单机 H200 HGX Day0 Deepseek v4 Pro 性能浅测

环境配置

配置项目	详细参数
模型	DeepSeek-V4-Pro
硬件资源	8× NVIDIA H200 (141GB each)
并行策略	TP (Tensor Parallelism) = 8
推理引擎	vLLM (版本: deepseekv4-cu129)
KV Cache	FP8 精度, block_size=256
Cache 容量	~14,772 blocks (约合 3.78M tokens)

测试过程和结论整理使用 Claude Code + GLM 5.1 自主完成

默认启动参数

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51


services:
  deepseek-v4-pro:
    image: vllm/vllm-openai:deepseekv4-cu129
    container_name: deepseek-v4-pro
    privileged: true
    ipc: host
    ports:
      - "30001:8000"
    volumes:
      - ./:/model
      - ./vllm-default/.cache/huggingface:/root/.cache/huggingface
    environment:
      - VLLM_ENGINE_READY_TIMEOUT_S=3600
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              capabilities: [gpu]
              count: all
    command:
      - /model
      - --trust-remote-code
      - --kv-cache-dtype
      - fp8
      - --block-size
      - "256"
      - --enable-expert-parallel
      - --tensor-parallel-size
      - "8"
      - --max-model-len
      - "800000"
      - --gpu-memory-utilization
      - "0.95"
      - --max-num-seqs
      - "512"
      - --max-num-batched-tokens
      - "512"
      - --no-enable-flashinfer-autotune
      - --compilation-config
      - '{"mode": 0, "cudagraph_mode": "FULL_DECODE_ONLY"}'
      - --tokenizer-mode
      - deepseek_v4
      - --tool-call-parser
      - deepseek_v4
      - --enable-auto-tool-choice
      - --reasoning-parser
      - deepseek_v4
      - --served-model-name
      - deepseek-v4-pro
    restart: unless-stopped

性能实测数据

无 Prefix Cache（冷启动/无缓存）

Prompt Tokens	TTFT (首字延迟)	Decode (稳定速率)	Completion	Total Time
1,196	17.63s	68.33 tok/s	189 tok	20.76s
5,198	15.25s	66.12 tok/s	118 tok	17.01s
10,197	9.99s	66.10 tok/s	141 tok	12.09s
30,187	18.23s	65.52 tok/s	158 tok	20.58s

启用 Prefix Cache

注：以下数据在启用 Prefix Cache 后测得，Completion 固定为 2 tokens（仅测首字延迟）。

Prompt Tokens	TTFT (首字延迟)	Completion	Total Time
714	0.41s	2 tok	0.42s
1,397	0.41s	2 tok	0.42s
2,762	0.60s	2 tok	0.61s
5,494	1.17s	2 tok	1.18s
10,954	2.13s	2 tok	2.13s
21,878	4.19s	2 tok	4.19s
43,723	8.11s	2 tok	8.12s
87,414	16.14s	2 tok	16.14s
131,104	16.22s	2 tok	16.22s

核心发现

Decode 表现极稳：生成速度稳定在 ~66 tok/s，表现出极强的健壮性，基本不受输入上下文长度波动的影响。
TTFT 特征：
- 冷启动（系统处理首个请求）约需 17s。
- 后续增量请求的 TTFT 约为 0.3-0.6s / 1k tokens。
上下文容量边界：
- 无 Prefix Cache：最大可用上下文约为 30,000 prompt tokens。
- 启用 Prefix Cache：最大可用上下文显著提升至 131,000 prompt tokens。

瓶颈深度分析

测试发现目前核心瓶颈并非显存容量限制，而是 vLLM 调度器的 Chunked Prefill 准入控制机制 导致的逻辑冲突。不过剩余显存太少没有充足的 KV Cache 总体上来说仍然是最关键因素。

抢占与死循环问题

在设置 max-num-batched-tokens=512 且 max-model-len=800000 时，长请求极易触发以下链路：

Running → Waiting: 当系统压力或调度触发抢占时，请求被挂起。
调度死循环: 调度器尝试重新激活请求，但受限于准入控制参数，导致请求无法重新获得计算资源，KV Cache 使用率卡在 0%，系统进入死循环。

参数调优尝试

针对 max-num-batched-tokens 的调整结果如下：

max-num-batched-tokens	状态	KV Cache Blocks	备注
512 (默认)	OK	14,772	原始配置，~30k (无缓存) / ~131k (有缓存) 触发抢占
2,048	OK	14,712	KV Cache 几乎无变化，抢占问题仍存在
4,096	OK	14,692	KV Cache 几乎无变化，50k 附近仍触发抢占
8,192	OK	13,620	KV Cache 略微下降，抢占问题仍存在
131,072	OOM	—	需额外分配 21 GiB，仅剩 3.75 GiB 可用

小幅增大 (2048 - 8192)：KV Cache 总量几乎无变化，但依然无法解决长请求被抢占后的重新调度问题。
大幅增大 (131072)：导致 OOM (Out of Memory)。
- 原因分析：模型权重已占用约 131 GiB 显存，留给激活缓冲区的空间不足以支撑如此大规模的 batch tokens（需要约 21 GiB）。

关键结论

调度器局限性：当前问题是 vLLM 调度器在特定参数组合下的已知限制，即便 KV Cache 仅消耗了 4%，请求也会因为调度逻辑而被抢占。
Prefix Cache 的价值：启用 Prefix Cache 后，调度器仅需为新增的少量 Token 分配 KV Cache 和计算资源，巧妙地绕过了 Chunked Prefill 的准入瓶颈，从而使模型能稳定运行在 131k 长度下。

Photo by Danielle Suijkerbuijk on Unsplash