在 GKE 上使用 vLLM 运行 gpt-oss-120b 推理

本教程介绍如何使用 vLLM 框架部署和提供 gpt-oss-120b 语言模型。您可以在 Google Kubernetes Engine (GKE) Autopilot 集群上部署此模型，并使用具有 8 个 B200 GPU 的单个 A4 虚拟机 (VM)。

重要提示： 如需完成本教程，您必须已预留用于创建 A4 虚拟机的容量。如需详细了解如何在 AI Hypercomputer 中预留未来日期和时间的容量，请参阅选择使用选项。

本教程适用于机器学习 (ML) 工程师、平台管理员和运维人员，以及对使用 Kubernetes 容器编排功能处理推理工作负载感兴趣的数据和 AI 专家。

目标

1. 通过 Hugging Face 访问 gpt-oss-120b。
2. 准备环境。
3. 在 Autopilot 模式下创建 GKE 集群。
4. 为 Hugging Face 凭据创建 Kubernetes Secret。
5. 创建 Cloud Storage 存储桶。
6. 将模型下载到您的 Cloud Storage 存储桶。
7. 将 vLLM 容器部署到 GKE 集群。
8. 使用 curl 与 gpt-oss 语言模型互动。
9. 清理。

费用

本教程使用 Google Cloud的收费组件，包括：

• GKE 价格
• Cloud GPU 价格

如需根据您的预计使用量来估算费用，请使用价格计算器。

准备工作

1. 安装 Google Cloud CLI。

2. 配置 gcloud CLI 以使用您的联合身份。

   如需了解详情，请参阅使用联合身份登录 gcloud CLI。

3. 如需初始化 gcloud CLI，请运行以下命令：

   gcloud init

4. 创建或选择 Google Cloud 项目。

   选择或创建项目所需的角色

   • 选择项目：选择项目不需要特定的 IAM 角色，您可以选择已获授角色的任何项目。
   • 创建项目：如需创建项目，您需要拥有 Project Creator 角色 (roles/resourcemanager.projectCreator)，该角色包含 resourcemanager.projects.create 权限。了解如何授予角色。
   注意：如果您不打算保留在此过程中创建的资源，请创建新的项目，而不要选择现有的项目。完成本教程介绍的步骤后，您可以删除所创建的项目，并移除与该项目关联的所有资源。

   • 创建 Google Cloud 项目：

     gcloud projects create PROJECT_ID

     将 PROJECT_ID 替换为您要创建的 Google Cloud 项目的名称。

   • 选择您创建的 Google Cloud 项目：

     gcloud config set project PROJECT_ID

     将 PROJECT_ID 替换为您的 Google Cloud 项目名称。

5. 验证是否已为您的 Google Cloud 项目启用结算功能。

6. 启用所需的 API：

   启用 API 所需的角色

   如需启用 API，您需要拥有 serviceusage.services.enable 权限。如果您创建了项目，则可能已经通过 Owner 角色 (roles/owner) 获得了此权限。否则，您可以通过 Service Usage Admin 角色 (roles/serviceusage.serviceUsageAdmin) 获得此权限。了解如何授予角色。

   gcloud services enable container.googleapis.com

7. 向您的用户账号授予角色。对以下每个 IAM 角色运行以下命令一次： roles/container.admin

   gcloud projects add-iam-policy-binding PROJECT_ID --member="user:USER_IDENTIFIER" --role=ROLE

   替换以下内容：

   • PROJECT_ID：您的项目 ID。
   • USER_IDENTIFIER：您的用户 个账号。如需查看示例，请参阅 在 IAM 政策中表示员工池用户。
   • ROLE：您向用户账号授予的 IAM 角色。
8. 登录或创建 Hugging Face 账号。

使用 Hugging Face 访问 gpt-oss

如需使用 Hugging Face 访问 gpt-oss，请执行以下操作：

1. 登录 Hugging Face 并探索 gpt-oss 模型。
2. 创建 Hugging Face read 访问令牌。
3. 复制并保存 read access 令牌值。您将在本教程的后面部分使用该地址。

准备环境

如需准备环境，请设置默认环境变量：

export PROJECT_ID="YOUR_PROJECT_ID"
export RESERVATION_URL="YOUR_RESERVATION_NAME"
export REGION="YOUR_REGION"
export CLUSTER_NAME="YOUR_CLUSTER_NAME"
export GCS_BUCKET="YOUR_GCS_BUCKET"
export HUGGING_FACE_TOKEN="YOUR_HF_TOKEN"
export NETWORK="YOUR_NETWORK_NAME"
export SUBNETWORK="YOUR_SUBNETWORK_NAME"
export PROJECT_NUMBER=$(gcloud projects describe "${PROJECT_ID}" --format="value(projectNumber)")

gcloud config set project "${PROJECT_ID}"
gcloud config set billing/quota_project "${PROJECT_ID}"

替换以下内容：

• YOUR_PROJECT_ID：您要在其中创建 GKE 集群的 Google Cloud 项目的 ID。

• YOUR_RESERVATION_NAME：您要用于创建 GKE 集群的预留的网址。根据预留所在的项目，指定以下值之一：

  • 预留存在于您的项目中：RESERVATION_NAME

  • 预留存在于其他项目中，并且您的项目可以使用该预留：projects/RESERVATION_PROJECT_ID/reservations/RESERVATION_NAME

• YOUR_REGION：您要在其中创建 GKE 集群的区域。您只能在预留所在的区域中创建集群。

• YOUR_CLUSTER_NAME：要创建的 GKE 集群的名称。

• YOUR_GCS_BUCKET：您下载模型的 Cloud Storage 存储桶的名称。

• YOUR_HF_TOKEN：您在上一部分中创建的 Hugging Face 访问令牌。

• YOUR_NETWORK_NAME：GKE 集群使用的网络。请指定以下某个值：

  • 如果您创建了自定义网络，请指定您的网络名称。

  • 否则，请指定 default。

• YOUR_SUBNETWORK_NAME：GKE 集群使用的子网。请指定以下某个值：

  • 如果您创建了自定义子网，请指定子网的名称。您只能指定与预留位于同一区域的子网。

  • 否则，请指定 default。

在 Autopilot 模式下创建 GKE 集群

如需在 Autopilot 模式下创建 GKE 集群，请运行以下命令：

gcloud container clusters create-auto $CLUSTER_NAME \
    --project=$PROJECT_ID \
    --region=$REGION \
    --release-channel=rapid \
    --network=$NETWORK \
    --subnetwork=$SUBNETWORK

创建 GKE 集群可能需要一些时间才能完成。如需验证 Google Cloud 是否已完成集群创建，请前往 Google Cloud 控制台中的 Kubernetes 集群。

为 Hugging Face 凭据创建 Kubernetes Secret

如需为 Hugging Face 凭据创建 Kubernetes Secret，请执行以下操作：

1. 配置 kubectl 以与您的 GKE 集群通信：

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

2. 创建一个 Kubernetes Secret 来存储您的 Hugging Face 令牌：

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

创建 Cloud Storage 存储桶

如果您使用的是现有的 Cloud Storage 存储桶，请确保满足以下条件：

• 您的 Cloud Storage 存储桶与您的 GKE 集群位于同一区域。
• 您的服务账号具有所需的存储桶 write 权限。

如需将模型存储在新的 Cloud Storage 存储桶中，请完成以下步骤：

1. 运行以下命令以创建存储桶：

   gcloud storage buckets create gs://$GCS_BUCKET --location=$REGION --uniform-bucket-level-access

2. 向默认服务账号授予 Cloud Storage 存储桶的 write 权限。

   gcloud storage buckets add-iam-policy-binding gs://$GCS_BUCKET \
       --member="principal://iam.googleapis.com/projects/$PROJECT_NUMBER/locations/global/workloadIdentityPools/$PROJECT_ID.svc.id.goog/subject/ns/default/sa/default" \
       --role="roles/storage.objectAdmin"

将模型下载到您的 Cloud Storage 存储桶

如需将模型下载到 Cloud Storage 存储桶，请完成以下步骤：

1. 创建 gpt-download-job.yaml 文件：

   apiVersion: batch/v1
   kind: Job
   metadata:
     name: gpt-download-job
     namespace: default
   spec:
     template:
       metadata:
         labels:
           app: gpt-oss-downloader
         annotations:
           gke-gcsfuse/volumes: "true"
       spec:
         restartPolicy: OnFailure
         containers:
         - name: downloader
           image: python:3.11-slim
           resources:
             requests:
               cpu: "4"
               memory: "16Gi"
             limits:
               cpu: "4"
               memory: "16Gi"
           env:
           - name: HUGGING_FACE_HUB_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_token
           - name: HF_HUB_ENABLE_HF_TRANSFER
             value: "0"
           - name: HF_HOME
             value: "/tmp/hf_cache"
           command: ["/bin/sh", "-c"]
           args:
           - |
             echo "Installing Hugging Face Hub library..."
             pip install -U "huggingface_hub"
   
             echo "Beginning model snapshot download to GCS Fuse..."
             hf download openai/gpt-oss-120b \
               --token "$HUGGING_FACE_HUB_TOKEN" \
               --local-dir /mnt/gcs/gpt-oss-120b \
               --max-workers 1
   
             DOWNLOAD_STATUS=$?
   
             if [ $DOWNLOAD_STATUS -eq 0 ]; then
               echo "Download Complete!"
             else 
               echo "ERROR: Model download failed with exit code $DOWNLOAD_STATUS"
               exit $DOWNLOAD_STATUS
             fi
   
           volumeMounts:
           - mountPath: /mnt/gcs
             name: gcs-bucket-volume
         volumes:
         - name: gcs-bucket-volume
           csi:
             driver: gcsfuse.csi.storage.gke.io
             volumeAttributes:
               bucketName: $GCS_BUCKET
               mountOptions: "implicit-dirs"

2. 如需初始化下载作业，请应用 gpt-download-job.yaml 清单。

   envsubst '$GCS_BUCKET' < gpt-download-job.yaml | kubectl apply -f -

   作业资源会将 gpt-oss-120b 模型权重从 Hugging Face 下载到您的 Cloud Storage 存储桶。下载大约需要 30 分钟才能完成。下载完成后，请继续下一部分，以启动模型部署。

3. 如需查看完成状态，请运行以下命令：

   kubectl wait \
       --for=condition=Complete \
       --timeout=7200s job/gpt-download-job

   --timeout 标志用于指定命令在超时之前监控作业的时间。

4. 如需删除作业，请运行以下命令：

   kubectl delete job gpt-download-job

将 vLLM 容器部署到 GKE 集群

将模型下载到 Cloud Storage 存储桶后，将 vLLM 容器部署到 GKE 集群：

1. 创建一个 vllm-gpt-oss-120b.yaml 文件，其中包含您选择的 vLLM 部署：

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: vllm-gpt-oss-deployment
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: gpt-oss
     template:
       metadata:
         labels:
           app: gpt-oss
           ai.gke.io/model: gpt-oss-120b
           ai.gke.io/inference-server: vllm
           examples.ai.gke.io/source: user-guide
         annotations:
           gke-gcsfuse/volumes: "true"
       spec:
         containers:
         - name: vllm-inference
           image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:20250822_0916_RC01
           resources:
             requests:
               cpu: "10"
               memory: "128Gi"
               ephemeral-storage: "240Gi"
               nvidia.com/gpu: "8"
             limits:
               cpu: "10"
               memory: "128Gi"
               ephemeral-storage: "240Gi"
               nvidia.com/gpu: "8"
           command: ["python3", "-m", "vllm.entrypoints.openai.api_server"]
           args:
           - --model=/mnt/gcs/gpt-oss-120b
           - --tensor-parallel-size=8
           - --host=0.0.0.0
           - --port=8000
           - --max-model-len=8192
           - --max-num-seqs=4
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
           - mountPath: /mnt/gcs
             name: gcs-bucket-volume
             readOnly: true
           livenessProbe:
             httpGet:
               path: /health
               port: 8000
             initialDelaySeconds: 900
             periodSeconds: 10
           readinessProbe:
             httpGet:
               path: /health
               port: 8000
             initialDelaySeconds: 900
             periodSeconds: 5
         volumes:
         - name: dshm
           emptyDir:
             medium: Memory
         - name: gcs-bucket-volume
           csi:
             driver: gcsfuse.csi.storage.gke.io
             volumeAttributes:
               bucketName: $GCS_BUCKET
               mountOptions: "implicit-dirs,file-cache:max-size-mb:-1,file-cache:enable-parallel-downloads:true,file-cache:max-parallel-downloads:32,file-cache:parallel-downloads-per-file:8,file-cache:download-chunk-size-mb:16"
         nodeSelector:
           cloud.google.com/gke-accelerator: nvidia-b200
           cloud.google.com/reservation-name: $RESERVATION_URL
           cloud.google.com/reservation-affinity: "specific"
           cloud.google.com/gke-gpu-driver-version: latest
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: oss-service
   spec:
     selector:
       app: gpt-oss
     type: ClusterIP
     ports:
     - protocol: TCP
       port: 8000
       targetPort: 8000
   ---
   apiVersion: monitoring.googleapis.com/v1
   kind: PodMonitoring
   metadata:
     name: vllm-gpt-oss-monitoring
   spec:
     selector:
       matchLabels:
         app: gpt-oss
     endpoints:
     - port: 8000
       path: /metrics
       interval: 30s

2. 将 vllm-gpt-oss-120b.yaml 文件应用于您的 GKE 集群：

   envsubst < vllm-gpt-oss-120b.yaml | kubectl apply -f -

3. 如需查看完成状态，请运行以下命令：

   kubectl wait \
       --for=condition=Available \
       --timeout=7200s deployment/vllm-gpt-oss-deployment

   借助 --timeout 标志，该命令可以监控部署指定的时间段。

使用 curl 与 gpt-oss 模型互动

如需验证您部署的 gpt-oss 模型，请执行以下操作：

1. 设置到 gpt-oss 模型的端口转发：

   kubectl port-forward service/oss-service 8000:8000

2. 打开一个新终端窗口。然后，您可以使用 curl 与模型聊天：

   curl http://127.0.0.1:8000/v1/chat/completions \
   -X POST \
   -H "Content-Type: application/json" \
   -d '{
     "model": "openai/gpt-oss-120b",
     "messages": [
       {
         "role": "user",
         "content": "Describe a sailboat in one short sentence?"
       }
     ]
   }' | jq .

3. 您看到的输出类似于以下内容：

   {
     "id": "chatcmpl-2235c39759c040daae23ce2addc40c0a",
     "object": "chat.completion",
     "created": 1756831629,
     "model": "openai/gpt-oss-120b",
     "choices": [
       {
         "index": 0,
         "message": {
           "role": "assistant",
           "content": "A sleek vessel gliding on water, its cloth sails billowing like captured wind.",
           "refusal": null,
           "annotations": null,
           "audio": null,
           "function_call": null,
           "tool_calls": [],
           "reasoning_content": "User asks: \"Describe a sailboat in one short sentence?\" We need to produce a short sentence description. Should comply with policy. It's fine. Provide a short sentence."
         },
         "logprobs": null,
         "finish_reason": "stop",
         "stop_reason": null
       }
     ],
     "service_tier": null,
     "system_fingerprint": null,
     "usage": {
       "prompt_tokens": 80,
       "total_tokens": 142,
       "completion_tokens": 62,
       "prompt_tokens_details": null
     },
     "prompt_logprobs": null,
     "kv_transfer_params": null
   }
   

观察模型性能

如需观察模型性能，您可以使用 Cloud Monitoring 中的 vLLM 信息中心集成。借助此信息中心，您可以查看模型的重要性能指标，例如令牌吞吐量、网络延迟时间和错误率。如需了解详情，请参阅 Monitoring 文档中的 vLLM。

清理

为避免因本教程中使用的资源导致您的 Google Cloud 账号产生费用，请删除包含这些资源的项目，或者保留项目但删除各个资源。

删除资源

完成本教程后，请删除不再需要的资源。

1. 如需删除 vllm-gpt-oss-120b.yaml 文件中定义的部署和服务以及 GKE 集群中的 Kubernetes Secret，请运行以下命令：

   envsubst < vllm-gpt-oss-120b.yaml | kubectl delete -f -
   kubectl delete secret hf-secret

2. 如需删除 Cloud Storage 存储桶，请运行以下命令：

   gcloud storage rm --recursive gs://$GCS_BUCKET

3. 如需删除 GKE 集群，请执行以下操作：

   gcloud container clusters delete $CLUSTER_NAME \
       --region=$REGION \
       --quiet

删除项目

注意：删除项目会产生以下影响：

• 项目中的所有内容都会被删除。如果您将现有项目用于本文档中的任务，则删除该项目后，还将删除您已在该项目中完成的任何其他工作。
• 自定义项目 ID 丢失。创建此项目时，您可能创建了要在将来使用的自定义项目 ID。要保留使用该项目 ID 的网址（例如 appspot.com 网址），请删除项目内的所选资源，而不是删除整个项目。

如果您打算探索多个架构、教程或快速入门，则重复使用项目可以帮助您避免超出项目配额限制。

删除 Google Cloud 项目：

gcloud projects delete PROJECT_ID

后续步骤

• 管理 AI 优化型 GKE 集群
• 了解建议用于 AI 和机器学习工作负载的存储服务