这是一个创建于 605 天前的主题，其中的信息可能已经有所发展或是发生改变。
在本地部署了 ollama 的 API 做生成任务，现在有 4 块 A800 的 GPU ，ollama 已经开启了并行任务。
现在的问题是，模型速度提不上去，GPU 也没有跑满，占用在 80%左右，显存也只用了 1/2 。
是其他什么硬件到了瓶颈吗？影响模型生成速度的内存带宽？如何能提升速度？
现在的问题是，模型速度提不上去，GPU 也没有跑满，占用在 80%左右，显存也只用了 1/2 。
是其他什么硬件到了瓶颈吗？影响模型生成速度的内存带宽？如何能提升速度？
第 1 条附言 2024 年 7 月 24 日
多谢诸位。换 vllm 了，72b 的模型用两张卡都没跑起来，四张都用才行（
 | 1 1119745302 2024 年 7 月 23 日 换个后端? |
 | 2 CNYoki OP @1119745302 #1 这个跟后端没太大关系吧，直接用的 python 调的 ollama 的库 |
 | 3 KylinYou 2024 年 7 月 23 日 via Android 在 llama.cpp 那边提个 issue 呢 |
 | 4 swulling 2024 年 7 月 23 日 为啥 A800 还用 ollama 或 llama.cpp 。直接用 vLLM 。 |
 | 5 neteroster 2024 年 7 月 23 日 via Android 用 vLlm 。 |
| 6 CNYoki OP vLLM 现在有 json mode 了吗 |
 | 7 0x3933030 2024 年 7 月 23 日 只有卡 0 用起来了，怎么想都是模型实现的问题 |
| 9 1119745302 2024 年 7 月 23 日 @CNYoki llama.cpp 似乎不支持张量并行,就算 4 张卡显存占满了也跑不快. https://www.bilibili.com/video/BV1DH4y1c7gK/ 可以参考一下这个, 换个 vllm 啊啥的后端一般就是随便跑了 |
 | 10 crackidz 2024 年 7 月 23 日 当然是换个后端... vllm 算是比较流行的企业级后端 |
 | 11 GrayXu 2024 年 7 月 24 日 @CNYoki #2 就是后端问题，ollama 是依赖 llama.cpp 的吧，llama.cpp 只能模型并行，不能提升 token 速度。用 vllm 。 |
 | 12 clemente 2024 年 7 月 24 日 开大 batch size |
Select Language