Erogare Mistral Small 4 utilizzando le GPU su GKE con vLLM

Per pubblicare modelli linguistici di grandi dimensioni (LLM) Mistral su Google Kubernetes Engine (GKE) con il framework vLLM utilizzando le GPU, devi eseguire il provisioning di un cluster GKE con acceleratori supportati, come le GPU NVIDIA H100.

Per pubblicare il modello Mistral Small 4, il container vLLM predefinito è configurato per caricare i pesi del modello. I pesi verranno caricati dai bucket Cloud Storage (specificati dall'argomento --model).

Una volta caricati i pesi, il contenitore vLLM espone un endpoint API compatibile con OpenAI per l'inferenza ad alto throughput.

Questo tutorial è destinato a ingegneri di machine learning (ML), amministratori e operatori di piattaforme e specialisti di dati e AI interessati a utilizzare le funzionalità di orchestrazione dei container Kubernetes per gestire carichi di lavoro di AI/ML su hardware GPU H100.

Prima di leggere questa pagina, assicurati di avere familiarità con quanto segue:

Obiettivi

Questo tutorial fornisce le basi per comprendere ed esplorare il deployment pratico di LLM per l'inferenza in un ambiente Kubernetes gestito.

  1. Prepara l'ambiente con un cluster GKE in modalità Autopilot.
  2. Esegui il deployment di un container vLLM nel cluster.
  3. Utilizza vLLM per erogare il modello Mistral tramite l'interfaccia curl.

Prima di iniziare

  • 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

  • Assicurati di disporre dei seguenti ruoli nel progetto: roles/container.admin, roles/iam.serviceAccountAdmin

    Controlla i ruoli

    1. Nella console Cloud de Confiance vai alla pagina IAM.

      Vai a IAM
    2. Seleziona il progetto.

    3. Nella colonna Entità, trova tutte le righe che identificano te o un gruppo di cui fai parte. Per scoprire a quali gruppi appartieni, contatta il tuo amministratore.

    4. Per tutte le righe che ti specificano o ti includono, controlla la colonna Ruolo per verificare se l'elenco dei ruoli include i ruoli richiesti.

    Concedi i ruoli

    1. Nella console Cloud de Confiance vai alla pagina IAM.

      Vai a IAM
    2. Seleziona il progetto.
    3. Fai clic su Concedi l'accesso.

    4. Nel campo Nuove entità, inserisci il tuo identificatore dell'utente. In genere si tratta dell'identificatore di un utente in un pool di identità della forza lavoro. Per maggiori dettagli, consulta Rappresenta gli utenti del pool di forza lavoro nelle policy IAM o contatta l'amministratore.

    5. Fai clic su Seleziona un ruolo, quindi cerca il ruolo.
    6. Per concedere altri ruoli, fai clic su Aggiungi un altro ruolo e aggiungi ogni ruolo successivo.
    7. Fai clic su Salva.

prepara l'ambiente

In questo tutorial utilizzerai kubectl e gcloud CLI per gestire le risorse ospitate su Cloud de Confiance by S3NS. Puoi autorizzare l'accesso a Cloud de Confiance by S3NScon gcloud CLI.

Per configurare l'ambiente con gcloud CLI, imposta le variabili di ambiente predefinite in 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

Sostituisci i seguenti valori:

  • PROJECT_ID: il tuo Cloud de Confiance ID progetto.
  • REGION: regione u-france-east1 che supporta la GPU H100. Puoi scoprire quali GPU sono disponibili in ogni regione.
  • CLUSTER_NAME: il nome del tuo cluster.
  • GSA_NAME: il nome del service account Google, ad esempio mistral-small-gsa.
  • KSA_NAME: il nome del service account Kubernetes, ad esempio mistral-small-ksa.
  • NAMESPACE: lo spazio dei nomi Kubernetes, ad esempio default.
  • MODEL_BUCKET_NAME: il nome del bucket Cloud Storage in cui verranno archiviati i pesi del modello. Può avere lo stesso nome del modello selezionato, ad esempio mistral-small-4-119b-weights.

Creare e configurare risorse Cloud de Confiance

Segui queste istruzioni per creare le risorse richieste.

Crea un cluster GKE e un pool di nodi

Puoi gestire Mistral sulle GPU in un cluster GKE Autopilot. Il cluster Autopilot fornisce un'esperienza Kubernetes completamente gestita.

In gcloud CLI, esegui questo comando:

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

Sostituisci i seguenti valori:

  • PROJECT_ID: il tuo Cloud de Confiance ID progetto.
  • CLUSTER_NAME: il nome del tuo cluster.
  • REGION: la regione in cui si trova il cluster.

GKE crea un cluster Autopilot con nodi CPU e GPU come richiesto dai carichi di lavoro di cui è stato eseguito il deployment.

Crea un bucket Cloud Storage

  1. In gcloud CLI, esegui questo comando:

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

    In questo modo viene creato un bucket Cloud Storage per archiviare i file del modello che scarichi da Hugging Face.

  2. Scarica e carica i pesi del modello:

    Devi ottenere i pesi del modello Mistral Small 4 per le versioni che intendi erogare (ad es. da Hugging Face o altre fonti ufficiali). Organizza i file scaricati localmente in directory. Ad esempio:

    • ./mistral-small-4-119b-weights-local/ (contenente tutti i file per il modello Mistral Small 4)

    Carica queste directory nel tuo bucket Cloud Storage con i prefissi specifici previsti dai manifest di deployment:

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

    Questa struttura di comando garantisce che i file del modello si trovino in percorsi come gs://${MODEL_BUCKET_NAME}/config.json e così via.

Configura la federazione delle identità per i carichi di lavoro per GKE per l'accesso a Cloud Storage

Per consentire ai pod Kubernetes di accedere in modo sicuro al bucket Cloud Storage contenente i pesi del modello, configurerai Workload Identity Federation for GKE.

  1. Crea il service account Google (GSA):

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

  2. Determinare ed esportare l'email GSA:

    Il formato dell'email dipende dal fatto che ${PROJECT_ID} sia limitato al dominio (contenga i due punti).

    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 il service account Kubernetes (KSA):

    Questo KSA viene utilizzato nel manifest di deployment.

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

    Esegui il comando seguente per verificare la creazione

    kubectl get serviceaccounts --namespace ${NAMESPACE}

  4. Annota la chiave del service account per collegarla al service account Google:

    Questa annotazione indica a GKE quale GSA può rappresentare il KSA.

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

  5. Concedi all'account di servizio Kubernetes l'autorizzazione a rappresentare l'account di servizio Google:

    Questo binding IAM sul service account Google consente al service account Kubernetes di agire come service account Google.

    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. Concedi all'agente di servizio Google l'autorizzazione a leggere dal bucket:

    Concedi al service account il ruolo storage.objectViewer nel bucket. 

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

Esegui il deployment del modello Mistral Small 4 su vLLM

Per eseguire il deployment del modello Mistral Small 4, crea bucket Cloud Storage per ogni modello per archiviare i pesi del modello e applica un manifest di deployment Kubernetes per le dimensioni del modello selezionate. Un deployment è un oggetto API Kubernetes che ti consente di eseguire più repliche di pod distribuite tra i nodi di un cluster.

Procedura

L'applicazione di questo manifest esegue il pull dell'immagine container vLLM, richiede una GPU NVIDIA e si connette automaticamente ai pesi del modello dai bucket Cloud Storage per avviare il motore di inferenza vLLM.

Mistral Small 4

Segui queste istruzioni per eseguire il deployment del modello ottimizzato per le istruzioni Mistral Small 4.

  1. Crea il seguente manifest 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. Applica il manifest:

    kubectl apply -f vllm-mistral-small.yaml

    Se vuoi, puoi limitare le dimensioni della finestra contestuale di 16 K utilizzando l'opzione vLLM --max-model-len=16384. Se vuoi una dimensione della finestra contestuale più grande (fino a 128 K), modifica la configurazione del manifest e del pool di nodi con una maggiore capacità della GPU.

Verifica

  1. Attendi che il deployment sia disponibile:

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

  2. Visualizza i log del deployment in esecuzione:

    kubectl logs -f -l app=mistral-server

    La risorsa Deployment scarica i dati del modello Mistral Small 4. Questo processo può richiedere alcuni minuti. L'output è simile al seguente:

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

Una volta disponibile il deployment, configura l'inoltro delle porte per interagire con il modello.

Eroga il modello

In questa sezione, interagisci con il modello. Assicurati che il modello sia stato scaricato completamente prima di procedere.

Configurare il port forwarding

Esegui questo comando per configurare il port forwarding al modello:

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

L'output è simile al seguente:

Forwarding from 127.0.0.1:8080 -> 8080

Interagire con il modello utilizzando curl

Questa sezione mostra come eseguire un test di fumo di base per verificare i modelli Mistral ottimizzati per le istruzioni di cui è stato eseguito il deployment. Per altri modelli, sostituisci mistral-small-4-119b-weights con il nome del modello corrispondente.

Questo esempio mostra come testare il modello ottimizzato per le istruzioni Mistral con input di solo testo.

In una nuova sessione del terminale, utilizza curl per chattare con il tuo modello:

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
  }'

L'output è simile al seguente:

{
  "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
}

Risoluzione dei problemi

  • Se visualizzi il messaggio Empty reply from server, è possibile che il container non abbia completato il download dei dati del modello. Controlla di nuovo i log del pod per il messaggio Connected che indica che il modello è pronto per l'erogazione.
  • Se visualizzi Connection refused, verifica che il port forwarding sia attivo.

Osserva le prestazioni del modello

Per visualizzare le dashboard per le metriche di osservabilità di un modello, segui questi passaggi:

  1. Nella console Cloud de Confiance , vai alla pagina Modelli di cui è stato eseguito il deployment.

    Vai a Modelli di cui è stato eseguito il deployment

  2. Per visualizzare i dettagli del deployment specifico, incluse metriche, log e dashboard, fai clic sul nome del modello nell'elenco.

  3. Nella pagina dei dettagli del modello, fai clic sulla scheda Osservabilità per visualizzare le seguenti dashboard. Se richiesto, fai clic su Abilita per abilitare la raccolta delle metriche per il cluster.

    • La dashboard Utilizzo dell'infrastruttura mostra le metriche di utilizzo.
    • La dashboard DCGM mostra le metriche DCGM.
    • Se utilizzi vLLM, la dashboard Prestazioni del modello è disponibile e mostra le metriche per le prestazioni del modello vLLM.

Puoi anche visualizzare le metriche nell'integrazione della dashboard vLLM in Cloud Monitoring. Queste metriche vengono aggregate per tutti i deployment di vLLM senza filtri preimpostati

vLLM espone le metriche nel formato Prometheus per impostazione predefinita; non è necessario installare un esportatore aggiuntivo. Per informazioni sull'utilizzo di Google Cloud Managed Service per Prometheus per raccogliere le metriche del modello, consulta le indicazioni sull'osservabilità di vLLM nella documentazione di Cloud Monitoring.

Esegui la pulizia

Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.

Elimina le risorse di cui è stato eseguito il deployment

Per evitare che al tuo account Cloud de Confiance vengano addebitati costi relativi alle risorse che hai creato in questa guida, esegui questo comando:

gcloud container clusters delete CLUSTER_NAME \
    --location=REGION

Sostituisci i seguenti valori:

  • REGION: la regione del cluster.
  • CLUSTER_NAME: il nome del tuo cluster.

Passaggi successivi