Menyajikan Mistral Small 4 menggunakan GPU di GKE dengan vLLM

Untuk menayangkan model bahasa besar (LLM) Mistral di Google Kubernetes Engine (GKE) dengan framework vLLM menggunakan GPU, Anda harus menyediakan cluster GKE dengan akselerator yang didukung, seperti GPU NVIDIA H100.

Untuk menayangkan model Mistral Small 4, container vLLM bawaan dikonfigurasi untuk memuat bobot model. Bobot akan dimuat dari bucket Cloud Storage (ditentukan oleh argumen --model).

Setelah bobot dimuat, container vLLM akan mengekspos endpoint API yang kompatibel dengan OpenAI untuk inferensi throughput tinggi.

Tutorial ini ditujukan untuk engineer Machine Learning (ML), admin dan operator Platform, serta spesialis Data dan AI yang tertarik untuk menggunakan kemampuan orkestrasi container Kubernetes untuk menyajikan workload AI/ML di hardware GPU H100.

Sebelum membaca halaman ini, pastikan Anda memahami hal-hal berikut:

Tujuan

Tutorial ini memberikan dasar untuk memahami dan menjelajahi penerapan LLM praktis untuk inferensi di lingkungan Kubernetes terkelola.

  1. Siapkan lingkungan Anda dengan cluster GKE dalam mode Autopilot.
  2. Deploy container vLLM ke cluster Anda.
  3. Gunakan vLLM untuk menayangkan model Mistral melalui antarmuka curl.

Sebelum memulai

  • 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, if it is not already enabled.

    Roles required to enable APIs

    To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

    Enable the API

  • Pastikan Anda memiliki peran berikut di project: roles/container.admin, roles/iam.serviceAccountAdmin

    Memeriksa peran

    1. Di konsol Cloud de Confiance , buka halaman IAM.

      Buka IAM
    2. Pilih project.

    3. Di kolom Akun utama, temukan semua baris yang mengidentifikasi Anda atau grup yang Anda termasuk di dalamnya. Untuk mengetahui grup mana saja yang Anda ikuti, hubungi administrator Anda.

    4. Untuk semua baris yang menentukan atau menyertakan Anda, periksa kolom Peran untuk melihat apakah daftar peran menyertakan peran yang diperlukan.

    Memberikan peran

    1. Di konsol Cloud de Confiance , buka halaman IAM.

      Buka IAM
    2. Pilih project.
    3. Klik Grant access.

    4. Di kolom New principals, masukkan ID pengguna Anda. Biasanya, ini adalah ID untuk pengguna dalam workforce identity pool. Untuk mengetahui detailnya, baca bagian Merepresentasikan pengguna workforce pool dalam kebijakan IAM, atau hubungi administrator Anda.

    5. Klik Pilih peran, lalu telusuri peran.
    6. Untuk memberikan peran tambahan, klik Add another role, lalu tambahkan tiap peran tambahan.
    7. Klik Simpan.
  • Pastikan project Anda memiliki kuota yang cukup untuk GPU H100. Untuk mengetahui informasi selengkapnya, lihat Tentang GPU dan Kuota alokasi.

Menyiapkan lingkungan Anda

Dalam tutorial ini, Anda akan menggunakan kubectl dan gcloud CLI untuk mengelola resource yang dihosting di Cloud de Confiance by S3NS. Anda dapat melakukan otorisasi dengan gcloud CLI untuk mengakses Cloud de Confiance by S3NS.

Untuk menyiapkan lingkungan dengan gcloud CLI, tetapkan variabel lingkungan default di gcloud CLI:

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

Ganti nilai berikut:

  • PROJECT_ID: Cloud de Confiance Project ID Anda.
  • REGION: u-france-east1 region yang mendukung GPU H100. Anda dapat menemukan GPU mana yang tersedia di region mana.
  • CLUSTER_NAME: nama cluster Anda.
  • KUBERNETES_SERVICEACCOUNT: nama untuk ServiceAccount Kubernetes, misalnya, mistral-small-sa.
  • NAMESPACE: namespace Kubernetes, misalnya, default.
  • MODEL_BUCKET_NAME: nama bucket Cloud Storage tempat bobot model akan disimpan. Nama ini dapat sama dengan nama model yang dipilih, seperti mistral-small-4-119b-weights.

Membuat dan mengonfigurasi resource Cloud de Confiance

Ikuti petunjuk ini untuk membuat resource yang diperlukan.

Membuat cluster GKE dan node pool

Anda dapat menayangkan Mistral di GPU dalam cluster Autopilot GKE. Cluster Autopilot memberikan pengalaman Kubernetes yang terkelola sepenuhnya.

Di gcloud CLI, jalankan perintah berikut:

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

Ganti nilai berikut:

  • PROJECT_ID: Cloud de Confiance Project ID Anda.
  • CLUSTER_NAME: nama cluster Anda.
  • REGION: region tempat cluster Anda berada.

GKE membuat cluster Autopilot dengan node CPU dan GPU seperti yang diminta oleh workload yang di-deploy.

Membuat bucket Cloud Storage

  1. Di gcloud CLI, jalankan perintah berikut:

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

    Tindakan ini akan membuat bucket Cloud Storage untuk menyimpan file model yang Anda download dari Hugging Face.

  2. Mendownload dan Mengupload Bobot Model:

    Anda harus mendapatkan bobot model Mistral Small 4 untuk versi yang ingin Anda sajikan (misalnya, dari Hugging Face atau sumber resmi lainnya). Atur file yang didownload secara lokal ke dalam direktori. Contoh:

    • ./mistral-small-4-119b-weights-local/ (berisi semua file untuk model Mistral Small 4)

    Upload direktori ini ke bucket Cloud Storage Anda dengan awalan tertentu yang diharapkan oleh manifes deployment:

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

    Struktur perintah ini memastikan file model berada di jalur seperti gs://${MODEL_BUCKET_NAME}/config.json, dll.

Mengonfigurasi akses ke Cloud Storage

Untuk mengizinkan Pod Kubernetes Anda mengakses bucket Cloud Storage yang berisi bobot model, konfigurasi Workload Identity Federation for GKE.

  1. Buat ServiceAccount Kubernetes:

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

  2. Pastikan ServiceAccount ada:

    kubectl get serviceaccounts --namespace ${NAMESPACE}

  3. Berikan peran Storage Object Viewer (roles/storage.objectViewer) ke ServiceAccount Kubernetes di bucket:

    if [[ $PROJECT_ID == *:* ]]; then
  DOMAIN=$(echo $PROJECT_ID | cut -d: -f1)
  PROJ_NAME=$(echo $PROJECT_ID | cut -d: -f2)
  export WI_MEMBER="principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${PROJ_NAME}.${DOMAIN}.s3ns.svc.id.goog/subject/ns/${NAMESPACE}/sa/${KUBERNETES_SERVICEACCOUNT}"
else
  export WI_MEMBER="principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${PROJECT_ID}.s3ns.svc.id.goog/subject/ns/${NAMESPACE}/sa/${KUBERNETES_SERVICEACCOUNT}"
fi

gcloud storage buckets add-iam-policy-binding gs://${MODEL_BUCKET_NAME} \
  --member="${WI_MEMBER}" \
  --role="roles/storage.objectViewer" \
  --project=${PROJECT_ID} \
  --condition=None

Men-deploy model Mistral Small 4 di vLLM

Untuk men-deploy model Mistral Small 4, buat bucket Cloud Storage untuk setiap model guna menyimpan bobot model, dan terapkan manifes Deployment Kubernetes untuk ukuran model yang Anda pilih. Deployment adalah objek Kubernetes API yang memungkinkan Anda menjalankan beberapa replika Pod yang didistribusikan di antara node dalam cluster.

Prosedur

Penerapan manifes ini akan menarik image container vLLM, meminta GPU NVIDIA, dan otomatis terhubung ke bobot model dari bucket Cloud Storage untuk memulai mesin inferensi vLLM.

Mistral Small 4

Ikuti petunjuk berikut untuk men-deploy model yang di-tune untuk mengikuti perintah Mistral Small 4.

  1. Buat manifes vllm-mistral-small.yaml berikut:

    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. Terapkan manifes:

    kubectl apply -f vllm-mistral-small.yaml

    Jika mau, Anda dapat membatasi ukuran jendela konteks hingga 16 K menggunakan opsi vLLM --max-model-len=16384. Jika Anda menginginkan ukuran jendela konteks yang lebih besar (hingga 128 K), sesuaikan konfigurasi manifes dan node pool Anda dengan kapasitas GPU yang lebih besar.

Verifikasi

  1. Tunggu hingga Deployment tersedia:

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

  2. Lihat log dari Deployment yang sedang berjalan:

    kubectl logs -f -l app=mistral-server

    Resource Deployment mendownload data model Mistral Small 4. Proses ini dapat memerlukan waktu beberapa menit. Outputnya mirip dengan hal berikut ini:

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

Setelah deployment tersedia, siapkan penerusan port untuk berinteraksi dengan model.

Menyajikan model

Di bagian ini, Anda akan berinteraksi dengan model. Pastikan model didownload sepenuhnya sebelum melanjutkan.

Menyiapkan penerusan port

Jalankan perintah berikut untuk menyiapkan penerusan port ke model:

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

Outputnya mirip dengan hal berikut ini:

Forwarding from 127.0.0.1:8080 -> 8080

Berinteraksi dengan model menggunakan curl

Bagian ini menunjukkan cara melakukan pengujian ringan dasar untuk memverifikasi model yang di-tune dengan perintah Mistral yang di-deploy. Untuk model lain, ganti mistral-small-4-119b-weights dengan nama model masing-masing.

Contoh ini menunjukkan cara menguji model yang di-tune dengan petunjuk Mistral menggunakan input hanya teks.

Dalam sesi terminal baru, gunakan curl untuk memulai percakapan dengan model Anda:

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
  }'

Outputnya akan terlihat mirip seperti berikut:

{
  "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
}

Memecahkan masalah

  • Jika Anda mendapatkan pesan Empty reply from server, kemungkinan besar penampung belum selesai mendownload data model. Periksa kembali log Pod untuk melihat pesan Connected yang menunjukkan bahwa model siap ditayangkan.
  • Jika Anda melihat Connection refused, pastikan penerusan port Anda aktif.

Mengamati performa model

Untuk melihat dasbor metrik kemampuan pengamatan model, ikuti langkah-langkah berikut:

  1. Di konsol Cloud de Confiance , buka halaman Deployed Models.

    Buka Model yang Di-deploy

  2. Untuk melihat detail tentang deployment tertentu, termasuk metrik, log, dan dasbornya, klik nama model dalam daftar.

  3. Di halaman detail model, klik tab Observability untuk melihat dasbor berikut. Jika diminta, klik Enable untuk mengaktifkan pengumpulan metrik untuk cluster.

    • Dasbor Penggunaan infrastruktur menampilkan metrik penggunaan.
    • Dasbor DCGM menampilkan metrik DCGM.
    • Jika Anda menggunakan vLLM, dasbor Performa model akan tersedia dan menampilkan metrik untuk performa model vLLM.

Anda juga dapat melihat metrik di integrasi dasbor vLLM di Cloud Monitoring. Metrik ini diagregasi untuk semua deployment vLLM tanpa filter preset

vLLM mengekspos metrik dalam format Prometheus secara default; Anda tidak perlu menginstal pengekspor tambahan. Untuk mengetahui informasi tentang cara menggunakan Google Cloud Managed Service for Prometheus untuk mengumpulkan metrik dari model Anda, lihat panduan keandalan vLLM dalam dokumentasi Cloud Monitoring.

Pembersihan

Agar tidak perlu membayar biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

Menghapus resource yang di-deploy

Agar tidak menimbulkan biaya pada akun Cloud de Confiance Anda untuk resource yang Anda buat dalam panduan ini, jalankan perintah berikut:

gcloud container clusters delete CLUSTER_NAME \
    --location=REGION

Ganti nilai berikut:

  • REGION: region cluster Anda.
  • CLUSTER_NAME: nama cluster Anda.

Langkah berikutnya