Bereitstellung eines 27B-Modells auf einem internen Server und Einsparung von Token-Kosten
TuBrief 편집팀
2026년 8월 11일
0
Computing/Software원본 영상을 바탕으로 AI의 도움을 받아 작성했습니다. 원본 영상이 기준입니다.
커뮤니티의 다른 글
댓글 (0)
Log in to leave a comment
아직 작성된 글이 없습니다
원본 영상을 바탕으로 AI의 도움을 받아 작성했습니다. 원본 영상이 기준입니다.
Log in to leave a comment
아직 작성된 글이 없습니다
Aufgrund von Sicherheitsvorschriften können externe APIs nicht genutzt werden, weshalb ein 27B-Modell auf einem eigenen Server bereitgestellt werden muss. Das Budget reicht nicht aus, um teure H100-Karten zu kaufen, und die monatlichen Token-Kosten steigen rasant an. Dieser Beitrag behandelt konkrete Praxisansätze, um im On-Premises-Hhe-Setup mehr als 40% des Hardwarebudgets einzusparen und die Verschwendung von Token durch Endlosschleifen zu verhindern.
Um das 27B-Modell ohne OOM (Out Of Memory) auszuführen, muss der VRAM-Bedarf präzise berechnet werden. Anstatt eine einzelne Nvidia H100 mit 80 GB zu kaufen, können Sie zwei RTX 4090 mit je 24 GB kombinieren, um einen integrierten VRAM von 48 GB zu erhalten. Durch diesen Ansatz lassen sich die anfänglichen Hardware-Investitionskosten um die Hälfte oder mehr senken.
--tensor-parallel-size 2 an, um die Berechnungen innerhalb der PCIe-Bandbreite zu verteilen.Es besteht keine Notwendigkeit, sich auf teure Einzelgeräte zu versteifen. Günstigere Grafikkarten parallel zu schalten, ist eine realistische Alternative für ein unter Druck stehendes Infrastrukturteam.
Bei der Verarbeitung komplexer Logik schaffen es aktuelle 27B-Modelle oft nicht, ein End-Token (Stop-Token) auszugeben, und geraten bis zur maximalen Token-Anzahl in Endlosschleifen. In kommerziellen API-Umgebungen führt allein dieses Phänomen dazu, dass die monatlichen Betriebskosten unüberschaubar steigen. Diese Verschwendung lässt sich durch Anpassung der Parameter in der lokalen Serving-Engine zuverlässig stoppen.
repeat_penalty 1.15 und presence_penalty 0.1, um das wiederholte Auftreten derselben Sätze zu unterdrücken.stop die Werte <|im_end|>, <|eot_id|> und \nUser: hinzu, um zu verhindern, dass das Modell Selbstgespräche führt.temperature 0.2 und min_p 0.05 an, um das Modell davon abzuhalten, Tokens mit niedriger Wahrscheinlichkeit anzufassen.Durch diese Einstellungen sinkt die durchschnittliche Anzahl der ausgegebenen Tokens von 4.000 auf 800. Selbst unter Einberechnung von Stromkosten und Geräteabschreibung lassen sich die monatlichen Betriebskosten pro Gerät im Bereich von 290 US-Dollar halten.
In einer vollständig vom externen Netz getrennten Air-Gapped-Umgebung ist eine Pipeline zur stabilen Verwaltung und Bereitstellung von Gewichten unerlässlich. Mit vLLM lässt sich auch im internen Firmennetzwerk ein API-Endpunkt mit einer Geschwindigkeit einrichten, die kommerziellen Diensten in nichts nachsteht.
huggingface-cli herunter und verwenden Sie dabei die Option --local-dir-use-symlinks False, um sie in einer einzelnen Dateistruktur zu speichern.--enable-prefix-caching und --gpu-memory-utilization 0.92 an, um die Wiederverwendbarkeit des RAG-Kontexts zu erhöhen und eine Fragmentierung des VRAM zu verhindern./metrics) kontinuierlich, und senken Sie den Wert --max-model-len sofort von 16384 auf 8192 ab, wenn die Metrik vllm:gpu_cache_usage_factor 90% überschreitet.Der einzige Weg, die firmeninternen Sicherheitsrichtlinien einzuhalten und gleichzeitig die Kosten zu kontrollieren, besteht letztlich darin, alles selbst einzurichten und die Kennzahlen zu überwachen.