DeepSeek-V3
硬件要求
部署DeepSeek-V3模型用BF16权重进行推理至少需要4台Atlas 800I A2（8*64G）服务器，用W8A8量化权重进行推理则至少需要2台Atlas 800I A2 (8*64G)。
权重
权重下载
FP8原始权重下载
-
目前提供模型权重下载脚本，支持HuggingFace，ModelScope以及Modelers来源的模型下载，用法如下：
鉴于DeepSeek-V2、V3、R1系列模型结构高度相似，模块化后组图代码差异较小。为提升代码复用率并降低冗余，三个模型的共享代码模块已统一整合至DeepSeek-V2文件夹中 注意：以下引用的
atb_models路径在DeepSeek-V2路径下：git clone https://gitee.com/ascend/ModelZoo-PyTorch.git cd ModelZoo-PyTorch/MindIE/LLM/DeepSeek/DeepSeek-V2/- 确认
atb_models/build/weights_url.yaml文件中对应repo_id，当前已默认配置模型官方认可的下载地址，如您有其他信任来源的repo_id，可自行修改，默认配置如下：
HuggingFace: deepseek-ai/DeepSeek-V3 ModelScope: deepseek-ai/DeepSeek-V3 Modelers: None- 执行下载脚本
atb_models/build/download_weights.py:
python3 atb_models/build/download_weights.py参数名 含义 hub 可选，str类型参数，hub来源，支持HuggingFace, ModelScope, Modelers repo_id 可选，str类型参数，仓库ID，默认从weight_url.yaml中读取 target_dir 可选，str类型参数，默认放置在atb_models同级目录下 - 确认
权重转换（Convert FP8 weights to BF16）
NPU侧权重转换
注意：
- DeepSeek官方没有针对DeepSeek-V3提供新的权重转换脚本，所以复用DeepSeek-V2的权重转换脚本。
- 若用户使用上方脚本下载权重，则无需使用以下git clone命令，直接进入权重转换脚本目录。
git clone https://gitee.com/ascend/ModelZoo-PyTorch.gitcd ModelZoo-PyTorch/MindIE/LLM/DeepSeek/DeepSeek-V2/NPU_inferencepython fp8_cast_bf16.py --input-fp8-hf-path {/path/to/DeepSeek-V3} --output-bf16-hf-path {/path/to/DeepSeek-V3-bf16}目前npu转换脚本不会自动复制tokenizer等文件，需要将原始权重的tokenizer.json, tokenizer_config.json等文件复制到转换之后的路径下。
注意：
/path/to/DeepSeek-V3表示DeepSeek-V3原始权重路径，/path/to/DeepSeek-V3-bf16表示权重转换后的新权重路径。- 由于模型权重较大，请确保您的磁盘有足够的空间放下所有权重，例如DeepSeek-V3在转换前权重约为640G左右，在转换后权重约为1.3T左右。
- 推理作业时，也请确保您的设备有足够的空间加载模型权重，并为推理计算预留空间。
BF16原始权重下载
也可以通过HuggingFace，ModelScope等开源社区直接下载BF16模型权重：
| 来源 | 链接 |
|---|---|
| huggingface | https://huggingface.co/unsloth/DeepSeek-V3-bf16/ |
| modelscope | https://modelscope.cn/models/unsloth/deepseek-V3-bf16/ |
| modelers | https://modelers.cn/models/State_Cloud/Deepseek-V3-BF16 |
DeepSeek-V3-0324的BF16模型权重链接为：
| 来源 | 链接 |
|---|---|
| huggingface | https://huggingface.co/unsloth/DeepSeek-V3-0324-BF16/ |
| modelscope | https://www.modelscope.cn/models/unsloth/DeepSeek-V3-0324-BF16/ |
W8A8量化权重生成(BF16 to INT8)
目前支持：生成模型w8a8混合量化权重，使用histogram量化方式 (MLA:w8a8量化，MOE:w8a8 dynamic pertoken量化)。
详情请参考 DeepSeek模型量化方法介绍。
注意：DeepSeek-V3模型权重较大，量化权重生成时间较久，请耐心等待；具体时间与校准数据集大小成正比，10条数据大概需花费3小时。
昇腾原生量化W8A8权重下载(动态量化)
也可以通过Modelers等开源社区直接下载昇腾原生量化W8A8模型权重：
推理前置准备
- 修改模型文件夹属组为1001 -HwHiAiUser属组（容器为Root权限可忽视）
- 执行权限为750：
chown -R 1001:1001 {/path-to-weights/DeepSeek-V3}
chmod -R 750 {/path-to-weights/DeepSeek-V3}推理前置准备
- 修改权重目录下的config.json文件
将 model_type 更改为 deepseekv2 (全小写且无空格)
"model_type": "deepseekv2"注意：在本仓实现中，DeepSeek-V3目前沿用DeepSeekV2代码框架。
- 检查机器网络情况
# 1.检查物理链接
for i in {0..7}; do hccn_tool -i $i -lldp -g | grep Ifname; done # 2.检查链接情况
for i in {0..7}; do hccn_tool -i $i -link -g ; done# 3.检查网络健康情况
for i in {0..7}; do hccn_tool -i $i -net_health -g ; done# 4.查看侦测ip的配置是否正确
for i in {0..7}; do hccn_tool -i $i -netdetect -g ; done# 5.查看网关是否配置正确
for i in {0..7}; do hccn_tool -i $i -gateway -g ; done# 6.检查NPU底层tls校验行为一致性，建议统一全部设置为0，避免hccl报错
for i in {0..7}; do hccn_tool -i $i -tls -g ; done | grep switch# 7.NPU底层tls校验行为置0操作，建议统一全部设置为0，避免hccl报错
for i in {0..7};do hccn_tool -i $i -tls -s enable 0;done- 获取每张卡的ip地址
for i in {0..7};do hccn_tool -i $i -ip -g; done- 需要用户自行创建rank_table_file.json，参考如下格式配置
以下是一个双机用例，用户自行添加ip，补全device：
{
"server_count": "2",
"server_list": [
{
"device": [
{
"device_id": "0",
"device_ip": "...",
"rank_id": "0"
},
{
"device_id": "1",
"device_ip": "...",
"rank_id": "1"
},
...
{
"device_id": "7",
"device_ip": "...",
"rank_id": "7"
},
],
"server_id": "...",
"container_ip": "..."
},
{
"device": [
{
"device_id": "0",
"device_ip": "...",
"rank_id": "8"
},
{
"device_id": "1",
"device_ip": "...",
"rank_id": "9"
},
...
{
"device_id": "7",
"device_ip": "...",
"rank_id": "15"
},
],
"server_id": "...",
"container_ip": "..."
},
],
"status": "completed",
"version": "1.0"
}| 参数 | 说明 |
|---|---|
| server_count | 总节点数 |
| server_list | server_list中第一个server为主节点 |
| device_id | 当前卡的本机编号，取值范围[0, 本机卡数) |
| device_ip | 当前卡的ip地址，可通过hccn_tool命令获取 |
| rank_id | 当前卡的全局编号，取值范围[0, 总卡数) |
| server_id | 当前节点的ip地址 |
| container_ip | 容器ip地址（服务化部署时需要），若无特殊配置，则与server_id相同 |
rank_table_file.json配置完成后，需要执行命令修改权限为640
chmod -R 640 {rank_table_file.json路径}加载镜像
需要使用mindie:2.0.T3及其后版本。
前往昇腾社区/开发资源下载适配，下载镜像前需要申请权限，耐心等待权限申请通过后，根据指南下载对应镜像文件。
DeepSeek-V3的镜像版本：2.0.T3-800I-A2-py311-openeuler24.03-lts 镜像加载后的名称：swr.cn-south-1.myhuaweicloud.com/ascendhub/mindie:2.0.T3-800I-A2-py311-openeuler24.03-lts。
完成之后，请使用docker images命令确认查找具体镜像名称与标签。
docker images各组件版本配套如下：
| 组件 | 版本 |
|---|---|
| MindIE | 2.0.T3 |
| CANN | 8.0.T63 |
| Pytorch | 6.0.T700 |
| MindStudio | Msit: br_noncom_MindStudio_8.0.0_POC_20251231分支 |
| Ascend HDK | 24.1.0 |
容器启动
启动容器
- 执行以下命令启动容器（参考）：
docker run -itd --privileged --name= {容器名称} --net=host \
--shm-size 500g \
--device=/dev/davinci0 \
--device=/dev/davinci1 \
--device=/dev/davinci2 \
--device=/dev/davinci3 \
--device=/dev/davinci4 \
--device=/dev/davinci5 \
--device=/dev/davinci6 \
--device=/dev/davinci7 \
--device=/dev/davinci_manager \
--device=/dev/hisi_hdc \
--device /dev/devmm_svm \
-v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
-v /usr/local/Ascend/firmware:/usr/local/Ascend/firmware \
-v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \
-v /usr/local/sbin:/usr/local/sbin \
-v /etc/hccn.conf:/etc/hccn.conf \
-v {/权重路径:/权重路径} \
-v {/rank_table_file.json路径:/rank_table_file.json路径} \
{swr.cn-south-1.myhuaweicloud.com/ascendhub/mindie:1.0.0-XXX-800I-A2-arm64-py3.11（根据加载的镜像名称修改）} \
bash进入容器
- 执行以下命令进入容器（参考）：
docker exec -it {容器名称} bash设置基础环境变量
source /usr/local/Ascend/ascend-toolkit/set_env.sh
source /usr/local/Ascend/nnal/atb/set_env.sh
source /usr/local/Ascend/atb-models/set_env.sh
source /usr/local/Ascend/mindie/set_env.sh开启通信环境变量
export ATB_LLM_HCCL_ENABLE=1
export ATB_LLM_COMM_BACKEND="hccl"
export HCCL_CONNECT_TIMEOUT=7200 # 该环境变量需要配置为整数，取值范围[120,7200]，单位s
双机：
export WORLD_SIZE=16
四机：
export WORLD_SIZE=32
export HCCL_EXEC_TIMEOUT=0纯模型推理
【使用场景】使用相同输入长度和相同输出长度，构造多Batch去测试纯模型性能
精度测试
- 进入modeltest路径
cd /usr/local/Ascend/atb-models/tests/modeltest/- 运行测试脚本
Step1.主副节点分别先清理残余进程：
pkill -9 -f 'mindie|python'Step2.需在所有机器上同时执行：
bash run.sh pa_[data_type] [dataset] ([shots]) [batch_size] [model_name] ([is_chat_model]) [weight_dir] [rank_table_file] [world_size] [node_num] [rank_id_start] [master_address] ([parallel_params]) 参数说明：
data_type：为数据类型，根据权重目录下config.json的data_type选择bf16或者fp16，例如：pa_bf16。dataset：可选full_BoolQ、full_CEval等，相关数据集可至魔乐社区MindIE下载，（下载之前，需要申请加入组织，下载之后拷贝到/usr/local/Ascend/atb-models/tests/modeltest/路径下）CEval与MMLU等数据集需要设置shots（通常设为5）。batch_size：为batch数。model_name：为deepseekv2。is_chat_model：为是否支持对话模式，若传入此参数，则进入对话模式。weight_dir：为模型权重路径。rank_table_file：为“前置准备”中配置的rank_table_file.json路径。world_size：为总卡数。node_num：为当前节点编号，即rank_table_file.json的server_list中顺序确定。rank_id_start：为当前节点起始卡号，即rank_table_file.json中当前节点第一张卡的rank_id，Atlas 800I-A2双机场景下，主节点为0，副节点为8。master_address：为主节点ip地址，即rank_table_file.json的server_list中第一个节点的ip。parallel_params: 接受一组输入，格式为[dp,tp,moe_tp,moe_ep,pp,microbatch_size],如[8,1,8,-1,-1,-1]
测试脚本运行如下，以双机为例：
样例 -CEval 带shot
主节点
bash run.sh pa_bf16 full_CEval 5 1 deepseekv2 {/path/to/weights/DeepSeek-V3} {/path/to/xxx/ranktable.json} 16 2 0 {主节点IP}
# 0 代表从0号卡开始推理，之后的机器依次从8，16，24。副节点
bash run.sh pa_bf16 full_CEval 5 1 deepseekv2 {/path/to/weights/DeepSeek-V3} {/path/to/xxx/ranktable.json} 16 2 8 {主节点IP}
# 0 代表从0号卡开始推理，之后的机器依次从8，16，24。样例 -GSM8K 不带shot
主节点
bash run.sh pa_bf16 full_GSM8K 8 deepseekv2 {/path/to/weights/DeepSeek-V3} {/path/to/xxx/ranktable.json} 16 2 0 {主节点IP}
# 0 代表从0号卡开始推理，之后的机器依次从8，16，24。副节点
bash run.sh pa_bf16 full_GSM8K 8 deepseekv2 {/path/to/weights/DeepSeek-V3} {/path/to/xxx/ranktable.json} 16 2 8 {主节点IP}
# 0 代表从0号卡开始推理，之后的机器依次从8，16，24。性能测试
- 进入modeltest路径：
cd /usr/local/Ascend/atb-models/tests/modeltest/Step1.主副节点分别先清理残余进程：
pkill -9 -f 'mindie|python'Step2.需在所有机器上同时执行：
bash run.sh pa_[data_type] performance [case_pair] [batch_size] ([prefill_batch_size]) [model_name] ([is_chat_model]) [weight_dir] [rank_table_file] [world_size] [node_num] [rank_id_start] [master_address] ([parallel_params]) 参数说明：
data_type：为数据类型，根据权重目录下config.json的data_type选择bf16或者fp16，例如：pa_bf16。case_pair：[最大输入长度,最大输出长度]。batch_size：为batch数。prefill_batch_size：为可选参数，设置后会固定prefill的batch size。model_name：为deepseekv2。is_chat_model：为是否支持对话模式，若传入此参数，则进入对话模式。weight_dir：为模型权重路径。rank_table_file：为“前置准备”中配置的rank_table_file.json路径。world_size：为总卡数。node_num：为当前节点编号，即rank_table_file.json的server_list中顺序确定。rank_id_start：为当前节点起始卡号，即rank_table_file.json中当前节点第一张卡的rank_id，Atlas 800I-A2双机场景下，主节点为0，副节点为8。master_address：为主节点ip地址，即rank_table_file.json的server_list中第一个节点的ip。parallel_params: 接受一组输入，格式为[dp,tp,moe_tp,moe_ep,pp,microbatch_size],如[8,1,8,-1,-1,-1]
测试脚本运行如下，以双机为例：
主节点
bash run.sh pa_bf16 performance [[256,256]] 1 deepseekv2 {/path/to/weights/DeepSeek-V3} {/path/to/xxx/ranktable.json} 16 2 0 {主节点IP}
# 0 代表从0号卡开始推理，之后的机器依次从8，16，24。副节点
bash run.sh pa_bf16 performance [[256,256]] 1 deepseekv2 {/path/to/weights/DeepSeek-V3} {/path/to/xxx/ranktable.json} 16 2 8 {主节点IP}
# 0 代表从0号卡开始推理，之后的机器依次从8，16，24。服务化推理
【使用场景】对标真实客户上线场景，使用不同并发、不同发送频率、不同输入长度和输出长度分布，去测试服务化性能
配置服务化环境变量
变量含义：expandable_segments-使能内存池扩展段功能，即虚拟内存特性。更多详情请查看昇腾环境变量参考。
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True服务化需要rank_table_file.json中配置container_ip字段。
所有机器的配置应该保持一致，除了环境变量的MIES_CONTAINER_IP为本机ip地址。
export MIES_CONTAINER_IP={容器ip地址}
export RANKTABLEFILE={rank_table_file.json路径}修改服务化参数
cd /usr/local/Ascend/mindie/latest/mindie-service/
vim conf/config.json修改以下参数
"httpsEnabled" : false, # 如果网络环境不安全，不开启HTTPS通信，即“httpsEnabled”=“false”时，会存在较高的网络安全风险
...
"multiNodesInferEnabled" : true, # 开启多机推理
...
# 若不需要安全认证，则将以下两个参数设为false
"interCommTLSEnabled" : false,
"interNodeTLSEnabled" : false,
...
"npudeviceIds" : [[0,1,2,3,4,5,6,7]],
...
"modelName" : "DeepSeek-V3" # 不影响服务化拉起
"modelWeightPath" : "权重路径",
"worldSize":8,Example：仅供参考，请根据实际情况修改
{
"Version" : "1.0.0",
"LogConfig" :
{
"logLevel" : "Info",
"logFileSize" : 20,
"logFileNum" : 20,
"logPath" : "logs/mindie-server.log"
},
"ServerConfig" :
{
"ipAddress" : "改成主节点IP",
"managementIpAddress" : "改成主节点IP",
"port" : 1025,
"managementPort" : 1026,
"metricsPort" : 1027,
"allowAllZeroIpListening" : false,
"maxLinkNum" : 1000, //如果是4机，建议300
"httpsEnabled" : false,
"fullTextEnabled" : false,
"tlsCaPath" : "security/ca/",
"tlsCaFile" : ["ca.pem"],
"tlsCert" : "security/certs/server.pem",
"tlsPk" : "security/keys/server.key.pem",
"tlsPkPwd" : "security/pass/key_pwd.txt",
"tlsCrlPath" : "security/certs/",
"tlsCrlFiles" : ["server_crl.pem"],
"managementTlsCaFile" : ["management_ca.pem"],
"managementTlsCert" : "security/certs/management/server.pem",
"managementTlsPk" : "security/keys/management/server.key.pem",
"managementTlsPkPwd" : "security/pass/management/key_pwd.txt",
"managementTlsCrlPath" : "security/management/certs/",
"managementTlsCrlFiles" : ["server_crl.pem"],
"kmcKsfMaster" : "tools/pmt/master/ksfa",
"kmcKsfStandby" : "tools/pmt/standby/ksfb",
"inferMode" : "standard",
"interCommTLSEnabled" : false,
"interCommPort" : 1121,
"interCommTlsCaPath" : "security/grpc/ca/",
"interCommTlsCaFiles" : ["ca.pem"],
"interCommTlsCert" : "security/grpc/certs/server.pem",
"interCommPk" : "security/grpc/keys/server.key.pem",
"interCommPkPwd" : "security/grpc/pass/key_pwd.txt",
"interCommTlsCrlPath" : "security/grpc/certs/",
"interCommTlsCrlFiles" : ["server_crl.pem"],
"openAiSupport" : "vllm"
},
"BackendConfig" : {
"backendName" : "mindieservice_llm_engine",
"modelInstanceNumber" : 1,
"npuDeviceIds" : [[0,1,2,3,4,5,6,7]],
"tokenizerProcessNumber" : 8,
"multiNodesInferEnabled" : true,
"multiNodesInferPort" : 1120,
"interNodeTLSEnabled" : false,
"interNodeTlsCaPath" : "security/grpc/ca/",
"interNodeTlsCaFiles" : ["ca.pem"],
"interNodeTlsCert" : "security/grpc/certs/server.pem",
"interNodeTlsPk" : "security/grpc/keys/server.key.pem",
"interNodeTlsPkPwd" : "security/grpc/pass/mindie_server_key_pwd.txt",
"interNodeTlsCrlPath" : "security/grpc/certs/",
"interNodeTlsCrlFiles" : ["server_crl.pem"],
"interNodeKmcKsfMaster" : "tools/pmt/master/ksfa",
"interNodeKmcKsfStandby" : "tools/pmt/standby/ksfb",
"ModelDeployConfig" :
{
"maxSeqLen" : 10000,
"maxInputTokenLen" : 2048,
"truncation" : true,
"ModelConfig" : [
{
"modelInstanceType" : "Standard",
"modelName" : "DeepSeek-V3",
"modelWeightPath" : "/home/data/dsv3_base_step178000",
"worldSize" : 8,
"cpuMemSize" : 5,
"npuMemSize" : -1,
"backendType" : "atb",
"trustRemoteCode" : false
}
]
},
"ScheduleConfig" :
{
"templateType" : "Standard",
"templateName" : "Standard_LLM",
"cacheBlockSize" : 128,
"maxPrefillBatchSize" : 8,
"maxPrefillTokens" : 2048,
"prefillTimeMsPerReq" : 150,
"prefillPolicyType" : 0,
"decodeTimeMsPerReq" : 50,
"decodePolicyType" : 0,
"maxBatchSize" : 8,
"maxIterTimes" : 1024,
"maxPreemptCount" : 0,
"supportSelectBatch" : false,
"maxQueueDelayMicroseconds" : 5000
}
}
}拉起服务化
# 以下命令需在所有机器上同时执行
# 解决权重加载过慢问题
export OMP_NUM_THREADS=1
# 设置显存比
export NPU_MEMORY_FRACTION=0.95
# 拉起服务化
cd /usr/local/Ascend/mindie/latest/mindie-service/
./bin/mindieservice_daemon执行命令后，首先会打印本次启动所用的所有参数，然后直到出现以下输出：
Daemon start success!则认为服务成功启动。
另起客户端
进入相同容器，向服务端发送请求。
更多信息可参考官网信息：MindIE Service。
精度化测试样例
需要开启确定性计算环境变量。
export LCCL_DETERMINISTIC=1
export HCCL_DETERMINISTIC=true
export ATB_MATMUL_SHUFFLE_K_ENABLE=0-并发数需设置为1，确保模型推理时是1batch输入，这样才可以和纯模型比对精度。 -使用MMLU比对精度时，MaxOutputLen应该设为20，MindIE Server的config.json文件中maxSeqLen需要设置为3600，该数据集中有约为1.4w条数据，推理耗时会比较长。
benchmark \
--DatasetPath "/数据集路径/MMLU" \
--DatasetType mmlu \
--ModelName DeepSeek-V3 \
--ModelPath "/模型权重路径/DeepSeek-V3" \
--TestType client \
--Http https://{ipAddress}:{port} \
--ManagementHttp https://{managementIpAddress}:{managementPort} \
--Concurrency 1 \
--MaxOutputLen 20 \
--TaskKind stream \
--Tokenizer True \
--TestAccuracy TrueModelName，ModelPath需要与mindie-service里的config.json里的一致，master_ip设置为主节点机器的ip。样例仅供参考，请根据实际情况调整参数。
常见问题
服务化常见问题
- 若出现out of memory报错，可适当调高NPU_MEMORY_FRACTION环境变量（默认值为0.8），适当调低服务化配置文件config.json中maxSeqLen、maxInputTokenLen、maxPrefillBatchSize、maxPrefillTokens、maxBatchSize等参数。
export NPU_MEMORY_FRACTION=0.96- 若出现hccl通信超时报错，可配置以下环境变量。
export HCCL_CONNECT_TIMEOUT=7200 # 该环境变量需要配置为整数，取值范围[120,7200]，单位s
export HCCL_EXEC_TIMEOUT=0- 若出现AttributeError：'IbisTokenizer' object has no atrribute 'cache_path'。
Step1: 进入环境终端后执行。
pip show mies_tokenizer默认出现类似如下结果，重点查看Location
Name: mies_tokenizer
Version: 0.0.1
Summary: ibis tokenizer
Home-page:
Author:
Author-email:
License:
Location: /usr/local/python3.10.13/lib/python3.10/site-packages
Requires:
Required-by:Step2: 打开Location路径下的./mies_tokenizer/tokenizer.py文件。
vim /usr/local/python3.10.13/lib/python3.10/site-packages/mies_tokenizer/tokenizer.pyStep3: 对以下两个函数代码进行修改。
def __del__(self):
- dir_path = file_utils.standardize_path(self.cache_path)
+ cache_path = getattr(self, 'cache_path', None)
+ if cache_path is None:
+ return
+ dir_path = file_utils.standardize_path(cache_path)
file_utils.check_path_permission(dir_path)
all_request = os.listdir(dir_path)以及
def _get_cache_base_path(child_dir_name):
dir_path = os.getenv("LOCAL_CACHE_DIR", None)
if dir_path is None:
dir_path = os.path.expanduser("~/mindie/cache")
- if not os.path.exists(dir_path):
- os.makedirs(dir_path)
+ os.makedirs(dir_path, exist_ok=True)
os.chmod(dir_path, 0o750)- 若出现
UnicodeEncodeError: 'ascii' codec can't encode character\uff5cin position 301:ordinal not in range(128)。
这是因为由于系统在写入或打印日志ASCII编码deepseek的词表失败，导致报错，不影响服务化正常运行。如果需要规避，需要/usr/local/Ascend/atb-models/atb_llm/runner/model_runner.py的第145行注释掉：print_log(rank, logger.info, f'init tokenizer done: {self.tokenizer}')。
- 从节点无法和主节点建立rpc通信
若出现多级部署从节点无法和主节点建立rpc通信问题，子节点报RPC问题，可能原因：防火墙拦截，排查方法：使用指令查看防火墙状态，如果开启防火墙，每台机器都需要关闭防火墙；
查看防火墙状态：
sudo systemctl status firewalld临时关闭防火墙，该操作存在安全隐患，请谨慎操作，该命令适用于linux系统，其它系统需要根据实际情况修改：
sudo systemctl stop firewalld参考链接：https://www.hiascend.com/document/caselibrary/detail/topic_0000002193154350
- 无进程内存残留
如果卡上有内存残留，且有进程，可以尝试以下指令：
pkill -9 -f 'mind|python'如果卡上有内存残留，但无进程，可以尝试以下指令：
npu-smi set -t reset -i 0 -c 0 #重启npu卡
npu-smi info -t health -i <card_idx> -c 0 #查询npu告警例：
npu-smi set -t reset -i 0 -c 0 #重启npu卡0
npu-smi info -t health -i 2 -c 0 #查询npu卡2告警如果卡上有进程残留，无进程，且重启NPU卡无法消除残留内存，请尝试reboot重启机器
- 日志收集
遇到推理报错时，请打开日志环境变量，收集日志信息。
- 算子库日志|默认输出路径为"~/atb/log"
export ASDOPS_LOG_LEVEL = INFO
export ASDOPS_LOG_TO_FILE = 1- 加速库日志|默认输出路径为"~/mindie/log/debug"
export ATB_LOG_LEVEL = INFO
export ATB_LOG_TO_FILE = 1- MindIE Service日志|默认输出路径为"~/mindie/log/debug"
export MINDIE_LOG_TO_FILE = 1
export MINDIE_LOG_TO_LEVEL = debug- CANN日志收集|默认输出路径为"~/ascend"
export ASCEND_GLOBAL_LOG_TO_LEVEL = 1- 多机无法拉起DeepSeek-R1模型推理，HCCL报错
# 检查NPU底层tls校验行为一致性，建议统一全部设置为0，避免hccl报错
for i in {0..7}; do hccn_tool -i $i -tls -g ; done | grep switch# NPU底层tls校验行为置0操作，建议统一全部设置为0，避免hccl报错
for i in {0..7};do hccn_tool -i $i -tls -s enable 0;done权重路径权限问题
注意保证权重路径是可用的，执行以下命令修改权限，注意是整个父级目录的权限：
chown -R HwHiAiUser:HwHiAiUser {/path-to-weights}
chmod -R 750 {/path-to-weights}更多故障案例，请参考链接：https://www.hiascend.com/document/caselibrary
声明
- 本代码仓提到的数据集和模型仅作为示例，这些数据集和模型仅供您用于非商业目的，如您使用这些数据集来完成示例，请您特别注意应遵守对应数据集合模型的License，如您因使用数据集或者模型而产生侵权纠纷，华为不承担任何责任。
- 如您在使用本地代码的过程中，发现任何问题（包括但不限于功能问题、合规问题），请在本代码仓提交issue，我们将及时审视并解答。