TensorRT-LLM

Máximo rendimiento de inferencia de LLM con optimización NVIDIA TensorRT — desplegado mediante Triton Inference Server

TensorRT-LLM es la biblioteca de código abierto de NVIDIA para optimizar la inferencia de modelos de lenguaje grandes en GPUs NVIDIA. Ofrece un rendimiento de última generación mediante fusión de kernels, cuantización (INT4, INT8, FP8), batching en vuelo y caché KV paginada. Combinado con Triton Inference Server, obtienes una infraestructura de servicio de nivel de producción.

GitHub: NVIDIA/TensorRT-LLM — 10K+ ⭐

---

¿Por qué TensorRT-LLM?

Función	vLLM	TensorRT-LLM
Rendimiento	Excelente	De primera clase
Latencia	Bueno	Excelente
Cuantización INT4/INT8	Parcial	Nativo
Compatibilidad con FP8	Limitado	Completo
Paralelismo tensorial multi-GPU	Sí	Sí
Complejidad de configuración	Baja	Media-alta

TensorRT-LLM normalmente ofrece un rendimiento 2–4 veces mayor en comparación con la inferencia estándar de transformers de HuggingFace, y un rendimiento entre 30 y 50 % mejor que vLLM en escenarios de servicio por lotes.

---

Requisitos previos

• Cuenta de Clore.ai con alquiler de GPU

• GPU NVIDIA con arquitectura Ampere o posterior (RTX 3090, A100, RTX 4090, H100)

• Conocimientos básicos de Linux y Docker

• VRAM suficiente para el modelo elegido

---

Requisitos de VRAM por modelo

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

---

Paso 1 — Elige tu GPU en Clore.ai

1. Inicia sesión en clore.ai → Marketplace

2. Para servicio con una sola GPU (modelos de 7B–13B): RTX 4090 24GB o RTX 3090 24GB

3. Para modelos grandes (70B+): Varias A100 80GB o H100

Estrategia multi-GPU:

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

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

• Selecciona servidores con varias GPUs listadas en el mercado de Clore.ai

---

Paso 2 — Despliega Triton Inference Server con el backend TRT-LLM

Imagen de Docker:

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

Usa el -trtllm-python-py3 variante — esto incluye el backend TensorRT-LLM preinstalado. La etiqueta corresponde al lanzamiento del contenedor de NVIDIA (24.01 = enero de 2024). Consulta NGC para la etiqueta más reciente.

Puertos expuestos:

22
8000

Variables de entorno:

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

Volumen/Disco: Se recomiendan al menos 100 GB

---

Paso 3 — Conéctate y verifica la instalación

ssh root@<ip-del-servidor> -p <puerto-ssh>

# Comprobar GPU
nvidia-smi

# Comprobar la versión de TensorRT
python3 -c "import tensorrt_llm; print(tensorrt_llm.__version__)"

# Comprobar que Triton está disponible
tritonserver --version

---

Paso 4 — Descarga y prepara el modelo

Usaremos Llama 3.1 8B como ejemplo. Ajusta las rutas para el modelo que elijas.

Instala la CLI de HuggingFace

pip install huggingface_hub
huggingface-cli login
# Introduce tu token de HuggingFace cuando se te solicite

Descargar pesos del modelo

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

# O usa 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

---

Paso 5 — Compila el motor de TensorRT

Este es el paso clave: compilar el modelo en un motor TensorRT optimizado.

Motor FP16 (mejor calidad)

cd /workspace

# Convierte los pesos de HuggingFace al formato TRT-LLM
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

# Compilar el motor de TensorRT
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

Motor INT8 SmoothQuant (mayor rendimiento)

# Convertir con cuantización SmoothQuant
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

Motor INT4 AWQ (máximo rendimiento / mínimo uso de memoria)

# Instala auto-gptq para la cuantización
pip install autoawq

# Cuantiza a INT4 AWQ
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

# Convertir AWQ a TRT-LLM
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

Tiempo de compilación del motor: 10–30 minutos dependiendo de la GPU y del tamaño del modelo. Esta es una operación de una sola vez: una vez compilado, el motor se carga en segundos.

---

Paso 6 — Prueba rápida con la API de Python de TRT-LLM

Antes de configurar Triton, verifica que el motor funcione:

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 = "¿Cuál es la capital de Francia?"
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

---

Paso 7 — Configura Triton Inference Server

Crear la estructura del repositorio de modelos

mkdir -p /workspace/triton_model_repo/llama/1

# Crear la configuración del modelo
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

Crear enlace simbólico del motor

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

Iniciar Triton Server

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

# Esperar a que el servidor inicie
sleep 30

# Comprobar la salud del servidor
curl -s http://localhost:8000/v2/health/ready

---

Paso 8 — Consulta la API

Cliente compatible con OpenAI

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", "")

# Prueba
print(generate("Explica la computación cuántica en términos simples:"))

Medir el rendimiento

# Instala tritonclient
pip install tritonclient[all]

# Ejecuta el benchmark de rendimiento
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

---

Paso 9 — Añade un envoltorio de API compatible con OpenAI

Para una integración más fácil, añade un envoltorio FastAPI:

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 &

---

Solución de problemas

Falta de memoria durante la compilación del motor

# Reduce max_batch_size y max_num_tokens
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 \        # Reduce de 32
    --max_input_len 2048 \      # Reduce de 4096
    --max_seq_len 4096          # Reduce de 8192

Triton Server no inicia

# Ver registros
cat /workspace/triton.log

# Verifica que existan los archivos del motor
ls -la /workspace/trt_engines/llama-3.1-8b-fp16/

# Comprobar la memoria de la GPU
nvidia-smi

Bajo rendimiento

# Habilita el batching en vuelo y aumenta la concurrencia
# Ajusta max_tokens_in_paged_kv_cache según la VRAM disponible

---

Puntos de referencia de rendimiento en GPUs de Clore.ai

Modelo	GPU	Cuantización	Rendimiento (tokens/seg)
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

---

Recursos adicionales

• GitHub de TensorRT-LLM

• Triton Inference Server

• Registro de contenedores NGC

• Documentación de TRT-LLM

• Cuantización AWQ

---

TensorRT-LLM en Clore.ai es la opción óptima para servir LLMs en producción donde el rendimiento y la latencia son críticos. Para configuraciones más sencillas, considera la guía de vLLM.

---

Recomendaciones de GPU para Clore.ai

Los equipos multinodo de clase 80GB no aparecen listados en el marketplace de Clore.ai. Los equipos más grandes listados hoy son 4× RTX PRO 6000 Blackwell (96GB cada una, 380GB en total) y 8–11× RTX 5090 (32GB cada una). La capacidad A100 / H200 / B200 se vende como bare metal bajo pedido. Consulta Precios y disponibilidad de GPU antes de dimensionar un despliegue.

Caso de uso	GPU recomendada	Costo estimado en Clore.ai
Desarrollo/Pruebas	RTX 3090 (24GB)	$0.07–0.21/gpu/hr
Inferencia en producción	RTX 4090 (24GB)	$0.14–0.42/gpu/hr
Modelos grandes (70B+)	A100 80GB	bare metal

💡 Todos los ejemplos de esta guía pueden desplegarse en Clore.ai servidores GPU. Explora las GPUs disponibles y alquila por hora: sin compromisos, acceso root completo.