大模型推理：Qwen3 32B vLLM Docker本地部署

Qwen3底子知识

此次Qwen3开源8个模型（MOE架构：Qwen3-235B-A22B、Qwen3-30B-A3B，Dense架构：Qwen3 0.6B/1.7B/4B/8B/14B/32B），新版本的Qwen3特性包括：

• 支持混合思维模式，即推理/非推理一体模型：
  
• 多语言支持：支持119种语言和方言
  
• Agent本领提升：加强了编码和Agent表现，并加强了MCP的支持
  
• 快速体验方式：千问web chat官网
  

其中，除Qwen3-235B-A22B和Qwen3-32B之外，另外6个模型是蒸馏模型。
各模型版本的参数：

部署情况

• 单机4090 x 4部署BF16格式的Qwen3-32B模型
  
• 10并发下，最长上下文可支持96k（128k显存不敷，就只测96k）
  
• vLLM docker版本：vllm/vllm-openai:v0.8.5（>=0.8.5）
  
• 需安装好Docker和Nvidia container toolkit，可参考Ubuntu Nvidia Docker单机多卡情况配置
  

Docker部署

模型下载：

• 国内推荐魔塔社区Modelscope、hr-mirror，以及魔乐社区modelers
  

Docker启动命令：

1. docker run -d --runtime nvidia --gpus 4 --ipc=host -p 8000:8000 -v /root/models:/root/models -e "PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128" --name=Qwen3-32b vllm/vllm-openai:v0.8.5 --model /root/models/Qwen3-32B --trust-remote-code --served-model-name Qwen3-32b --max_num_seqs 10 --tensor-parallel-size 4 --gpu_memory_utilization 0.98  --enforce-eager --disable-custom-all-reduce --enable-auto-tool-choice --tool-call-parser hermes --compilation-config 0 --enable-reasoning --reasoning-parser deepseek_r1 --rope-scaling '{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":40960}' --max-model-len 98304

复制代码

参数解释：

• model : 映射到容器的本地模型所在的目次
  
• served-model-name：模型别名，API等调用时使用
  
• max_num_seqs：最大并发数
  
• gpu_memory_utilization：显存利用率
  
• enable-auto-tool-choice、tool-call-parser：启用tool calling,Qwen系列模型是hermes
  
• enable-reasoning、reasoning-parser：启用推理模式，并设置参考推理为deepseek_r1（截止当前均为deepseek_r1）
  
• rope-scaling：模型默认是40k，外推长度参数
  
• max-model-len：模型支持的上下文长度（Qwen32 B最大支持128k）
  

使用方式

• 启用推理模式（默认，也就是不指定/think）：
  官方推荐参数：Temperature=0.6,TopP=0.95,TopK=20,MinP=0, presence_penalty=0~2,不使用greedy decodeing
  
  
  
  
• 启用非推理模式
  官方推荐参数：Temperature=0.7,TopP=0.8,TopK=20,MinP=0, presence_penalty=0~2
  
  
  
  

其它部署方式

• Qwen3 Moe架构可选：vllm>=0.8.4，sglang >=0.4.6.post1，Ktransformers>=0.3、ollama >=0.6.6、llamacpp、lm studio(尤其适合Mac M芯片)等
  
• Qwen3 Dense架构：除上述Ktransformers外，其他均可。
  
• 国产NPU部署：华为自研的MindIE等
  除了上述外，另有像lm deploy、xinference、fastchat等，陆陆续续都会支持。
  

扩展：Qwen3系列模型训练方式

• Pre-Training，共使用36T Tokens，是Qwen2.5的两倍：
  
  
  
  • 阶段1：30T 4k上下文长度的tokens训练，让模型学习语言本领和通用知识
    
  • 阶段2：额外5T tokens训练，包括数学、代码、推理、STEM等类型数据
    
  • 长文本训练：32k上下文的高质量长文本数据训练，提高模型长文本场景本领
    
  
  
• Post-Training，针对Qwen3-235B-A22B和Qwen3-32B模型（其他模型是在base模型蒸馏得到）：
  
  
  
  
  
  
  • 长思维链冷启动：使用数学、代码、推理、SEM等数据微调，模型可具有推理本领
    
  • 长思维链强化学习：RL进一步提升模型的推理本领
    
  • 思维模式混合：长推理数据与指令数据微调，模型可具有两种思维模式
    
  • 通用强化学习：使用RL对模型的各项通用本领进行强化提升
    
    
    
    
  
  

扩展阅读

• Qwen 3 + KTransformers 0.3 (+AMX) = AI 工作站/PC
  
• Qwen3: Think Deeper, Act Faster
  

参考文献

• Modelscope-Qwen3/Qwen3-32B
  
• sgl-project/sglang
  
• Qwen3开源发布：Think Deeper, Act Faster！社区推理、部署、微调、MCP调用实战教程来啦！
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。