在 GKE 上使用 vLLM 运行 Llama 4 推理

本教程介绍如何使用 vLLM 框架部署和应用 Llama 4 Scout (17Bx16E)（一种 17B 大语言模型 (LLM)）。您可以在 Google Kubernetes Engine (GKE) 上的单个 A4 虚拟机 (VM) 实例上部署此模型。

重要提示： 如需完成本教程，您必须已预留创建 A4 VM 的容量。如需详细了解在 AI Hypercomputer 中预留未来日期和时间的容量的选项，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 Llama 4。

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. 将 vLLM 容器部署到 GKE 集群。

6. 使用 curl 与 Llama 4 互动。

7. 清理。

费用

本教程使用 Google Cloud 的如下计费组件：

• Google Kubernetes Engine 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，您可以选择已获授予角色的任何项目。
   • 创建项目：如需创建项目，您需要 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. 启用必需的 API：

   启用 API 所需的角色

   如需启用 API，您需要拥有 serviceusage.services.enable 权限。如果您已创建项目，则可能已通过 Owner 角色 (roles/owner) 拥有此权限。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. 为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：您的用户账号的标识符。 账号。如需查看示例，请参阅 在 IAM 政策中表示员工池用户。
   • ROLE：您授予用户账号的 IAM 角色。
8. 登录或创建 Hugging Face 账号。

使用 Hugging Face 访问 Llama 4

如需使用 Hugging Face 访问 Llama 4，请执行以下操作：

1. 签署同意协议以使用 Llama 4。
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它。

准备环境

如需准备环境，请设置以下变量：

export PROJECT_ID="YOUR_PROJECT_ID"
export RESERVATION_NAME="YOUR_RESERVATION_NAME"
export REGION="YOUR_REGION"
export CLUSTER_NAME="YOUR_CLUSTER_NAME"
export HF_TOKEN="YOUR_HF_TOKEN"
export NETWORK="YOUR_NETWORK_NAME"
export SUBNETWORK="YOUR_SUBNETWORK_NAME"

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的不同，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。指定完整路径，通常称为 RESERVATION_URL: projects/YOUR_RESERVATION_PROJECT_ID/reservations/YOUR_RESERVATION_NAME. 将 YOUR_RESERVATION_PROJECT_ID 替换为创建共享预留的项目的 ID。

    确保您的项目拥有使用其他项目中的预留所需的权限。

• 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_HF_TOKEN：您在上一个部分中创建的 Hugging Face 访问令牌。

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

  • 如果您创建了自定义网络，请指定网络的名称。

  • 否则，请指定 default。

• YOUR_SUBNETWORK_NAME：GKE 集群使用的子网。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。

创建和配置 Google Cloud 资源

请按照本部分中的说明创建所需资源。

注意： 您可能需要创建容量预留才能使用某些 加速器。如需了解如何预留和使用预留的资源，请参阅 使用预留的可用区级资源。

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。 如需验证是否已完成集群创建，请前往 控制台上的 Kubernetes 集群。 Google Cloud Google Cloud

创建一个 Kubernetes Secret 来存储您的 Hugging Face 凭据

如需创建一个 Kubernetes Secret 来存储您的 Hugging Face 凭据，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，其中包含您在之前的步骤中创建的 Hugging Face read access 令牌：

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

将 vLLM 容器部署到 GKE 集群

如需部署 vLLM 容器以应用 Llama-4-Scout-17B-16E-Instruct 模型，请执行以下操作：

1. 使用您选择的 vLLM 部署创建一个 vllm-l4-17b.yaml 文件：

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: vllm-llama4-deployment
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: llama4-server
     template:
       metadata:
         labels:
           app: llama4-server
           ai.gke.io/model: llama-4-scout-17b
           ai.gke.io/inference-server: vllm
           examples.ai.gke.io/source: user-guide
       spec:
         containers:
         - name: inference-server
           image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:20250722_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=$(MODEL_ID)
           - --tensor-parallel-size=8
           - --host=0.0.0.0
           - --port=8000
           - --max-model-len=4096
           - --max-num-seqs=4
           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
           startupProbe:
             httpGet:
               path: /health
               port: 8000
             failureThreshold: 200
             periodSeconds: 15
           livenessProbe:
             httpGet:
               path: /health
               port: 8000
             initialDelaySeconds: 15
             periodSeconds: 10
           readinessProbe:
             httpGet:
               path: /health
               port: 8000
             initialDelaySeconds: 15
             periodSeconds: 5
         volumes:
         - name: dshm
           emptyDir:
               medium: Memory
         nodeSelector:
           cloud.google.com/gke-accelerator: nvidia-b200
           cloud.google.com/reservation-name: ${RESERVATION_NAME}
           cloud.google.com/reservation-affinity: "specific"
           cloud.google.com/gke-gpu-driver-version: latest
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: llm-service
   spec:
     selector:
       app: llama4-server
     type: ClusterIP
     ports:
       - protocol: TCP
         port: 8000
         targetPort: 8000
   ---
   apiVersion: monitoring.googleapis.com/v1
   kind: PodMonitoring
   metadata:
     name: vllm-llama4-monitoring
   spec:
     selector:
       matchLabels:
         app: llama4-server
     endpoints:
     - port: 8000
       path: /metrics
       interval: 30s

2. 将 vllm-l4-17b.yaml 文件应用于您的 GKE 集群：

   envsubst < vllm-l4-17b.yaml | kubectl apply -f -

   在部署过程中，容器必须从 Hugging Face 下载 Llama-4-Scout-17B-16E-Instruct 模型。因此，容器的部署可能需要长达 30 分钟才能完成。

3. 如需查看完成状态，请运行以下命令：

   kubectl wait \
       --for=condition=Available \
       --timeout=3000s \
       deployment/vllm-llama4-deployment

   --timeout=3000s 标志允许该命令监控部署长达 50 分钟。

使用 curl 与 Llama 4 互动

如需验证您部署的 Llama 4 Scout 模型，请执行以下操作：

1. 设置到 Llama 4 Scout 的端口转发：

   kubectl port-forward service/llm-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": "meta-llama/Llama-4-Scout-17B-16E-Instruct",
          "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-ec0ad6310c494a889b17600881c06e3d",
         "object": "chat.completion",
         "created": 1754073279,
         "model": "meta-llama/Llama-4-Scout-17B-16E-Instruct",
         "choices": [
           {
             "index": 0,
             "message": {
               "role": "assistant",
               "content": "A sailboat is a type of watercraft that uses the wind for propulsion, typically featuring a hull, mast, and one or more sails.",
               "refusal": null,
               "annotations": null,
               "audio": null,
               "function_call": null,
               "tool_calls": [],
               "reasoning_content": null
             },
             "logprobs": null,
             "finish_reason": "stop",
             "stop_reason": null
           }
         ],
         "service_tier": null,
         "system_fingerprint": null,
         "usage": {
           "prompt_tokens": 19,
           "total_tokens": 49,
           "completion_tokens": 30,
           "prompt_tokens_details": null
         },
         "prompt_logprobs": null,
         "kv_transfer_params": null
       }
   

观察模型性能

如需观察模型的性能，您可以使用 Cloud Monitoring 中的 vLLM 信息中心 集成 。您可以使用此信息中心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 vLLM Cloud Monitoring 文档中的可观测性指南。

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。

删除资源

1. 如需删除 vllm-l4-17b.yaml 文件中的部署和服务以及 GKE 集群中的 Kubernetes Secret，请运行以下命令：

   kubectl delete -f vllm-l4-17b.yaml
   kubectl delete secret hf-secret

2. 如需删除 GKE 集群，请运行以下命令：

   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。

删除项目： Google Cloud

gcloud projects delete PROJECT_ID

后续步骤

• 了解如何管理 AI 优化型 GKE 集群