port: 8000
       targetPort: 7080
   ---
   apiVersion: v1
   kind: Secret
   metadata:
     name: hf-secret
   type: Opaque
   stringData:
     hf_api_token: {{HF_TOKEN}}

2. Wenden Sie das Manifest an:

   kubectl apply -f vllm-llama4-maverick-17b-128e.yaml
   

   In unserem Beispiel begrenzen wir das Kontextfenster auf 128.000 Tokens, indem wir die vLLM-Option --max-model-len=131072 verwenden.

Llama 4 Maverick 17B-128e-it

Folgen Sie dieser Anleitung, um das für die Anleitung abgestimmte Modell Llama 4 Maverick 17B-128e bereitzustellen:

1. Erstellen Sie das folgende vllm-llama4-maverick-17b-128e-instruct.yaml-Manifest:

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: llama-deployment
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: llama-server
     template:
       metadata:
         labels:
           app: llama-server
           ai.gke.io/model: Llama-4-Maverick-17B-128E-Instruct
           ai.gke.io/inference-server: vllm
       spec:
         containers:
         - name: inference-server
           image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:20250405_1205_RC01
           resources:
             requests:
               cpu: 157
               memory: 2067Gi
               ephemeral-storage: 850Gi
               nvidia.com/gpu : 8
             limits:
               cpu: 157
               memory: 2067Gi
               ephemeral-storage: 850Gi
               nvidia.com/gpu : 8
           args:
           - python3
           - -m
           - vllm.entrypoints.api_server
           - --host=0.0.0.0
           - --port=7080
           - --swap-space=16
           - --max-model-len=131072
           - --gpu-memory-utilization=0.95
           - --disable-log-stats
           - --dtype=auto
           - --kv-cache-dtype=auto
           - --max-num-seqs=64
           - --model=meta-llama/Llama-4-Maverick-17B-128E-Instruct
           - --tensor-parallel-size=8
           env:
           - name: MODEL_ID
             value: 'meta-llama/Llama-4-Maverick-17B-128E-Instruct'
           - name: HUGGING_FACE_HUB_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_api_token
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
         volumes:
         - name: dshm
           emptyDir:
             medium: Memory
         nodeSelector:
           cloud.google.com/gke-accelerator: nvidia-h200-141gb
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: llama-service
   spec:
     selector:
       app: llama-server
     type: ClusterIP
     ports:
     - protocol: TCP
       port: 8000
       targetPort: 7080
   ---
   apiVersion: v1
   kind: Secret
   metadata:
     name: hf-secret
   type: Opaque
   stringData:
     hf_api_token: {{HF_TOKEN}}

2. Wenden Sie das Manifest an:

   kubectl apply -f vllm-llama4-maverick-17b-128e-instruct.yaml
   

   In unserem Beispiel begrenzen wir das Kontextfenster auf 128.000 Tokens, indem wir die vLLM-Option --max-model-len=131072 verwenden.

Llama 4 Maverick 17B-128e-it-fp8

So stellen Sie das Modell Llama 4 Maverick 17B-128e-Instruct-FP8 bereit:

1. Erstellen Sie das folgende vllm-llama4-maverick-17b-128e-instruct-fp8.yaml-Manifest:

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: llama-deployment
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: llama-server
     template:
       metadata:
         labels:
           app: llama-server
           ai.gke.io/model: Llama-4-Maverick-17B-128E-Instruct-FP8
           ai.gke.io/inference-server: vllm
       spec:
         containers:
         - name: inference-server
           image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:20250405_1205_RC01
           resources:
             requests:
               cpu: 146
               memory: 1311Gi
               ephemeral-storage: 600Gi
               nvidia.com/gpu : 8
             limits:
               cpu: 146
               memory: 1311Gi
               ephemeral-storage: 600Gi
               nvidia.com/gpu : 8
           args:
           - python3
           - -m
           - vllm.entrypoints.api_server
           - --host=0.0.0.0
           - --port=7080
           - --swap-space=16
           - --max-model-len=524288
           - --gpu-memory-utilization=0.90
           - --disable-log-stats
           - --model=meta-llama/Llama-4-Maverick-17B-128E-Instruct-FP8
           - --tensor-parallel-size=8
           env:
           - name: MODEL_ID
             value: 'meta-llama/Llama-4-Maverick-17B-128E-Instruct-FP8'
           - name: HUGGING_FACE_HUB_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_api_token
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
         volumes:
         - name: dshm
           emptyDir:
             medium: Memory
         nodeSelector:
           cloud.google.com/gke-accelerator: nvidia-h100-80gb
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: llama-service
   spec:
     selector:
       app: llama-server
     type: ClusterIP
     ports:
     - protocol: TCP
       port: 8000
       targetPort: 7080
   ---
   apiVersion: v1
   kind: Secret
   metadata:
     name: hf-secret
   type: Opaque
   stringData:
     hf_api_token: {{HF_TOKEN}}

2. Wenden Sie das Manifest an:

   kubectl apply -f vllm-llama4-maverick-17b-128e-instruct-fp8.yaml
   

   In unserem Beispiel begrenzen wir das Kontextfenster auf 512 K, indem wir die vLLM-Option --max-model-len=524288 verwenden.

Llama 4 Scout 17B-16e

So stellen Sie das Modell Llama 4 Scout 17B-16E bereit:

1. Erstellen Sie das folgende vllm-llama4-scout-17b-16e.yaml-Manifest:

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: llama-deployment
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: llama-server
     template:
       metadata:
         labels:
           app: llama-server
           ai.gke.io/model: Llama-4-Scout-17B-16E
           ai.gke.io/inference-server: vllm
       spec:
         containers:
         - name: inference-server
           image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:20250405_1205_RC01
           resources:
             requests:
               cpu: 146
               memory: 1311Gi
               ephemeral-storage: 600Gi
               nvidia.com/gpu : 8
             limits:
               cpu: 146
               memory: 1311Gi
               ephemeral-storage: 600Gi
               nvidia.com/gpu : 8
           args:
           - python3
           - -m
           - vllm.entrypoints.api_server
           - --host=0.0.0.0
           - --port=7080
           - --swap-space=16
           - --max-model-len=262144
           - --limit_mm_per_prompt='image=5'
           - --disable-log-stats
           - --model=meta-llama/Llama-4-Scout-17B-16E
           - --tensor-parallel-size=8
           env:
           - name: MODEL_ID
             value: 'meta-llama/Llama-4-Scout-17B-16E'
           - name: HUGGING_FACE_HUB_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_api_token
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
         volumes:
         - name: dshm
           emptyDir:
             medium: Memory
         nodeSelector:
           cloud.google.com/gke-accelerator: nvidia-h100-80gb
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: llama-service
   spec:
     selector:
       app: llama-server
     type: ClusterIP
     ports:
     - protocol: TCP
       port: 8000
       targetPort: 7080
   ---
   apiVersion: v1
   kind: Secret
   metadata:
     name: hf-secret
   type: Opaque
   stringData:
     hf_api_token: {{HF_TOKEN}}

2. Wenden Sie das Manifest an:

   kubectl apply -f vllm-llama4-scout-17b-16e.yaml
   

   In unserem Beispiel begrenzen wir das Kontextfenster auf 256 K, indem wir die vLLM-Option --max-model-len=262144 verwenden.

Llama 4 Scout 17B-16e-it

Folgen Sie dieser Anleitung, um das für die Anleitung abgestimmte Modell Llama 4 Scout 17B-16e Instruct bereitzustellen:

1. Erstellen Sie das folgende vllm-llama4-scout-17b-16e-instruct.yaml-Manifest:

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: llama-deployment
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: llama-server
     template:
       metadata:
         labels:
           app: llama-server
           ai.gke.io/model: Llama-4-Scout-17B-16E-Instruct
           ai.gke.io/inference-server: vllm
       spec:
         containers:
         - name: inference-server
           image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:20250405_1205_RC01
           resources:
             requests:
               cpu: 146
               memory: 1311Gi
               ephemeral-storage: 600Gi
               nvidia.com/gpu : 8
             limits:
               cpu: 146
               memory: 1311Gi
               ephemeral-storage: 600Gi
               nvidia.com/gpu : 8
           args:
           - python3
           - -m
           - vllm.entrypoints.api_server
           - --host=0.0.0.0
           - --port=7080
           - --swap-space=16
           - --max-model-len=1310720
           - --limit_mm_per_prompt='image=5'
           - --disable-log-stats
           - --model=meta-llama/Llama-4-Scout-17B-16E-Instruct
           - --tensor-parallel-size=8
           env:
           - name: MODEL_ID
             value: 'meta-llama/Llama-4-Scout-17B-16E-Instruct'
           - name: HUGGING_FACE_HUB_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_api_token
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
         volumes:
         - name: dshm
           emptyDir:
             medium: Memory
         nodeSelector:
           cloud.google.com/gke-accelerator: nvidia-h100-80gb
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: llama-service
   spec:
     selector:
       app: llama-server
     type: ClusterIP
     ports:
     - protocol: TCP
       port: 8000
       targetPort: 7080
   ---
   apiVersion: v1
   kind: Secret
   metadata:
     name: hf-secret
   type: Opaque
   stringData:
     hf_api_token: {{HF_TOKEN}}

2. Wenden Sie das Manifest an:

   kubectl apply -f vllm-llama4-scout-17b-16e-instruct.yaml
   

   In unserem Beispiel begrenzen wir das Kontextfenster mit der vLLM-Option --max-model-len=1310720 auf 1.280 K.

Warten Sie, bis die Bereitstellung verfügbar ist:

kubectl wait --for=condition=Available --timeout=1800s deployment/llama-deployment

So rufen Sie die Logs des laufenden Deployments auf:

kubectl logs -f -l app=llama-server

Die Deployment-Ressource lädt die Modelldaten herunter. Das kann einige Minuten dauern. Die Ausgabe sieht etwa so aus:

INFO:     Started server process [145]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
...
INFO 04-07 13:36:29 [async_llm.py:228] Added request chatcmpl-4149ea4cf35e48559f9f819dcdbbb23e.
INFO:     127.0.0.1:44018 - "POST /v1/chat/completions HTTP/1.1" 200 OK

Das Modell muss vollständig heruntergeladen sein, bevor Sie mit dem nächsten Abschnitt fortfahren.

Modell bereitstellen

In diesem Abschnitt interagieren Sie mit dem Modell.

Portweiterleitung einrichten

Führen Sie den folgenden Befehl aus, um die Portweiterleitung zum Modell einzurichten:

kubectl port-forward service/llama-service 8080:8000

Die Ausgabe sieht etwa so aus:

Forwarding from 127.0.0.1:8080 -> 7080

Mithilfe von curl mit dem Modell interagieren

In diesem Abschnitt wird gezeigt, wie Sie einen einfachen Smoke Test durchführen können, um Ihr bereitgestelltes Llama-Modell zu prüfen, das auf Anweisungen abgestimmt ist. Ersetzen Sie bei anderen Modellen meta-llama/Llama-4-Scout-17B-16E durch den Namen des jeweiligen Modells.

In diesem Beispiel wird gezeigt, wie Sie das Modell „Llama 4 Scout 17B-16E“ mit reinen Texteingaben testen.

Verwenden Sie in einer neuen Terminalsitzung curl, um mit Ihrem Modell zu chatten:

curl http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "meta-llama/Llama-4-Scout-17B-16E",
    "messages": [{"role": "user", "content": "San Francisco is a"}],
    "max_tokens": 7,
    "temperature": 0
  }'

Die Ausgabe sieht etwa so aus:

"message":{"role":"assistant","reasoning_content":null,"content":"San Francisco is a city","tool_calls":[]}

Erfolg: Sie haben Llama mithilfe von GPUs in GKE mit vLLM bereitgestellt. Sie können jetzt mit dem Modell interagieren.

Probleme beheben

• Wenn Sie die Empty reply from server-Meldung erhalten, hat der Container möglicherweise die Modelldaten noch nicht ganz heruntergeladen. Prüfen Sie die Logs des Pods noch einmal auf die Connected-Meldung, die angibt, dass das Modell einsatzbereit ist.
• Wenn die Meldung Connection refused angezeigt wird, prüfen Sie, ob die Portweiterleitung aktiv ist.

Modellleistung beobachten

Sie können die Modellleistung mit der vLLM-Dashboard-Integration in Cloud Monitoring beobachten. In diesem Dashboard können Sie wichtige Leistungsmesswerte wie den Token-Durchsatz, die Anfrage-Latenz und die Fehlerraten einsehen.

Wenn Sie das vLLM-Dashboard verwenden möchten, müssen Sie Google Cloud Managed Service for Prometheus in Ihrem GKE-Cluster aktivieren. Damit werden die Messwerte von vLLM erfasst. vLLM stellt Messwerte standardmäßig im Prometheus-Format bereit. Sie müssen keinen zusätzlichen Exporter installieren.

Anschließend können Sie die Messwerte über das vLLM-Dashboard aufrufen. Informationen zum Erfassen von Messwerten aus Ihrem Modell mit Google Cloud Managed Service for Prometheus finden Sie in der Cloud Monitoring-Dokumentation unter vLLM.

Bereinigen

Damit Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, löschen Sie entweder das Projekt, das die Ressourcen enthält, oder Sie behalten das Projekt und löschen die einzelnen Ressourcen.

Bereitgestellte Ressourcen löschen

Mit dem folgenden Befehl vermeiden Sie, dass Ihrem Google Cloud Konto die in dieser Anleitung erstellten Ressourcen in Rechnung gestellt werden:

gcloud container clusters delete CLUSTER_NAME \
    --location=CONTROL_PLANE_LOCATION

Ersetzen Sie die folgenden Werte:

• CONTROL_PLANE_LOCATION: die Compute Engine-Region der Steuerungsebene des Clusters.
• CLUSTER_NAME: Der Name Ihres Clusters.

Nächste Schritte

• GPUs in GKE
• Llama mit vLLM auf anderen Beschleunigern verwenden, einschließlich A100- und H100-GPUs, indem Sie den Beispielcode in GitHub aufrufen.
• GPU-Arbeitslasten in Autopilot bereitstellen
• GPU-Arbeitslasten in Standard bereitstellen
• Sehen Sie sich das GitHub-Repository und die Dokumentation zu vLLM an.
• Erfahren Sie mehr über den Vertex AI Model Garden.
• Erfahren Sie, wie Sie optimierte KI/ML-Arbeitslasten über Funktionen zur GKE-Plattformorchestrierung ausführen.