让生成式 AI 触手可及：火山引擎推出 NVIDIA NIM on VKE 最佳部署实践

目前火山引擎容器服务 VKE 已向个人用户开放，欢迎大家登录控制台体验：https://console.volcengine.com/vke！

来源 | 火山引擎云原生团队

技术行业近来对大语言模型（LLM）的关注正开始转向生产环境的大规模部署，将 AI 模型接入现有基础设施以优化系统性能，包括降低延迟、提高吞吐量，以及加强日志记录、监控和安全性等。然而这一路径既复杂又耗时，往往需要构建专门的平台和流程。

在部署 AI 模型的过程中，研发团队通常需要执行以下步骤：

环境搭建与配置：首先需要准备和调试运行环境，这包括但不限于 CUDA、Python、PyTorch 等依赖项的安装与配置。这一步骤往往较为复杂，需要细致地调整各个组件以确保兼容性和性能。

模型优化与封装：接下来进行模型的打包和优化，以提高推理效率。这通常涉及到使用 NVIDIA TensorRT 软件开发套件或 NVIDIA TensorRT-LLM 库等专业工具来优化模型，并根据性能测试结果和经验来调整推理引擎的配置参数。这一过程需要深入的 AI 领域知识，并且工具的使用具有一定的学习成本。

模型部署：最后，将优化后的模型部署到生产环境中。对于非容器化环境，资源的准备和管理也是一个需要精心策划的环节。

为了简化上述流程并降低技术门槛，火山引擎云原生团队推出基于 VKE 的 NVIDIA NIM 微服务最佳实践。通过结合 NIM 一站式模型服务能力，以及火山引擎容器服务 VKE 在成本节约和极简运维等方面的优势，这套开箱即用的技术方案将帮助企业更加快捷和高效地部署 AI 模型。

AI 微服务化：NVIDIA NIM

NVIDIA NIM 是一套经过优化的企业级生成式 AI 微服务，它包括推理引擎，通过 API 接口对外提供服务，帮助企业和个人开发者更简单地开发和部署 AI 驱动的应用程序。

NIM 使用行业标准 API，支持跨多个领域的 AI 用例，包括 LLM、视觉语言模型（VLM），以及用于语音、图像、视频、3D、药物研发、医学成像等的模型。同时，它基于 NVIDIA Triton™ Inference Server、NVIDIA TensorRT™、NVIDIA TensorRT-LLM 和 PyTorch 构建，可以在加速基础设施上提供最优的延迟和吞吐量。

为了进一步降低复杂度，NIM 将模型和运行环境做了解耦，以容器镜像的形式为每个模型或模型系列打包。其在 Kubernetes 内的部署形态如下：

NVIDIA NIM on Kubernetes

火山引擎容器服务 VKE（Volcengine Kubernetes Engine）通过深度融合新一代云原生技术，提供以容器为核心的高性能 Kubernetes 容器集群管理服务，可以为 NIM 提供稳定可靠高性能的运行环境，实现模型使用和运行的强强联合。

同时，模型服务的发布和运行也离不开发布管理、网络访问、观测等能力，VKE 深度整合了火山引擎高性能计算（ECS/裸金属）、网络（VPC/EIP/CLB）、存储（EBS/TOS/NAS）、（VCI）等服务，并与镜像仓库、、、日志服务、等云产品横向打通，可以实现 NIM 服务构建、部署、发布、监控等全链路流程，帮助企业更灵活、更敏捷地构建和扩展基于自身数据的定制化大型语言模型（LLMs），打造真正的企业级智能化、自动化基础设施。

NVIDIA NIM on VKE 部署流程

下面，我们将介绍 NVIDIA NIM on VKE 的部署流程，助力开发者快速部署和访问 AI 模型。

准备工作

部署 NVIDIA NIM 前，需要做好如下准备：

VKE 集群中已安装 csi-nas / prometheus-agent / vci-virtual-kubelet / cr-credential-controller 组件
在 VKE 集群中使用相适配的 VCI GPU 实例规格，具体软硬件支持情况可以查看硬件要求：https://docs.nvidia.com/nim/large-language-models/latest/support-matrix.html
创建 NAS 实例，作为存储类，用于模型文件的存储
创建镜像仓库 CR 实例，用于托管 NIM 镜像
开通托管 Prometheus VMP 服务
向 NVIDIA 官方获取 NIM 相关镜像的拉取权限（下述以 llama3-8b-instruct:1.0.0 为例），并生成 API Key：https://docs.nvidia.com/nim/large-language-models/latest/getting-started.html#generate-an-api-key

部署

1. 在国内运行 NIM 官方镜像时，为了避免网络访问影响镜像拉取速度，可以提前拉取相应 NIM 镜像并上传到火山引擎镜像仓库 CR，操作步骤如下：

$ export NGC_API_KEY=<value> # ngc 的 api key$ echo "$NGC_API_KEY" | docker login nvcr.io --username '$oauthtoken' --password-stdin$ docker pull nvcr.io/nim/meta/llama3-8b-instruct:1.0.0$ docker tag nvcr.io/nim/meta/llama3-8b-instruct:1.0.0 <your-cr-host>/<your-cr-namespace>/llama3-8b-instruct:1.0.0$ echo "<your-cr-password>" | docker login --username=<account-name>@<account-id> <your-cr-host>$ docker push <your-cr-host>/<your-cr-namespace>/llama3-8b-instruct:1.0.0

2. 下载代码到本地，进入到代码的 Helm Chart 目录中，把 Helm Chart 推送到镜像仓库（Helm 版本大于 3.7）：

$ git clone https://github.com/NVIDIA/nim-deploy.git$ cd nim-deploy/helm/nim-llmhelm registry login --username=<account-name>@<account-id> <your-cr-host>helm package ./ --version 0.2.1helm push nim-llm-0.2.1.tgz oci://<your-cr-host>/<your-cr-namespace>

3. 在 VKE 的应用中心的 Helm 应用中选择创建 Helm 应用，并选择对应 chart，集群信息，并点击 values.yaml 的编辑按钮进入编辑页：

4. 覆盖 values 内容为如下值来根据火山引擎环境调整参数配置，提升部署性能，点击确定完成参数改动，再继续在部署页点击确定完成部署：

image:  # Adjust to the actual location of the image and version you want  repository: <your-cr-host>/<your-cr-namespace>/llama3-8b-instruct  tag: 1.0.0model:  name: meta/llama3-8b-instruct # not strictly necessary, but enables running "helm test" below  ngcAPISecret: ngc-api  ngcAPIKey: "<your-ngc-api-key>"persistence:  enabled: true  storageClass: "<your-nas-storage-class>"  annotations:    helm.sh/resource-policy: keepstatefulSet:    enabled: falsemetrics:  enabled: true  serviceMonitor:  # for use with the Prometheus Operator and the primary service object    enabled: true    additionalLabels:         volcengine.vmp: "true"service:  type: LoadBalancerpodAnnotations:  vci.vke.volcengine.com/preferred-instance-family: vci.gni2 #规格按模型和region情况具体选择，参考https://www.volcengine.com/docs/6460/76911选择适配规格  vke.volcengine.com/burst-to-vci: enforceresources:  limits:    nvidia.com/gpu: 1

5. 若 Pod 日志出现如下内容或者 Pod 状态变成 Ready，说明服务已经准备好：

INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)

6. 在 VKE 控制台获取 LB Service 地址（Service 名称为 <release-name>-nim-llm）：

7. 访问 NIM 服务：

$ curl -X 'POST'   'http://<lb-ip>:8000/v1/chat/completions'   -H 'accept: application/json'   -H 'Content-Type: application/json'   -d '{  "messages": [    {      "content": "You are a polite and respectful chatbot helping people plan a vacation.",      "role": "system"    },    {      "content": "What should I do for a 4 day vacation in Spain?",      "role": "user"    }  ],  "model": "meta/llama3-8b-instruct",  "max_tokens": 16,  "top_p": 1,  "n": 1,  "stream": false,  "stop": "n",  "frequency_penalty": 0.0}'

会有如下输出：

{"id":"cmpl-a98bbfec02ab4771a3d6ad81caf63e94","object":"chat.completion","created":1718878017,"model":"meta/llama3-8b-instruct","choices":[{"index":0,"message":{"role":"assistant","content":"¡hola! Spain is a wonderful destination, and I'd be delighted to"},"logprobs":null,"finish_reason":"length","stop_reason":null}],"usage":{"prompt_tokens":42,"total_tokens":58,"completion_tokens":16}}

监控

NVIDIA NIM 在 Grafana Dashboard 上提供了丰富的观测指标，详情可参考 Observability：https://docs.nvidia.com/nim/large-language-models/latest/observability.html#prometheus。

在 VKE 中，可通过如下方法搭建 NVIDIA NIM 监控：

1. 参考文档搭建 Grafana：https://www.volcengine.com/docs/6731/126068。

2. 进入 Grafana 中，在 dashboard 菜单中选择 import：

3. 观测面板效果如下：

结语

相比直接构建大模型镜像，基于 VKE 使用 NVIDIA NIM 部署和访问模型有如下优点：

易用性：NVIDIA NIM 提供了预先构建好的模型容器镜像，用户无需从头开始构建和配置环境，配合 VKE 与 CR 的应用部署能力，极大简化了部署过程
性能优化：NVIDIA NIM 的容器镜像是经过优化的，可以在 NVIDIA GPU 上高效运行，充分利用 VCI 的硬件性能
模型选择：NVIDIA NIM 官方提供了多种大语言模型，用户可以根据需求选择合适的模型，部署在 VKE 中仅需对 values.yaml 配置做修改即可
自动更新：通过 NGC，NVIDIA NIM 可以自动下载和更新模型，用户无需手动管理模型版本
可观测性：NVIDIA NIM 内置了丰富的观测指标，配合 VKE 与 VMP 观测能力开箱即用