TensorRT-LLM

Maximaler LLM-Inferenzdurchsatz mit NVIDIA TensorRT-Optimierung — bereitgestellt über Triton Inference Server

TensorRT-LLM ist NVIDIAs Open-Source-Bibliothek zur Optimierung der Inferenz von Large Language Models auf NVIDIA-GPUs. Sie liefert erstklassige Leistung durch Kernel-Fusion, Quantisierung (INT4, INT8, FP8), In-Flight-Batching und paged KV-Caching. In Kombination mit Triton Inference Server erhalten Sie eine produktionsreife Serving-Infrastruktur.

GitHub: NVIDIA/TensorRT-LLM — 10K+ ⭐

---

Warum TensorRT-LLM?

Funktion	vLLM	TensorRT-LLM
Durchsatz	Ausgezeichnet	Best in class
Latenz	Gut	Ausgezeichnet
INT4/INT8-Quantisierung	Teilweise	Native
FP8-Unterstützung	Begrenzt	Vollständig
Multi-GPU Tensor-Parallelität	Ja	Ja
Einrichtungsaufwand	Niedrig	Mittel–Hoch

TensorRT-LLM liefert typischerweise 2–4x höheren Durchsatz im Vergleich zur Standard-HuggingFace-transformers-Inferenz und 30–50% besseren Durchsatz als vLLM für Batch-Serving-Szenarien.

---

Voraussetzungen

• Clore.ai-Konto mit GPU-Vermietung

• NVIDIA-GPU mit Ampere-Architektur oder neuer (RTX 3090, A100, RTX 4090, H100)

• Grundlegende Linux- und Docker-Kenntnisse

• Ausreichend VRAM für Ihr gewähltes Modell

---

VRAM-Anforderungen nach Modell

Modell	FP16	INT8	INT4
Llama-3.1 8B	16GB	8GB	4GB
Llama-3.1 70B	140GB	70GB	35GB
Mistral 7B	14GB	7GB	4GB
Mixtral 8x7B	90GB	45GB	24GB
Qwen2.5 72B	144GB	72GB	36GB

---

Schritt 1 — Wählen Sie Ihre GPU auf Clore.ai

1. Melden Sie sich an bei clore.ai → Marktplatz

2. Für Single-GPU-Serving (7B–13B-Modelle): RTX 4090 24GB oder RTX 3090 24GB

3. Für große Modelle (70B+): Mehrere A100 80GB oder H100

Multi-GPU-Strategie:

• 2x A100 80GB → Llama 3.1 70B in FP16 oder Qwen2.5 72B

• 4x A100 80GB → Llama 3.1 405B in INT8

• Wählen Sie Server mit mehreren aufgeführten GPUs im Clore.ai-Marktplatz

---

Schritt 2 — Deployen Sie Triton Inference Server mit TRT-LLM-Backend

Docker-Image:

nvcr.io/nvidia/tritonserver:24.01-trtllm-python-py3

Verwenden Sie die -trtllm-python-py3 Variante — dies beinhaltet das TensorRT-LLM-Backend vorinstalliert. Der Tag entspricht der NVIDIA-Container-Version (24.01 = Januar 2024). Prüfen Sie NGC auf den neuesten Tag.

Offengelegte Ports:

22
8000

Umgebungsvariablen:

NVIDIA_VISIBLE_DEVICES=all
NVIDIA_DRIVER_CAPABILITIES=compute,utility
TRANSFORMERS_CACHE=/workspace/hf_cache
HF_HOME=/workspace/hf_cache

Volume/Festplatte: Mindestens 100GB empfohlen

---

Schritt 3 — Verbinden und Installation verifizieren

ssh root@<server-ip> -p <ssh-port>

# GPU prüfen
nvidia-smi

# TensorRT-Version prüfen
python3 -c "import tensorrt_llm; print(tensorrt_llm.__version__)"

# Prüfen, ob Triton verfügbar ist
tritonserver --version

---

Schritt 4 — Modell herunterladen und vorbereiten

Wir verwenden Llama 3.1 8B als Beispiel. Passen Sie Pfade für Ihr gewähltes Modell an.

Installieren Sie HuggingFace CLI

pip install huggingface_hub
huggingface-cli login
# Geben Sie Ihr HuggingFace-Token ein, wenn Sie dazu aufgefordert werden

Modellgewichte herunterladen

mkdir -p /workspace/models/llama-3.1-8b
huggingface-cli download \
    meta-llama/Llama-3.1-8B-Instruct \
    --local-dir /workspace/models/llama-3.1-8b \
    --local-dir-use-symlinks False

# Oder verwenden Sie snapshot_download
python3 << 'EOF'
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id="meta-llama/Llama-3.1-8B-Instruct",
    local_dir="/workspace/models/llama-3.1-8b",
    local_dir_use_symlinks=False
)
EOF

---

Schritt 5 — TensorRT-Engine bauen

Dies ist der entscheidende Schritt — das Kompilieren des Modells zu einer optimierten TensorRT-Engine.

FP16-Engine (Beste Qualität)

cd /workspace

# HuggingFace-Gewichte in TRT-LLM-Format konvertieren
python3 /usr/local/lib/python3.10/dist-packages/tensorrt_llm/examples/llama/convert_checkpoint.py \
    --model_dir /workspace/models/llama-3.1-8b \
    --output_dir /workspace/trt_checkpoints/llama-3.1-8b-fp16 \
    --dtype float16 \
    --tp_size 1

# TensorRT-Engine bauen
trtllm-build \
    --checkpoint_dir /workspace/trt_checkpoints/llama-3.1-8b-fp16 \
    --output_dir /workspace/trt_engines/llama-3.1-8b-fp16 \
    --gemm_plugin float16 \
    --max_batch_size 32 \
    --max_input_len 4096 \
    --max_seq_len 8192 \
    --max_num_tokens 16384 \
    --use_paged_context_fmha enable

INT8 SmoothQuant-Engine (Höherer Durchsatz)

# Mit SmoothQuant-Quantisierung konvertieren
python3 /usr/local/lib/python3.10/dist-packages/tensorrt_llm/examples/llama/convert_checkpoint.py \
    --model_dir /workspace/models/llama-3.1-8b \
    --output_dir /workspace/trt_checkpoints/llama-3.1-8b-int8 \
    --dtype float16 \
    --smoothquant 0.5 \
    --per_channel \
    --per_token

trtllm-build \
    --checkpoint_dir /workspace/trt_checkpoints/llama-3.1-8b-int8 \
    --output_dir /workspace/trt_engines/llama-3.1-8b-int8 \
    --gemm_plugin float16 \
    --smoothquant_plugin float16 \
    --max_batch_size 64 \
    --max_input_len 4096 \
    --max_seq_len 8192

INT4 AWQ-Engine (Maximaler Durchsatz / Minimale Speicheranforderung)

# Installieren Sie auto-gptq für die Quantisierung
pip install autoawq

# Zu INT4 AWQ quantisieren
python3 << 'EOF'
from awq import AutoAWQForCausalLM
from transformers import AutoTokenizer

model_path = "/workspace/models/llama-3.1-8b"
quant_path = "/workspace/models/llama-3.1-8b-awq-int4"

model = AutoAWQForCausalLM.from_pretrained(model_path)
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)

quant_config = {
    "zero_point": True,
    "q_group_size": 128,
    "w_bit": 4,
    "version": "GEMM"
}
model.quantize(tokenizer, quant_config=quant_config)
model.save_quantized(quant_path)
tokenizer.save_pretrained(quant_path)
EOF

# AWQ in TRT-LLM konvertieren
python3 /usr/local/lib/python3.10/dist-packages/tensorrt_llm/examples/llama/convert_checkpoint.py \
    --model_dir /workspace/models/llama-3.1-8b-awq-int4 \
    --output_dir /workspace/trt_checkpoints/llama-3.1-8b-int4 \
    --dtype float16 \
    --quant_ckpt_path /workspace/models/llama-3.1-8b-awq-int4 \
    --use_weight_only \
    --weight_only_precision int4_awq \
    --per_group

trtllm-build \
    --checkpoint_dir /workspace/trt_checkpoints/llama-3.1-8b-int4 \
    --output_dir /workspace/trt_engines/llama-3.1-8b-int4 \
    --gemm_plugin float16 \
    --max_batch_size 128 \
    --max_input_len 4096 \
    --max_seq_len 8192

Build-Zeit der Engine: 10–30 Minuten je nach GPU und Modellgröße. Dies ist ein einmaliger Vorgang — einmal gebaut, lädt die Engine in Sekunden.

---

Schritt 6 — Kurzer Test mit der TRT-LLM Python-API

Überprüfen Sie vor dem Einrichten von Triton, ob die Engine funktioniert:

python3 << 'EOF'
import tensorrt_llm
from tensorrt_llm.runtime import ModelRunner
from transformers import AutoTokenizer

engine_dir = "/workspace/trt_engines/llama-3.1-8b-fp16"
tokenizer_dir = "/workspace/models/llama-3.1-8b"

tokenizer = AutoTokenizer.from_pretrained(tokenizer_dir)
runner = ModelRunner.from_dir(
    engine_dir=engine_dir,
    rank=0
)

prompt = "What is the capital of France?"
input_ids = tokenizer.encode(prompt, return_tensors="pt")

output = runner.generate(
    batch_input_ids=[input_ids[0].tolist()],
    max_new_tokens=200,
    temperature=0.7,
    top_p=0.9
)

output_ids = output[0][0][len(input_ids[0]):]
response = tokenizer.decode(output_ids, skip_special_tokens=True)
print(f"Response: {response}")
EOF

---

Schritt 7 — Triton Inference Server einrichten

Modell-Repository-Struktur erstellen

mkdir -p /workspace/triton_model_repo/llama/1

# Modellkonfiguration erstellen
cat > /workspace/triton_model_repo/llama/config.pbtxt << 'EOF'
backend: "tensorrtllm"
name: "llama"
max_batch_size: 64
model_transaction_policy {
  decoupled: true
}

dynamic_batching {
  preferred_batch_size: [1, 2, 4, 8, 16, 32, 64]
  max_queue_delay_microseconds: 1000
}

input [
  {
    name: "input_ids"
    data_type: TYPE_INT32
    dims: [-1]
  },
  {
    name: "input_lengths"
    data_type: TYPE_INT32
    dims: [1]
    reshape: { shape: [] }
  },
  {
    name: "request_output_len"
    data_type: TYPE_INT32
    dims: [1]
    reshape: { shape: [] }
  },
  {
    name: "temperature"
    data_type: TYPE_FP32
    dims: [1]
    reshape: { shape: [] }
    optional: true
  }
]

output [
  {
    name: "output_ids"
    data_type: TYPE_INT32
    dims: [-1, -1]
  },
  {
    name: "sequence_length"
    data_type: TYPE_INT32
    dims: [1]
  }
]

instance_group [
  {
    count: 1
    kind: KIND_GPU
    gpus: [0]
  }
]

parameters: {
  key: "gpt_model_type"
  value: { string_value: "inflight_fused_batching" }
}

parameters: {
  key: "gpt_model_path"
  value: { string_value: "/workspace/trt_engines/llama-3.1-8b-fp16" }
}

parameters: {
  key: "max_tokens_in_paged_kv_cache"
  value: { string_value: "8192" }
}

parameters: {
  key: "batch_scheduler_policy"
  value: { string_value: "guaranteed_no_evict" }
}
EOF

Engine-Symlink erstellen

ln -s /workspace/trt_engines/llama-3.1-8b-fp16 \
    /workspace/triton_model_repo/llama/1/

Triton Server starten

tritonserver \
    --model-repository=/workspace/triton_model_repo \
    --http-port=8000 \
    --grpc-port=8001 \
    --metrics-port=8002 \
    --log-verbose=0 &

# Auf Serverstart warten
sleep 30

# Server-Gesundheit prüfen
curl -s http://localhost:8000/v2/health/ready

---

Schritt 8 — Die API abfragen

OpenAI-kompatibler Client

import requests
import json

def generate(prompt: str, max_tokens: int = 200) -> str:
    url = "http://localhost:8000/v2/models/llama/generate"
    
    payload = {
        "text_input": prompt,
        "parameters": {
            "max_tokens": max_tokens,
            "temperature": 0.7,
            "top_p": 0.9
        }
    }
    
    response = requests.post(url, json=payload)
    result = response.json()
    return result.get("text_output", "")

# Test
print(generate("Erkläre Quantencomputing in einfachen Worten:"))

Benchmark-Durchsatz

# tritonclient installieren
pip install tritonclient[all]

# Performance-Benchmark ausführen
perf_analyzer \
    -m llama \
    -u localhost:8001 \
    --protocol grpc \
    --input-data /workspace/sample_inputs.json \
    --concurrency-range 1:32:2 \
    --measurement-interval 10000 \
    --shape input_ids:512 \
    --shape input_lengths:1 \
    --shape request_output_len:1

---

Schritt 9 — OpenAI-kompatible API-Wrapper hinzufügen

Zur einfacheren Integration fügen Sie einen FastAPI-Wrapper hinzu:

pip install fastapi uvicorn tritonclient[all]

cat > /workspace/openai_server.py << 'EOF'
from fastapi import FastAPI
from pydantic import BaseModel
import tritonclient.http as httpclient
import numpy as np
from transformers import AutoTokenizer

app = FastAPI()
tokenizer = AutoTokenizer.from_pretrained("/workspace/models/llama-3.1-8b")
client = httpclient.InferenceServerClient("localhost:8000")

class ChatRequest(BaseModel):
    model: str = "llama"
    messages: list
    max_tokens: int = 512
    temperature: float = 0.7

@app.post("/v1/chat/completions")
async def chat(req: ChatRequest):
    prompt = tokenizer.apply_chat_template(
        req.messages,
        tokenize=False,
        add_generation_prompt=True
    )
    
    input_ids = tokenizer.encode(prompt)
    
    inputs = [
        httpclient.InferInput("input_ids", [len(input_ids)], "INT32"),
        httpclient.InferInput("input_lengths", [1], "INT32"),
        httpclient.InferInput("request_output_len", [1], "INT32"),
    ]
    inputs[0].set_data_from_numpy(np.array(input_ids, dtype=np.int32))
    inputs[1].set_data_from_numpy(np.array([len(input_ids)], dtype=np.int32))
    inputs[2].set_data_from_numpy(np.array([req.max_tokens], dtype=np.int32))
    
    result = client.infer("llama", inputs)
    output_ids = result.as_numpy("output_ids")[0][len(input_ids):]
    text = tokenizer.decode(output_ids, skip_special_tokens=True)
    
    return {
        "choices": [{"message": {"role": "assistant", "content": text}}]
    }

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8080)
EOF

python3 /workspace/openai_server.py &

---

Fehlerbehebung

Engine-Build OOM

# max_batch_size und max_num_tokens reduzieren
trtllm-build \
    --checkpoint_dir /workspace/trt_checkpoints/llama-3.1-8b-fp16 \
    --output_dir /workspace/trt_engines/llama-3.1-8b-fp16 \
    --gemm_plugin float16 \
    --max_batch_size 8 \        # Reduzieren von 32
    --max_input_len 2048 \      # Reduzieren von 4096
    --max_seq_len 4096          # Reduzieren von 8192

Triton-Server startet nicht

# Logs prüfen
cat /workspace/triton.log

# Überprüfen Sie, ob Engine-Dateien vorhanden sind
ls -la /workspace/trt_engines/llama-3.1-8b-fp16/

# GPU-Speicher prüfen
nvidia-smi

Niedriger Durchsatz

# In-Flight-Batching aktivieren und Konkurenz erhöhen
# Passen Sie max_tokens_in_paged_kv_cache basierend auf verfügbarem VRAM an

---

Performance-Benchmarks auf Clore.ai-GPUs

Modell	GPU	Quantisierung	Durchsatz (Tokens/Sekunde)
Llama 3.1 8B	RTX 4090	FP16	~3,500
Llama 3.1 8B	RTX 4090	INT4 AWQ	~6,200
Llama 3.1 70B	2x A100 80G	FP16	~1,800
Mixtral 8x7B	2x RTX 4090	INT8	~2,400

---

Weitere Ressourcen

• TensorRT-LLM GitHub

• Triton Inference Server

• NGC Container Registry

• TRT-LLM-Dokumentation

• AWQ-Quantisierung

---

TensorRT-LLM auf Clore.ai ist die optimale Wahl für produktives LLM-Serving, wenn Durchsatz und Latenz kritisch sind. Für einfachere Setups ziehen Sie den vLLM-Leitfaden in Betracht.

---

Clore.ai GPU-Empfehlungen

Anwendungsfall	Empfohlene GPU	Geschätzte Kosten auf Clore.ai
Entwicklung/Tests	RTX 3090 (24GB)	~$0.12/gpu/hr
Produktions-Inferenz	RTX 4090 (24GB)	~$0.70/gpu/hr
Große Modelle (70B+)	A100 80GB	~$1.20/gpu/hr

💡 Alle Beispiele in diesem Leitfaden können bereitgestellt werden auf Clore.ai GPU-Servern. Durchsuchen Sie verfügbare GPUs und mieten Sie stundenweise — keine Verpflichtungen, voller Root-Zugriff.