ROCm vLLM 容器化推理项目

基于镜像 rocm/vllm:rocm7.12.0_gfx120X-all_ubuntu24.04_py3.12_pytorch_2.9.1_vllm_0.16.0 的 Python 推理服务，适配双 AMD R9700 32G GPU。

项目目标

• 提供可容器化部署的模型推理 API
• 使用 vLLM 在双 GPU 上进行张量并行推理
• 提供健康检查、鉴权和参数化配置能力
• 暴露 8001 OpenAI 标准协议接口，兼容 OpenClaw 调用

目录结构

.
├── app
│   ├── config.py
│   ├── engine.py
│   ├── main.py
│   ├── model_catalog.py
│   ├── start_api.py
│   ├── start_openai.py
│   └── schemas.py
├── .dockerignore
├── config.json
├── docker-compose.yml
├── Dockerfile
└── requirements.txt

接口说明

1) 健康检查

• 方法：GET /health
• 返回：服务状态与当前模型名

2) 文本生成

• 方法：POST /v1/generate
• Header：可选 x-api-key（配置 API_KEY 后必填）
• 请求体：

{
  "prompt": "请介绍一下ROCm和vLLM的关系",
  "max_tokens": 256,
  "temperature": 0.7,
  "top_p": 0.95,
  "repetition_penalty": 1.0,
  "stop": ["</s>"]
}

配置项

项目只读取一个配置文件：config.json。

• services.api.host / services.api.port：自定义推理服务监听地址与端口（默认 0.0.0.0:8000）
• services.openai.host / services.openai.port：OpenAI 协议服务监听地址与端口（默认 0.0.0.0:8001）
• api_key：接口访问密钥（同时用于 8000 与 8001）
• tensor_parallel_size：张量并行数，双卡建议 2
• dtype：推理精度，默认 bfloat16
• selected_model：当前生效模型，留空时回退到 default_model

config.json 说明

config.json 采用以下结构：

• 顶层 default_model：默认模型名
• 顶层其他键：每个模型的配置档位
• 每个模型至少建议包含：hf_model_id、ctx、max_num_seqs、max_tokens、gpu_util、valid_tp

启动时会按以下优先级选模型：

1. config.json 中 selected_model
2. config.json 中 default_model

模型被选中后，会自动覆盖运行参数，包括：

• model_name ← hf_model_id
• max_model_len ← ctx
• max_num_seqs ← max_num_seqs
• max_tokens ← max_tokens
• gpu_memory_utilization ← gpu_util
• trust_remote_code ← trust_remote
• enforce_eager ← enforce_eager

部署步骤

1. 修改 config.json 中的 selected_model 与服务参数。

2. 构建并启动容器：

docker compose up -d --build

3. 验证自定义推理服务：

curl http://localhost:8000/health

4. 验证 OpenAI 协议服务：

curl http://localhost:8001/v1/models

推理请求示例

curl -X POST "http://localhost:8000/v1/generate" \
  -H "Content-Type: application/json" \
  -d "{\"prompt\":\"请用三句话介绍大模型推理优化\",\"max_tokens\":128,\"temperature\":0.7}"

OpenAI 协议示例（8001）

curl -X POST "http://localhost:8001/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <config.json中的api_key>" \
  -d "{\"model\":\"Qwen3.5-35B-A3B-GPTQ-Int4\",\"messages\":[{\"role\":\"user\",\"content\":\"你好，介绍一下你自己\"}],\"temperature\":0.7}"

OpenClaw 调用说明

• Base URL 使用 http://<服务器IP>:8001/v1
• API Key 使用 config.json 中 api_key
• 模型名使用 config.json 中 served_model_name
• 若使用工具调用，config.json 中应配置 tool_call_parser 与 enable_auto_tool_choice

双 AMD R9700 调优建议

• 首选 TENSOR_PARALLEL_SIZE=2
• 首次部署建议设置 GPU_MEMORY_UTILIZATION=0.90，稳定后再调高
• 若模型较大且吞吐压力高，可逐步调低 MAX_MODEL_LEN 或 MAX_NUM_SEQS
• 确保宿主机已正确安装 ROCm 驱动并暴露 /dev/kfd 与 /dev/dri