TensorRT-LLM

通过 NVIDIA TensorRT 优化实现的最大 LLM 推理吞吐量 — 通过 Triton Inference Server 部署

TensorRT-LLM 是 NVIDIA 的开源库，用于在 NVIDIA GPU 上优化大型语言模型的推理。它通过内核融合、量化（INT4、INT8、FP8）、飞行中批处理和分页 KV 缓存提供最新水平的性能。与 Triton Inference Server 结合，可获得生产级别的服务基础设施。

GitHub： NVIDIA/TensorRT-LLM — 10K+ ⭐

---

为什么选择 TensorRT-LLM？

功能	vLLM	TensorRT-LLM
吞吐量	适合照片级写实	同类最佳
延迟	快速	适合照片级写实
INT4/INT8 量化	部分支持	原生
支持 FP8	有限	完整（Full）
多 GPU 张量并行	是	是
设置复杂度	低	中等-高

TensorRT-LLM 通常比标准 HuggingFace transformers 推理提供 2–4 倍更高的吞吐量 在批量服务场景下，比 vLLM 提供约 30–50% 更好的吞吐量。

---

先决条件

• 具有 GPU 租用的 Clore.ai 帐户

• 具有安培（Ampere）架构或更新架构的 NVIDIA GPU （RTX 3090、A100、RTX 4090、H100）

• 基本的 Linux 和 Docker 知识

• 为所选模型准备足够的显存（VRAM）

---

按模型划分的显存需求

模型	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

---

第 1 步 — 在 Clore.ai 上选择您的 GPU

1. 登录到 clore.ai → 市场

2. 对于单 GPU 服务（7B–13B 模型）： RTX 4090 24GB 或 RTX 3090 24GB

3. 对于大型模型（70B+）： 多块 A100 80GB 或 H100

多 GPU 策略：

• 2x A100 80GB → Llama 3.1 70B（FP16）或 Qwen2.5 72B

• 4x A100 80GB → Llama 3.1 405B（INT8）

• 在 Clore.ai 市场中选择列出多 GPU 的服务器

---

第 2 步 — 使用 TRT-LLM 后端 部署 Triton Inference Server

Docker 镜像：

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

使用 -trtllm-python-py3 变体 — 其中预装了 TensorRT-LLM 后端。标签对应 NVIDIA 容器发布（24.01 = 2024 年 1 月）。检查 NGC 以获取最新标签。

暴露端口：

22
8000

环境变量：

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

卷/磁盘： 建议至少 100GB

---

第 3 步 — 连接并验证安装

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

# 检查 GPU
nvidia-smi

# 检查 TensorRT 版本
python3 -c "import tensorrt_llm; print(tensorrt_llm.__version__)"

# 检查 Triton 是否可用
tritonserver --version

---

第 4 步 — 下载并准备模型

我们将以 Llama 3.1 8B 为示例。根据所选模型调整路径。

安装 HuggingFace CLI

pip install huggingface_hub
huggingface-cli login
# 提示时输入您的 HuggingFace 令牌

下载模型权重

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

# 或使用 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

---

第 5 步 — 构建 TensorRT 引擎

这是关键步骤 — 将模型编译为优化后的 TensorRT 引擎。

FP16 引擎（最佳质量）

cd /workspace

# 将 HuggingFace 权重转换为 TRT-LLM 格式
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

# 构建 TensorRT 引擎
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 引擎（更高吞吐量）

# 使用 SmoothQuant 进行转换量化
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 引擎（最大吞吐量 / 最小内存占用）

# 安装 auto-gptq 以进行量化
pip install autoawq

# 量化为 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

# 将 AWQ 转换为 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

引擎构建时间： 取决于 GPU 与模型大小，需 10–30 分钟。这是一次性操作 — 构建完成后，引擎可以在数秒内加载。

---

第 6 步 — 使用 TRT-LLM Python API 快速测试

在设置 Triton 之前，先验证引擎是否可用：

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

---

第 7 步 — 设置 Triton Inference Server

创建模型仓库结构

mkdir -p /workspace/triton_model_repo/llama/1

# 创建模型配置
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

创建引擎符号链接

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

启动 Triton 服务器

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

# 等待服务器启动
sleep 30

# 检查服务器健康状况
curl -s http://localhost:8000/v2/health/ready

---

第 8 步 — 查询 API

兼容 OpenAI 的客户端

import requests
import json

def generate(prompt: str, max_tokens: int = 200) -> str:
    url = "http://localhost:8000/v2/models/llama/generate"
    
    "batch": {
        "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", "")

# 测试
print(generate("以简单术语解释量子计算："))

基准吞吐量测试

# 安装 tritonclient
pip install tritonclient[all]

# 运行性能基准测试
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

---

第 9 步 — 添加兼容 OpenAI 的 API 封装

为更易集成，添加 FastAPI 封装：

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 &

---

故障排除

引擎构建 OOM（内存不足）

# 减小 max_batch_size 和 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 \        # 从 32 减小
    --max_input_len 2048 \      # 从 4096 减小
    --max_seq_len 4096          # 从 8192 减小

Triton 服务器未启动

# 检查日志
cat /workspace/triton.log

# 验证引擎文件是否存在
ls -la /workspace/trt_engines/llama-3.1-8b-fp16/

# 检查 GPU 内存
nvidia-smi

低吞吐量

# 启用飞行中批处理并增加并发量
# 根据可用显存调整 max_tokens_in_paged_kv_cache

---

Clore.ai GPU 上的性能基准

模型	GPU	量化	吞吐量（tokens/秒）
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

---

附加资源

• TensorRT-LLM GitHub

• Triton 推理服务器

• NGC 容器注册表

• TRT-LLM 文档

• AWQ 量化

---

当吞吐量和延迟至关重要时，Clore.ai 上的 TensorRT-LLM 是用于生产 LLM 服务的最佳选择。对于更简单的部署，可以考虑 vLLM 指南。

---

Clore.ai 的 GPU 建议

在 Clore.ai 上的预估费用	开发/测试	RTX 3090（24GB）
~$0.12/每 GPU/每小时	生产	RTX 4090（24GB）
生产级推理	大规模	A100 80GB
大型模型（70B+）	💡 本指南中的所有示例均可部署在	Clore.ai

GPU 服务器上。浏览可用 GPU 并按小时租用 — 无需承诺，提供完整的 root 访问权限。 Clore.ai GPU 服务器。浏览可用 GPU 并按小时租用 — 无需承诺，提供完整的 root 访问权限。