voipmonitor/sglang

voipmonitor/sglang:test-cu132 镜像文档

镜像概述

voipmonitor/sglang:test-cu132 是一个专为 RTX PRO 6000 Blackwell (SM120a) GPU优化的SGLang推理环境。该镜像基于Ubuntu 24.04操作系统，集成CUDA 13.2.0和cuDNN，提供完整的大语言模型推理栈，支持NVFP4精度和MoE/GEMM加速，适用于高性能LLM部署场景。

核心功能与特性

技术栈组成

• 基础环境：Ubuntu 24.04 + CUDA 13.2.0 + cuDNN
• 计算框架：PyTorch nightly (cu132)
• 推理加速：FlashInfer (git main)、b12x 0.5.1 (SM120专用NVFP4 MoE/GEMM)
• 核心引擎：SGLang (源码编辑模式安装，含精选补丁)
• 编译工具：nvidia-cutlass-dsl 4.4.2 (含CUDA 13.1 NVVM/ptxas修复)

关键特性

• 硬件优化：针对SM120a架构深度优化，支持NVFP4精度推理
• 性能增强：集成多个未合并PR补丁，优化MoE层、CUDA图、内存管理等关键路径
• 灵活部署：SGLang采用可编辑安装模式，支持源码实时修改与测试
• 依赖管理：通过uv包管理器实现高效依赖解析，修复cutlass-dsl版本冲突问题

使用场景

• 基于RTX PRO 6000 Blackwell GPU的大语言模型部署
• 需要NVFP4精度加速的MoE模型推理任务
• 高性能LLM服务开发与测试
• 推理性能基准测试与优化研究

使用方法

基本运行命令

bash
docker run --gpus all \
  -v /path/to/cache:/cache \
  -v /path/to/models:/models \
  -p 8000:8000 \
  voipmonitor/sglang:test-cu132 \
  sglang serve --model /models/your_model --port 8000

构建参数说明

构建镜像时可通过--build-arg调整以下参数：

运行时环境变量

JIT缓存管理

镜像默认将JIT编译缓存存储在/cache/jit目录，建议通过卷挂载持久化此目录以加速重复启动：

bash
-v /host/path/to/jit_cache:/cache/jit

配置说明

SGLang服务配置

可通过命令行参数或配置文件调整SGLang服务行为：

bash
# 启动带FlashInfer加速的服务
sglang serve \
  --model /models/qwen3.5-7b \
  --port 8000 \
  --enable-flashinfer-all \
  --kv-cache-dtype fp8 \
  --num-gpus 1

模型部署示例

部署Qwen3.5-7B模型示例：

bash
docker run --gpus all \
  -v $PWD/models:/models \
  -v $PWD/cache:/cache \
  -p 8000:8000 \
  voipmonitor/sglang:test-cu132 \
  sglang serve \
    --model /models/qwen3.5-7b \
    --port 8000 \
    --enable-flashinfer-all \
    --kv-cache-dtype fp8 \
    --max-num-batched-tokens 8192

注意事项

1. 硬件要求：仅支持SM120a架构GPU（如RTX PRO 6000 Blackwell）
2. 驱动要求：需安装支持CUDA 13.2的NVIDIA驱动
3. 缓存管理：首次运行会进行JIT编译，耗时较长，建议持久化缓存目录
4. 依赖冲突：镜像已修复nvidia-cutlass-dsl的NVVM/ptxas版本冲突问题，无需额外处理
5. 源码修改：SGLang采用可编辑安装，可通过修改/opt/sglang目录下源码进行定制开发