Entrega Mistral Small 4 con GPU en GKE con vLLM

Para entregar modelos de lenguaje grandes (LLM) de Mistral en Google Kubernetes Engine (GKE) con el framework vLLM usando GPUs, debes aprovisionar un clúster de GKE con aceleradores compatibles, como las GPUs NVIDIA H100.

Para entregar el modelo Mistral Small 4, el contenedor vLLM compilado previamente se configura para cargar los pesos del modelo. Los pesos se cargarán desde los buckets de Cloud Storage (especificados por el argumento --model).

Una vez que se cargan los pesos, el contenedor de vLLM expone un extremo de API compatible con OpenAI para la inferencia de alta capacidad de procesamiento.

Este instructivo está dirigido a ingenieros de aprendizaje automático (AA), administradores y operadores de plataformas, y especialistas en datos y en IA que estén interesados en usar las funciones de organización de contenedores de Kubernetes para entregar cargas de trabajo de IA/AA en hardware de GPU H100.

Antes de leer esta página, asegúrate de estar familiarizado con los siguientes temas:

Objetivos

En este instructivo, se proporcionan los conceptos básicos para comprender y explorar la implementación práctica de LLM para la inferencia en un entorno de Kubernetes administrado.

  1. Preparar tu entorno con un clúster de GKE en modo Autopilot.
  2. Implementar un contenedor de vLLM en tu clúster.
  3. Usa vLLM para entregar el modelo de Mistral a través de la interfaz de curl.

Antes de comenzar

  • In the Cloud de Confiance console, on the project selector page, select or create a Cloud de Confiance project.

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  • Verify that billing is enabled for your Cloud de Confiance project.

  • Enable the required API.

    Roles required to enable APIs

    To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

    Enable the API

  • Asegúrate de tener los siguientes roles en el proyecto: roles/container.admin, roles/iam.serviceAccountAdmin

    Verifica los roles

    1. En la consola de Cloud de Confiance , dirígete a la página IAM.

      Ir a IAM
    2. Selecciona el proyecto.

    3. En la columna Principal, busca todas las filas que te identifiquen a ti o a un grupo en el que se te incluya. Para saber en qué grupos estás incluido, comunícate con tu administrador.

    4. Para todas las filas en las que se te especifique o se te incluya, verifica la columna Rol para ver si la lista de roles incluye los roles necesarios.

    Otorga los roles

    1. En la consola de Cloud de Confiance , dirígete a la página IAM.

      Ir a IAM
    2. Selecciona el proyecto.
    3. Haz clic en Otorgar acceso.

    4. En el campo Principales nuevas, ingresa tu identificador de usuario. Este suele ser el identificador de un usuario que pertenece a un grupo de identidades de personal. Para obtener más información, consulta Representa a los usuarios del grupo de personal en políticas de IAM o comunícate con el administrador.

    5. Haz clic en Seleccionar un rol y, luego, busca el rol.
    6. Para otorgar roles adicionales, haz clic en Agregar otro rol y agrega uno más.
    7. Haz clic en Guardar.

Prepara el entorno

En este instructivo, usarás kubectl y la CLI de gcloud para administrar recursos alojados enCloud de Confiance by S3NS. Puedes autorizar con la CLI de gcloud para acceder a Cloud de Confiance by S3NS.

Para configurar tu entorno con gcloud CLI, establece las variables de entorno predeterminadas en gcloud CLI:

gcloud config set project PROJECT_ID
gcloud config set billing/quota_project PROJECT_ID
export PROJECT_ID=$(gcloud config get project)
export REGION=u-france-east1
export CLUSTER_NAME=CLUSTER_NAME
export GSA_NAME=GSA_NAME
export KSA_NAME=KSA_NAME
export NAMESPACE=NAMESPACE
export PROJECT_NUMBER=$(gcloud projects describe PROJECT_ID --format="value(projectNumber)")
export MODEL_BUCKET_NAME=MODEL_BUCKET_NAME

Reemplaza los siguientes valores:

  • PROJECT_ID: Tu Cloud de Confiance ID del proyecto.
  • REGION: Región u-france-east1 que admite la GPU H100. Puedes consultar qué región tiene disponibles qué GPUs.
  • CLUSTER_NAME: El nombre de tu clúster.
  • GSA_NAME: Es el nombre de la cuenta de servicio de Google, por ejemplo, mistral-small-gsa.
  • KSA_NAME: Es el nombre de la ServiceAccount de Kubernetes, por ejemplo, mistral-small-ksa.
  • NAMESPACE: Es el espacio de nombres de Kubernetes, por ejemplo, default.
  • MODEL_BUCKET_NAME: Es el nombre del bucket de Cloud Storage en el que se almacenarán los pesos del modelo. Puede tener el mismo nombre que el modelo seleccionado, como mistral-small-4-119b-weights.

Crea y configura recursos de Cloud de Confiance

Sigue estas instrucciones para crear los recursos necesarios.

Crea un clúster de GKE y un grupo de nodos

Puedes entregar Mistral en GPUs en un clúster de GKE Autopilot. El clúster de Autopilot proporciona una experiencia de Kubernetes completamente administrada.

En gcloud CLI, ejecuta el siguiente comando:

gcloud container clusters create-auto CLUSTER_NAME \
    --project=PROJECT_ID \
    --location=REGION \
    --release-channel=rapid

Reemplaza los siguientes valores:

  • PROJECT_ID: Es el ID de tu proyecto. Cloud de Confiance
  • CLUSTER_NAME: El nombre de tu clúster.
  • REGION: Es la región en la que se encuentra el clúster.

GKE crea un clúster de Autopilot con nodos de CPU y GPU según lo solicitan las cargas de trabajo implementadas.

Cree un bucket de Cloud Storage

  1. En gcloud CLI, ejecuta el siguiente comando:

    gcloud storage buckets create gs://${MODEL_BUCKET_NAME} \
  --project=${PROJECT_ID} \
  --location=${REGION} \
  --uniform-bucket-level-access

    Esto crea un bucket de Cloud Storage para almacenar los archivos del modelo que descargas de Hugging Face.

  2. Descarga y sube los pesos del modelo:

    Debes obtener los pesos del modelo Mistral Small 4 para las versiones que deseas entregar (p.ej., de Hugging Face o de otras fuentes oficiales). Organiza los archivos descargados de forma local en directorios. Por ejemplo:

    • ./mistral-small-4-119b-weights-local/ (que contiene todos los archivos del modelo Mistral Small 4)

    Sube estos directorios a tu bucket de Cloud Storage con los prefijos específicos que esperan los manifiestos de implementación:

    # Upload files for the mistral-small-4 model
gcloud storage cp --recursive ./mistral-small-4-119b-weights-local/* gs://${MODEL_BUCKET_NAME}

    Esta estructura de comandos garantiza que los archivos del modelo se encuentren en rutas de acceso como gs://${MODEL_BUCKET_NAME}/config.json, etcétera.

Configura la federación de identidades para cargas de trabajo de GKE para el acceso a Cloud Storage

Para permitir que tus Pods de Kubernetes accedan de forma segura al bucket de Cloud Storage que contiene los pesos del modelo, configurarás Workload Identity Federation for GKE para GKE.

  1. Crea la cuenta de servicio de Google (GSA):

    gcloud iam service-accounts create ${GSA_NAME} \
  --project=${PROJECT_ID}

  2. Determina y exporta el correo electrónico de la GSA:

    El formato del correo electrónico depende de si tu ${PROJECT_ID} tiene alcance para el dominio (contiene dos puntos).

    if [[ $PROJECT_ID == *:* ]]; then
  DOMAIN=$(echo $PROJECT_ID | cut -d: -f1)
  PROJ_NAME=$(echo $PROJECT_ID | cut -d: -f2)
  export GSA_EMAIL="${GSA_NAME}@${PROJ_NAME}.${DOMAIN}.s3ns.iam.gserviceaccount.com"
else
  export GSA_EMAIL="${GSA_NAME}@${PROJECT_ID}.s3ns.iam.gserviceaccount.com"
fi
  echo "Using GSA Email: ${GSA_EMAIL}"

  3. Crea la cuenta de servicio de Kubernetes (KSA):

    Este KSA se usa en el manifiesto de implementación.

    kubectl create serviceaccount ${KSA_NAME} --namespace ${NAMESPACE}

    Ejecuta el siguiente comando para verificar la creación

    kubectl get serviceaccounts --namespace ${NAMESPACE}

  4. Anota la KSA para vincularla a la GSA:

    Esta anotación le indica a GKE qué GSA puede suplantar la KSA.

    kubectl annotate serviceaccount ${KSA_NAME} \
  --namespace ${NAMESPACE} \
  iam.gke.io/gcp-service-account=${GSA_EMAIL}

  5. Otorga permiso a la KSA para suplantar a la GSA:

    Esta vinculación de IAM en la GSA permite que la KSA actúe como la GSA.

    if [[ $PROJECT_ID == *:* ]]; then
  DOMAIN=$(echo $PROJECT_ID | cut -d: -f1)
  PROJ_NAME=$(echo $PROJECT_ID | cut -d: -f2)
  export WI_MEMBER="serviceAccount:${PROJ_NAME}.${DOMAIN}.s3ns.svc.id.goog[${NAMESPACE}/${KSA_NAME}]"
else
  export WI_MEMBER="serviceAccount:${PROJECT_ID}.s3ns.svc.id.goog[${NAMESPACE}/${KSA_NAME}]"
fi

gcloud iam service-accounts add-iam-policy-binding ${GSA_EMAIL} \
  --role roles/iam.workloadIdentityUser \
  --member="${WI_MEMBER}" \
  --project=${PROJECT_ID}

  6. Otorga permiso a la GSA para leer datos del bucket:

    Otorga a la GSA el rol storage.objectViewer en el bucket. 

    gcloud storage buckets add-iam-policy-binding gs://${MODEL_BUCKET_NAME} \
  --member="serviceAccount:${GSA_EMAIL}" \
  --role="roles/storage.objectViewer" \
  --project=${PROJECT_ID}

Implementa el modelo Mistral Small 4 en vLLM

Para implementar el modelo Mistral Small 4, crea buckets de Cloud Storage para cada modelo y almacena los pesos del modelo. Luego, aplica un manifiesto de implementación de Kubernetes para el tamaño del modelo que seleccionaste. Una Deployment es un objeto de la API de Kubernetes que te permite ejecutar varias réplicas de Pods que se distribuyen entre los nodos de un clúster.

Procedimiento

Cuando se aplica este manifiesto, se extrae la imagen del contenedor de vLLM, se solicita una GPU de NVIDIA y se conecta automáticamente a los pesos del modelo desde los buckets de Cloud Storage para iniciar el motor de inferencia de vLLM.

Mistral Small 4

Sigue estas instrucciones para implementar el modelo ajustado por instrucciones de Mistral Small 4.

  1. Crea el siguiente manifiesto vllm-mistral-small.yaml:

    apiVersion: cloud.google.com/v1
kind: ComputeClass
metadata:
  name: a3-edgegpu-8g-nolssd
spec:
  priorities:
  - machineType: a3-edgegpu-8g-nolssd
    gpu:
      count: 8
      type: nvidia-h100-80gb
  nodePoolAutoCreation:
    enabled: true
---
apiVersion: apps/v1
kind: Deployment
metadata:
  name: vllm-mistral-deployment
spec:
  replicas: 1
  selector:
    matchLabels:
      app: mistral-server
  template:
    metadata:
      labels:
        app: mistral-server
        ai.gke.io/model: mistral-small-4-119b-weights
        ai.gke.io/inference-server: vllm
        examples.ai.gke.io/source: user-guide
    spec:
      containers:
      - name: inference-server
        image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:gemma4
        resources:
          requests:
            cpu: "48"
            memory: "200Gi"
            ephemeral-storage: "250Gi"
            nvidia.com/gpu: "2"
          limits:
            cpu: "48"
            memory: "200Gi"
            ephemeral-storage: "250Gi"
            nvidia.com/gpu: "2"
        command: ["./entrypoint.sh"] # Use the image's entrypoint
        args:
        - "python"
        - "-m"
        - "vllm.entrypoints.api_server"
        - "--host=0.0.0.0"
        - "--port=8080"
        - "--model=gs://mistral-small-4-119b-weights" # YOUR Cloud Storage PATH
        - "--tensor-parallel-size=2"
        - "--enable-log-requests"
        - "--enable-chunked-prefill"
        - "--enable-prefix-caching"
        - "--enable-auto-tool-choice"
        - "--generation-config=auto"
        - "--tool-call-parser=mistral"
        - "--dtype=bfloat16"
        - "--max-num-seqs=256"
        - "--max-model-len=8192"
        - "--gpu-memory-utilization=0.90"
        - "--reasoning-parser=mistral"
        - "--trust-remote-code"
        ports:
        - containerPort: 8080
        env:
        - name: GOOGLE_CLOUD_UNIVERSE_DOMAIN
          value: ""
        - name: CLOUDSDK_CORE_UNIVERSE_DOMAIN
          value: ""
        - name: GCS_URI_ARG_KEY
          value: "model"
        - name: GCS_URI_ENV_KEY
          value: "AIP_STORAGE_URI"
        - name: LORA_ADAPTER_ARG_KEY
          value: "lora-modules"
        - name: HF_HUB_ENABLE_HF_TRANSFER
          value: "1"
        volumeMounts:
        - mountPath: /dev/shm
          name: dshm
      volumes:
      - name: dshm
        emptyDir:
          medium: Memory
      nodeSelector:
        cloud.google.com/compute-class: a3-edgegpu-8g-nolssd
---
apiVersion: v1
kind: Service
metadata:
  name: llm-service
spec:
  selector:
    app: mistral-server
  type: ClusterIP
  ports:
    - protocol: TCP
      port: 8080
      targetPort: 8080

  2. Aplica el manifiesto

    kubectl apply -f vllm-mistral-small.yaml

    Si lo deseas, puedes limitar el tamaño de la ventana de contexto a 16 K con la opción --max-model-len=16384 de vLLM. Si deseas un tamaño de ventana de contexto más grande (hasta 128 K), ajusta la configuración del manifiesto y del grupo de nodos con más capacidad de GPU.

Verificación

  1. Espera a que la implementación esté disponible:

    kubectl wait --for=condition=Available --timeout=1800s deployment/vllm-mistral-deployment

  2. Observa los registros de la implementación en ejecución:

    kubectl logs -f -l app=mistral-server

    El recurso de Deployment descarga los datos del modelo Mistral Small 4. Este proceso puede demorar unos minutos. El resultado es similar a lo siguiente:

      ...
  ...
  (APIServer pid=1) INFO:     Started server process [1]
  (APIServer pid=1) INFO:     Waiting for application startup.
  (APIServer pid=1) INFO:     Application startup complete.

Una vez que la implementación esté disponible, configura el reenvío de puertos para interactuar con el modelo.

Entrega el modelo

En esta sección, interactuarás con el modelo. Asegúrate de que el modelo se haya descargado por completo antes de continuar.

Configura la redirección de puertos

Ejecuta el siguiente comando para configurar la redirección de puertos al modelo:

kubectl port-forward svc/llm-service 8080:8080 --namespace default &

El resultado es similar al siguiente:

Forwarding from 127.0.0.1:8080 -> 8080

Interactúa con el modelo con curl

En esta sección, se muestra cómo puedes realizar una prueba de humo básica para verificar los modelos de Mistral ajustados por instrucciones que implementaste. Para otros modelos, reemplaza mistral-small-4-119b-weights por el nombre del modelo respectivo.

En este ejemplo, se muestra cómo probar el modelo ajustado con instrucciones de Mistral con entrada solo de texto.

En una sesión de terminal nueva, usa curl para chatear con tu modelo:

curl http://127.0.0.1:8080/v1/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistralai/Mistral-Small-4-119B-2603-eagle",
    "prompt": "What is the capital of France?",
    "max_tokens": 50,
    "temperature": 0.7
  }'

El resultado es similar al siguiente:

{
  "id": "cmpl-b5d649b6a2d7a330",
  "object": "text_completion",
  "created": 1781137490,
  "model": "openapi",
  "choices": [
    {
      "index": 0,
      "text": " This question is likely to have been asked millions of times, 
      and the answer is always the same: Paris. But why is Paris the capital 
      of France? The answer to this question is not as simple as 
      it may seem, as it involves a complex",
      "logprobs": null,
      "finish_reason": "length",
      "stop_reason": null,
      "token_ids": null,
      "prompt_logprobs": null,
      "prompt_token_ids": null
    }
  ],
  "service_tier": null,
  "system_fingerprint": null,
  "usage": {
    "prompt_tokens": 8,
    "total_tokens": 58,
    "completion_tokens": 50,
    "prompt_tokens_details": null
  },
  "kv_transfer_params": null
}

Soluciona problemas

  • Si recibes el mensaje Empty reply from server, es posible que el contenedor no haya terminado de descargar los datos del modelo. Vuelve a verificar los registros del Pod en busca del mensaje Connected, que indica que el modelo está listo para entregar.
  • Si ves Connection refused, verifica que tu redirección de puertos esté activa.

Observa el rendimiento del modelo

Para ver los paneles de las métricas de observabilidad de un modelo, sigue estos pasos:

  1. En la consola de Cloud de Confiance , ve a la página Modelos implementados.

    Ir a Modelos implementados

  2. Para ver detalles sobre la implementación específica, incluidas sus métricas, registros y paneles, haz clic en el nombre del modelo en la lista.

  3. En la página de detalles del modelo, haz clic en la pestaña Observabilidad para ver los siguientes paneles. Si se te solicita, haz clic en Habilitar para habilitar la recopilación de métricas del clúster.

    • En el panel Uso de la infraestructura, se muestran las métricas de uso.
    • En el panel DCGM, se muestran las métricas de DCGM.
    • Si usas vLLM, el panel Rendimiento del modelo está disponible y muestra métricas sobre el rendimiento del modelo de vLLM.

También puedes ver las métricas en la integración del panel de vLLM en Cloud Monitoring. Estas métricas se agregan para todas las implementaciones de vLLM sin filtros preestablecidos.

vLLM expone las métricas en formato Prometheus de forma predeterminada. No es necesario que instales un exportador adicional. Si deseas obtener información para usar Google Cloud Managed Service para Prometheus y recopilar métricas de tu modelo, consulta la guía de observabilidad de vLLM en la documentación de Cloud Monitoring.

Realiza una limpieza

Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.

Borra los recursos implementados

Para evitar que se apliquen cargos a tu cuenta de Cloud de Confiance por los recursos que creaste en esta guía, ejecuta el siguiente comando:

gcloud container clusters delete CLUSTER_NAME \
    --location=REGION

Reemplaza los siguientes valores:

  • REGION: Es la región del clúster.
  • CLUSTER_NAME: El nombre de tu clúster.

¿Qué sigue?