Llama-2-7b 在昇腾 NPU 上的六大核心场景性能基准测试

图 5：成功进入命令行终端

1.2 核心环境验证与依赖安装

为保证模型能够稳定运行，我们首先对操作系统、Python 及昇腾 NPU 适配库等关键环境进行了兼容性检查。

# 检查系统版本、Python 版本、PyTorch 及 torch_npu 版本
cat /etc/os-release
python3 --version
python -c "import torch; print(f'PyTorch 版本：{torch.__version__}')"
python -c "import torch_npu; print(f'torch_npu 版本：{torch_npu.__version__}')"

执行检查后发现，环境中并未预装 PyTorch 及昇腾 NPU 的 PyTorch 适配插件 torch_npu。

图 6：初次环境检查，提示 PyTorch 等核心库未安装

解决方案：手动安装核心库

我们采用 pip 并指定国内清华大学镜像源来加速下载过程。torch_npu 是连接 PyTorch 框架与昇腾 NPU 底层硬件的关键桥梁，它的版本必须与 PyTorch 版本及昇腾 CANN 工具包严格对应，以确保兼容性。

安装 torch_npu 插件:

pip install torch_npu -i https://pypi.tuna.tsinghua.edu.cn/simple

图 8：安装昇腾 NPU 的 PyTorch 适配插件 torch_npu

安装 PyTorch:

pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple

图 7：使用 pip 安装 PyTorch

完成安装后，我们再次运行检查命令，此时可以看到 PyTorch 与 torch_npu 的版本号被成功输出，证明核心环境已配置妥当。

图 9：核心库安装成功后，再次检查环境

1.3 模型工具库安装与冲突解决

接下来，我们安装 Hugging Face 的 transformers 和 accelerate 库，它们是加载和运行 Llama 等主流大模型的基础工具。

优化建议：虽然本次测评使用 transformers 库进行基础验证，但在生产环境或追求极致性能时，推荐开发者关注并使用针对昇腾优化的推理框架，以获得更高的吞吐量。

在安装过程中，系统抛出依赖冲突错误。

图 10：安装 transformers 库时出现依赖冲突

问题分析：错误信息指出，环境中一个已安装的库 mindformers 1.1.0rc1 要求的 tokenizers 版本与新安装的 transformers 库不兼容。

解决方案：卸载冲突库

由于本次测评不涉及 mindformers，最直接的解决方案是将其卸载，然后重新安装。

重新安装 transformers 和 accelerate:

pip install transformers accelerate -i https://pypi.tuna.tsinghua.edu.cn/simple

卸载冲突库后，再次执行安装命令，transformers 和 accelerate 成功安装。至此，所有环境准备工作完成。

卸载 mindformers:

pip uninstall mindformers

图 11：卸载冲突的 mindformers 库

图 12：成功解决冲突并完成所有依赖安装

二、Llama-2-7b 模型初步部署与验证

本次模型部署与验证的核心工具及方法如下：

（一）核心测评工具

环境就绪后，我们首先关注如何跑通推理流程。本环节主要目的是验证模型加载、NPU 算力调用以及文本生成功能的正确性，确保后续深度测评的基础稳固。

我们编写了一个基础推理脚本，其核心逻辑包括：

1. 模型加载：加载 NousResearch/Llama-2-7b-hf 模型与分词器。
2. 精度设置：使用 torch.float16 半精度加载，以适配主流推理习惯并节约显存。
3. 设备迁移：通过核心的 .npu() 方法，将模型权重和输入数据从 CPU 内存完整迁移至 Atlas 800T A2 的显存中。
4. 生成调用：执行 model.generate() 进行文本生成。

关键代码片段：

# 模型加载后迁移至 NPU
print("加载到 NPU...")
model = model.npu()
# 模型权重绑定 NPU
model.eval()
# 输入数据迁移至 NPU
inputs = {k: v.npu() for k, v in inputs.items()}
# 执行推理验证
outputs = model.generate(**inputs, max_new_tokens=50)

脚本成功运行并输出文本，标志着 Llama-2-7b 在昇腾 NPU 上的基础部署流程已打通，为后续深度测评提供了可执行的环境基础。

图 13：初步推理测试成功，模型在 NPU 上正确运行并输出结果

三、全方位深度性能基准测试

为了全面评估模型在不同负载下的性能，我们设计并执行了一个包含六大核心场景的自动化基准测试脚本。每个场景都经过 3 次预热和 5 次正式测试，以确保结果的稳定性和准确性。

3.1 测试场景设计

我们设计的六个场景覆盖了从单请求延迟、长文生成效率到多用户并发处理能力等关键维度，旨在模拟真实世界中的各类应用需求。

3.2 测试执行与过程数据

以下是六个核心测试场景的实际运行输出截图，展示了每个场景的测试过程和即时结果。

场景 6: 长上下文处理

场景 5: 高并发批量 (batch=8)

场景 4: 批量推理 (batch=4)

场景 3: 解码吞吐量 - 长输出

场景 2: 首 token 延迟 - 长输入

场景 1: 首 token 延迟 - 短输入

四、性能报告分析与部署建议

测试完成后，脚本自动生成了一份详细的性能报告。我们基于这份报告的数据进行深入分析。

图 14：脚本自动生成的 Markdown 格式性能报告摘要

4.1 核心性能数据汇总

我们将关键的性能数据整理成下表，以便更直观地进行剖析。

4.2 核心场景性能深度剖析

1. 场景剖析：首 Token 延迟（用户体验的生命线）

   • 测试目标：衡量用户发送请求后，看到第一个字所需的时间。这是实时交互应用（如 AI 聊天）体验好坏的关键。
   • 核心数据：短输入 (7 tokens) 延迟仅为 68.27 ms；长输入 (27 tokens) 延迟上升至 132.32 ms。
   • 深度分析：
     • 毫秒级响应能力：对于典型短查询，Atlas 800T A2 能在 100 毫秒内给出响应，达到了'即时'的用户体验标准，完全满足实时聊天场景。
     • Prefill 阶段性能：首 token 延迟主要由处理输入（Prefill 阶段）的计算量决定。当输入长度从 7 增至 27（约 4 倍），延迟仅增加约 1 倍，表明 NPU 在处理中等长度输入的 Prefill 计算时依然高效。

2. 场景剖析：解码吞吐量（内容生成的发动机）

   • 测试目标：衡量模型生成后续 token 的速度，决定了生成长篇内容（文章、代码）的效率。
   • 核心数据：在所有单请求场景中，解码速度（tokens/s/req）稳定在 63-64 tokens/s 的区间内。
   • 深度分析：
     • 稳定高效的生成能力：该指标反映了硬件在执行 Decoding 阶段（逐 token 生成）的稳定性能。约 64 tokens/s 的速度对于文章续写、代码生成等任务效率极高。
     • 硬件性能的直接体现：解码速度基本不受输入长度的影响，它更直接地反映了模型结构与 Atlas 800T A2 硬件计算核心、内存带宽之间的匹配程度。这为 Llama-2-7b 提供了坚实而稳定的内容生成'发动机'。

3. 场景剖析：批量处理（服务吞吐的倍增器）

   • 测试目标：衡量系统在同时处理多个请求时的总效率，这是评估线上服务成本效益的核心。
   • 核心数据：Batch=4 时总吞吐量是单请求的 4.7 倍。Batch=8 时总吞吐量高达单请求的 9 倍！
   • 深度分析：
     • 超线性性能增长：批量处理的性能提升远超线性。这充分证明了 Atlas 800T A2 强大的并行计算能力被有效利用，通过将多个请求打包计算，摊薄了数据调度、kernel 启动等固定开销，极大提升了硬件利用率。
     • 成本效益的关键：这一特性对于部署大型语言模型服务至关重要。通过动态批处理（Dynamic Batching）技术，可以用单张 NPU 卡支撑远超单个请求处理能力的用户量，显著降低服务成本。

4.3 部署建议

1. 场景适配策略:

   • 实时交互类应用 (如 AI 助教、聊天机器人): 你的核心优化目标是 首 token 延迟。应通过 Prompt 工程或 RAG 等技术，尽量保持输入模型的文本简洁，从而将用户等待时间控制在 100 毫秒以内，提供最佳体验。
   • 内容生成类应用 (如文章写作、代码助手): 你的核心关注点是 解码速度 和 总吞吐量。Atlas 800T A2 提供的稳定性能足以胜任，此时应将优化重点放在如何通过批量处理来提升整个服务的并发处理能力。

2. 吞吐量优化核心:

   • 务必采用批量处理: 无论业务场景如何，只要存在并发请求的可能，就应在服务层实现请求合并与动态批处理机制。根据我们的测试，将 batch_size 提升至 8 或更高（取决于显存容量）是最大化硬件投资回报率的最有效手段。

3. 资源规划与选型:

   • 显存是关键: 部署一个 7B 规模的 FP16 模型，即使在单请求下也需要约 14.8 GB 显存。考虑到高并发下的 KV Cache 增长，建议配置 至少 16 GB 可用显存 的 NPU 环境。若硬件资源受限，可评估 INT8 量化等技术，但在上线前必须充分验证其对业务精度的影响。

总结

本次针对 Llama-2-7b 在 Atlas 800T A2 训练卡上的深度测评，系统地展示了从环境搭建到性能分析的全过程，并得出三个明确且关键的结论：

1. 极致的实时响应: Atlas 800T A2 能够将 Llama-2-7b 的短输入首 token 延迟控制在 68ms，为构建体验流畅的实时 AI 交互应用提供了坚实的性能保障。
2. 稳定高效的内容生成: 提供了约 64 tokens/s 的稳定解码速度，能够高效胜任长文写作、代码生成等对持续输出能力要求高的任务。
3. 卓越的并发处理能力: 批量处理展现出 近乎 9 倍的吞吐量提升，证明了昇腾 NPU 架构在并行计算上的巨大优势，是实现高性价比、高并发 LLM 服务的关键。

综上所述，昇腾 Atlas 800T A2 平台不仅与主流 PyTorch 生态无缝对接、部署流程顺畅，更为 Llama-2-7b 等大语言模型提供了强大的算力支持。其在实时性、生成效率和并发扩展性三方面的均衡且优异的表现，证明了其作为 LLM 推理部署方案的强大竞争力。

昇腾官网：https://www.hiascend.com/ 昇腾社区：https://www.hiascend.com/community 昇腾官方文档：https://www.hiascend.com/document 昇腾开源仓库：https://gitcode.com/ascend