在 GKE 上使用 vLLM 运行 DeepSeek-V3.2-Speciale 的推理

本教程介绍如何使用 vLLM 框架部署和提供 DeepSeek-V3.2-Speciale 语言模型。您可以在 Google Kubernetes Engine (GKE) Enterprise 版 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)。

本教程假设您已查看 DeepSeek-V3.2-Speciale 语言模型，并确认其功能符合您的使用场景要求。

重要提示： 如需完成本教程，您必须已预留容量来创建 A4 虚拟机。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. 使用 Hugging Face 访问 DeepSeek-V3.2-Speciale。

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 DeepSeek-V3.2-Speciale 互动。

9. 清理。

费用

本教程使用 Google Cloud的收费组件，包括：

• Google Kubernetes Engine (GKE) 价格
• 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（如果尚未启用）：

   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 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 DeepSeek-V3.2-Speciale

如需使用 Hugging Face 访问 DeepSeek-V3.2-Speciale 模型，请按以下步骤操作：

1. 登录 Hugging Face。
2. 创建 Hugging Face read 访问令牌。
3. 复制并保存 read 访问令牌值。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 集群的预留的名称。根据预留所在的项目，指定以下某个值：

  • 预留存在于您的项目中：YOUR_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/YOUR_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，请按以下步骤操作：

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

如果您想使用现有的 Cloud Storage 存储桶，可以跳过此步骤。不过，您必须确保存储桶与集群位于同一区域，并且服务账号具有所需的 write 权限。

如果您想使用新存储桶来存储模型，请运行以下命令：

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

向默认服务账号授予对 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

1. 创建 deepseek-download-job.yaml 文件：

   apiVersion: batch/v1
   kind: Job
   metadata:
     name: deepseek-download-job
     namespace: default
   spec:
     template:
       metadata:
         labels:
           app: deepseek-oss-downloader
       spec:
         restartPolicy: OnFailure
         containers:
         - name: downloader
           image: google/cloud-sdk:slim
           resources:
             requests:
               cpu: "8"
               memory: "32Gi"
             limits:
               cpu: "8"
               memory: "32Gi"
           env:
           - name: HUGGING_FACE_HUB_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_token
           - name: HF_XET_HIGH_PERFORMANCE
             value: "0"
           - name: PIP_BREAK_SYSTEM_PACKAGES
             value: "1"
           command: ["/bin/sh", "-c"]
           args:
           - |
             set -e
             echo "Installing Hugging Face Hub CLI..."
             pip install -U "huggingface_hub[cli]"
   
             LOCAL_DIR="/mnt/model-download/deepseek-v3-2"
             mkdir -p "$LOCAL_DIR"
   
             echo "Downloading model from HF to local SSD using parallel workers..."
             hf download deepseek-ai/DeepSeek-V3.2-Speciale \
               --token "$HUGGING_FACE_HUB_TOKEN" \
               --local-dir "$LOCAL_DIR" \
               --max-workers 8
   
             DOWNLOAD_STATUS=$?
   
             if [ $DOWNLOAD_STATUS -ne 0 ]; then
               echo "ERROR: Model download failed with exit code $DOWNLOAD_STATUS"
               exit $DOWNLOAD_STATUS
             fi
   
             echo "Download to SSD complete. Syncing to GCS..."
             gcloud storage rsync "$LOCAL_DIR" "gs://$GCS_BUCKET/deepseek-v3-2" --recursive
   
             echo "Process successfully completed!"
           volumeMounts:
           - mountPath: /mnt/model-download
             name: download-storage
         volumes:
         - name: download-storage
           ephemeral:
             volumeClaimTemplate:
               spec:
                 accessModes: [ "ReadWriteOnce" ]
                 storageClassName: premium-rwo
                 resources:
                   requests:
                     storage: 800Gi

2. 应用 deepseek-download-job.yaml 清单以初始化下载作业：

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

3. 如需查看完成状态，请运行以下命令：

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

   --timeout 标志用于指定命令在超时之前监控作业的时间。

   作业资源使用 SSD 卷将 DeepSeek-V3.2-Speciale 模型权重从 Hugging Face 下载到您的 Google Cloud 存储桶。下载大约需要 40 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。

4. 如需删除作业，请运行以下命令：

   kubectl delete job deepseek-download-job

将 vLLM 容器部署到 GKE 集群

将模型下载到 Cloud Storage 存储桶后，请完成以下步骤，将 vLLM 容器部署到 GKE 集群：

1. 创建一个 vllm-deepseek3-2.yaml 文件，其中包含您选择的 vLLM 部署：

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: deepseek3-2-deploy
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: deepseek
     template:
       metadata:
         labels:
           app: deepseek
           ai.gke.io/model: deepseek-v3-2
           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:model-garden.pytorch-vllm-serve-release_20251126.00_p0
           resources:
             requests:
               cpu: "10"
               memory: "1000Gi"
               ephemeral-storage: "1Ti"
               nvidia.com/gpu: "8"
             limits:
               cpu: "10"
               memory: "1000Gi"
               ephemeral-storage: "1Ti"
               nvidia.com/gpu: "8"
           command: ["python3", "-m", "vllm.entrypoints.openai.api_server"]
           args:
           - --model=/mnt/gcs/deepseek-v3-2
           - --tensor-parallel-size=8
           - --host=0.0.0.0
           - --port=8000
           - --max-model-len=131072
           - --max-num-seqs=16
           - --enable-chunked-prefill
           - --gpu-memory-utilization=0.90
           - --enforce-eager
           - --trust-remote-code
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
           - mountPath: /mnt/gcs
             name: gcs-bucket-volume
             readOnly: true
           livenessProbe:
             httpGet:
               path: /health
               port: 8000
             initialDelaySeconds: 1800
             periodSeconds: 10
           readinessProbe:
             httpGet:
               path: /health
               port: 8000
             initialDelaySeconds: 1800
             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: deepseek-service
   spec:
     selector:
       app: deepseek
     type: ClusterIP
     ports:
       - protocol: TCP
         port: 8000
         targetPort: 8000
   ---
   apiVersion: monitoring.googleapis.com/v1
   kind: PodMonitoring
   metadata:
     name: deepseek-monitoring
   spec:
     selector:
       matchLabels:
         app: deepseek
     endpoints:
     - port: 8000
       path: /metrics
       interval: 30s

2. 将 vllm-deepseek3-2.yaml 文件应用于您的 GKE 集群：

   envsubst < vllm-deepseek3-2.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/deepseek3-2-deploy

   --timeout 标志允许命令在指定的时间段内监控部署。

使用 curl 与 DeepSeek-V3.2-Speciale 互动

如需验证您部署的 DeepSeek-V3.2-Speciale 模型，请执行以下操作：

1. 设置到 DeepSeek-V3.2-Special 的端口转发：

   kubectl port-forward service/deepseek-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：

   time curl http://127.0.0.1:8000/v1/completions \
      -X POST \
      -H "Content-Type: application/json" \
      -d '{
        "model": "deepseek-ai/DeepSeek-V3.2-Speciale",
        "prompt": "<|im_start|>user\nExplain the ReAct (Reasoning + Acting) pattern in Agentic AI. Provide a concise Python pseudocode example showing the loop. Keep the explanation under 300 words.<|im_end|>\n<|im_start|>assistant\n",
        "max_tokens": 1024,
        "temperature": 0.7,
        "stream": false,
        "stop": ["<|im_end|>"]
      }' | jq .

3. 您看到的输出类似于以下内容：

   {
     "id": "cmpl-be345f0499e949ed8500e533be2cfe3f",
     "object": "text_completion",
     "created": 1764803171,
     "model": "deepseek-ai/DeepSeek-V3.2-Speciale",
     "choices": [
       {
         "index": 0,
         "text": "The ReAct pattern integrates reasoning (thoughts) and actions (tool calls) within an agentic loop... [TRUNCATED FOR BREVITY] ...ReAct improves transparency and reliability by explicit reasoning steps.",
         "logprobs": null,
         "finish_reason": "stop",
         "stop_reason": "<|im_end|>",
         "token_ids": null,
         "prompt_logprobs": null,
         "prompt_token_ids": null
       }
     ],
     "service_tier": null,
     "system_fingerprint": null,
     "usage": {
       "prompt_tokens": 57,
       "total_tokens": 317,
       "completion_tokens": 260,
       "prompt_tokens_details": 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。在此信息中心内，您可以查看各种关键性能指标，例如令牌吞吐量、请求延迟时间和错误率。

如需了解如何使用 Google Cloud Managed Service for Prometheus 从模型收集指标，请参阅 Monitoring 文档中的 vLLM 可观测性指南。

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。

为避免因本教程中使用的资源导致您的 Cloud Billing 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-deepseek3-2.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-deepseek3-2.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