TensorRT-LLM部署
TensorRT-LLM 官方文档地址：https://nvidia.github.io/TensorRT-LLM/overview.html
下载相关的镜像
Nvidia官方镜像网址：https://catalog.ngc.nvidia.com/search?filters=resourceType%7CContainer%7Ccontainer&query=tensorrt-llm
#下载Nvidia tensorRT-LLM 镜像， docker pull nvcr.io/nvidia/tensorrt-llm/release:1.2.0rc4注意：release版本镜像并没有将模型转换checkpoint的依赖环境，没有tensorrt-llm ,需要手动安装，或者找其他版本的镜像（本人测试了 devel 版本（nvcr.io/nvidia/tensorrt-llm/devel:1.2.0rc4）仍然没有，网络建议的build版本、engine版本没有找到，只能自己安装）
进入镜像，安装相关的的依赖：
pip install tensorrt-llm pip install transformers accelerate sentencepiece safetensors huggingface_hu #如果你是 Qwen3 系列，还必须安装： pip install tiktoken pip install einops #如果你是 LLaMA： pip install protobuf #如果你用 chatml / tokenizer 的特殊格式： pip install sentencepiece准备基础模型
Qwen3-14B: 官方镜像即可
#存放目录： /mnt/data/models/Qwen/Qwen3-14B下载github转换脚本文件
TensorRT-LLMgithub地址： https://github.com/NVIDIA/TensorRT-LLM/blob/main/examples/models/core/qwen/convert_checkpoint.py
#存放文件目录： /mnt/data/models/tensor/convert_checkpoint.py转换checkpoint：
python convert_checkpoint.py \ --model_dir /mnt/data/models/Qwen/Qwen3-14B \ --output_dir /mnt/data/models/tensor/trt_checkpoints/qwen3-14b/fp16 \ --dtype fp16转换模型checkpoint不需要GPU资源，但是当前只使用一个镜像自己完成所有的过程，则需要GPU资源
原则上不需要 GPU
- 仅涉及权重 reshape/分片
- 仅涉及 JSON 结构、配置生成
- 不包含算子编译
构建engine文件：
trtllm-build \ --checkpoint_dir /mnt/data/models/tensor/trt_checkpoints/qwen3-14b/float16 \ --output_dir /mnt/data/models/tensor/engine/qwen3-14b-engine \ --gemm_plugin float16 \ --max_batch_size 8 \ --max_input_len 2048 \ --max_seq_len 4096 \ --kv_cache_type paged \ --workers 16 \ --log_level info注意：
engine构建是需要GPU资源的，构建engine的GPU资源需要和部实际部署的GPU资源保持一致，
例如：部署使用单卡L20，则构建的engine必须使用相同的GPU资源，型号数量要相同
此步骤需要：
- CUDA kernel 生成
- TensorRT builder 编译
- GPU 上的 profile 校准
- Plugin 编译优化
必须使用 GPU
- TensorRT engine 构建只能在 GPU 上完成
- 并且必须使用目标 GPU（或者至少与目标 GPU 架构兼容）
为什么需要 GPU？
- TensorRT 需要 GPU 的Compute Capability来生成最优 kernel
- 不同显卡（A100 / H100 / L20 / RTX4090）生成的 Engine 不能通用！
部署engine：
trtllm-serve serve /mnt/data/models/tensor/engine/qwen3-14b-engine \ --tokenizer /mnt/data/models/Qwen/Qwen3-14B \ --host 0.0.0.0 \ --port 8000 \ --log_level info \ --backend tensorrt \ --tp_size 1 \ --max_batch_size 8 \ --max_seq_len 4096
