使用 vLLM 在 Cloud Run 上运行 RTX 6000 Pro GPU 上的 Gemma 4 模型推理

1. 简介

注意：此功能受服务专用条款的“通用服务条款”部分中的“非正式版产品条款”的约束。正式发布前功能“按原样”提供，可能只能获得有限的支持。如需了解详情，请参阅发布阶段说明

概览

学习内容

• 如何在 Cloud Run RTX 6000 Pro GPU 上部署 Gemma 4 模型
• 如何使用 vLLM 和 Run:ai Model Streamer 来加快推理速度并缩短实例启动时间。

注意：此 Codelab 使用的是 Gemma 4 31B 指令调优模型。此 Codelab 演示了如何使用 Run:ai Model Streamer 和直接 VPC 出站流量来最大限度地缩短模型在容器启动期间从 Cloud Storage 加载所需的时间。如需了解详情，请参阅 GPU 最佳实践指南。

2. 设置和要求

设置将在本 Codelab 中全程使用的环境变量：

# Model name on HuggingFace Hub
export MODEL_NAME="google/gemma-4-31B-it"

# Cloud Run Service name
export SERVICE_NAME=gemma-rtx-vllm-codelab

# Cloud Project and Region for Cloud Run
export GOOGLE_CLOUD_PROJECT=<YOUR_PROJECT_ID> # Change to your Project Id
export GOOGLE_CLOUD_REGION=us-central1 # or europe-west4

# Optional HuggingFace User Access Token for accessing model weights 
# (https://huggingface.co/docs/hub/en/security-tokens),
# if you are loading a private model.
export HF_TOKEN=""

# Service account for Cloud Run service
export SERVICE_ACCOUNT="vllm-service-sa"
export SERVICE_ACCOUNT_EMAIL="${SERVICE_ACCOUNT}@${GOOGLE_CLOUD_PROJECT}.iam.gserviceaccount.com"

# GCS Bucket for the model cache.
export MODEL_CACHE_BUCKET="${GOOGLE_CLOUD_PROJECT}-${GOOGLE_CLOUD_REGION}-hf-model-cache"
# Model cache location in GSC bucket
export GCS_MODEL_LOCATION="gs://${MODEL_CACHE_BUCKET}/model-cache/${MODEL_NAME}"

# VPC Network for Direct VPC Egress
export VPC_NETWORK="vllm-${GOOGLE_CLOUD_REGION}-net"
export VPC_SUBNET="vllm-${GOOGLE_CLOUD_REGION}-subnet"
export SUBNET_RANGE="10.8.0.0/26"

# set the project
gcloud config set project $GOOGLE_CLOUD_PROJECT
gcloud config set run/region $GOOGLE_CLOUD_REGION

启用此 Codelab 所需的 API

gcloud services enable --project "${GOOGLE_CLOUD_PROJECT}" \
    run.googleapis.com \
    cloudbuild.googleapis.com \
    artifactregistry.googleapis.com \
    iam.googleapis.com \
    compute.googleapis.com \
    vpcaccess.googleapis.com \
    storage.googleapis.com

3. 创建服务账号

如果在创建 Cloud Run 服务或作业时未指定服务账号，Cloud Run 会使用 Compute Engine 默认服务账号。建议为 Cloud Run 服务使用单独的服务账号，以避免以过高的权限运行该服务。

为 Cloud Run 服务创建服务账号

gcloud iam service-accounts create ${SERVICE_ACCOUNT} \
  --project "${GOOGLE_CLOUD_PROJECT}" \
  --display-name "vLLM Service Account"

4. 设置 Cloud Storage

创建一个 Cloud Storage 存储分区来存储模型权重。这样一来，每次 Cloud Run 启动服务实例时，都可以使用直接 VPC 出站流量更快地下载模型权重。

与 vLLM 中的 Run:ai Model Streamer 功能结合使用，可显著缩短模型加载时间。

创建存储桶

确保它是与 Cloud Run 服务位于同一位置的单区域存储分区。

gcloud storage buckets create "gs://${MODEL_CACHE_BUCKET}" \
    --uniform-bucket-level-access --public-access-prevention \
    --project "${GOOGLE_CLOUD_PROJECT}" --location "${GOOGLE_CLOUD_REGION}"

5. 检索和缓存模型权重

接下来，将 Gemma 4 模型下载到您的 Cloud Storage 存储分区。

模型权重的大小为数十 GB，因此可能无法将其下载到本地机器或 Cloud Shell。

我们改用 Cloud Build，它有足够的存储空间来存放模型权重。

gcloud builds submit --project="${GOOGLE_CLOUD_PROJECT}" --region="${GOOGLE_CLOUD_REGION}" --no-source \
    --substitutions="_MODEL_NAME=${MODEL_NAME},_HF_TOKEN=${HF_TOKEN},_GCS_MODEL_LOCATION=${GCS_MODEL_LOCATION}" \
    --config=/dev/stdin <<'EOF'
steps:
- name: 'gcr.io/google.com/cloudsdktool/google-cloud-cli:slim'
  entrypoint: 'bash'
  args:
  - '-c'
  - |
    set -e
    pip3 install --root-user-action=ignore --break-system-packages huggingface_hub[cli]
    echo "Downloading the model..."
    if [[ "$_HF_TOKEN" != "" ]]; then
      hf download "$_MODEL_NAME" --token $_HF_TOKEN --local-dir "./model-cache/$_MODEL_NAME"
    else
      hf download "$_MODEL_NAME" --local-dir "./model-cache/$_MODEL_NAME"
    fi
    echo "Uploading the model..."
    gcloud storage cp -r "./model-cache/$_MODEL_NAME" "$_GCS_MODEL_LOCATION"
options:
  machineType: 'E2_HIGHCPU_32'
  diskSizeGb: 500
EOF

6. 为直接 VPC 出站流量配置网络

直接 VPC 出站流量配置需要创建启用了专用 Google 访问通道的网络和子网。

这样，Cloud Run 服务就可以连接到 Google API 和服务（包括 Cloud Storage）使用的一组外部 IP 地址。

创建网络

gcloud compute networks create "$VPC_NETWORK" \
        --subnet-mode=custom \
        --bgp-routing-mode=regional \
        --project "$GOOGLE_CLOUD_PROJECT"

创建子网

gcloud compute networks subnets create "$VPC_SUBNET" \
        --network="$VPC_NETWORK" \
        --region="$GOOGLE_CLOUD_REGION" \
        --range="$SUBNET_RANGE" \
        --enable-private-ip-google-access \
        --project "$GOOGLE_CLOUD_PROJECT"

7. 配置服务账号访问权限政策

Cloud Run 服务账号需要有权访问您创建的存储分区中的模型权重。

gcloud storage buckets add-iam-policy-binding "gs://${MODEL_CACHE_BUCKET}" \
    --member "serviceAccount:${SERVICE_ACCOUNT_EMAIL}" \
    --role "roles/storage.admin" \
    --project "${GOOGLE_CLOUD_PROJECT}"

8. 初始化配置变量

为 vLLM 推理引擎和 Cloud Run 服务定义变量。

# vLLM variables
export MAX_MODEL_LEN=32767      # 32767 to improve concurrency. Keep it empty to use model's maximim context length (256K)
export QUANTIZATION_TYPE="fp8"  # Model quantization for faster performance and lower memory usage.
export KV_CACHE_DTYPE="fp8"     # KV-cache quantization to save GPU memory.
export GPU_MEM_UTIL="0.95"      # Fraction of GPU memory to be used by the vLLM engine.
export TENSOR_PARALLEL_SIZE="1" # Partitioning model across GPUs (1 here as we have only 1 GPU).
export MAX_NUM_SEQS=8           # Max concurrent requests vLLM processes in one batch.

# Cloud Run variables
export CLOUD_RUN_CPU_NUM=20
export CLOUD_RUN_MEMORY_GB=80
export CLOUD_RUN_MAX_INSTANCES=3
export CLOUD_RUN_CONCURRENCY=16

有关性能调优的注意事项：调整这些变量需要在吞吐量和延迟时间之间取得平衡：

• MAX_NUM_SEQS 与 CLOUD_RUN_CONCURRENCY：CLOUD_RUN_CONCURRENCY 应至少与 MAX_NUM_SEQS 一样大。为了在流量高峰期实现最佳利用率，请将此值略微调高（例如，调高到 2 倍）。
• 内存压力：MAX_MODEL_LEN 和 MAX_NUM_SEQS 都会消耗 GPU 内存来存储 KV 缓存。如果您遇到上下文长度过长导致的内存不足 (OOM) 错误，请考虑减小 MAX_NUM_SEQS。
• 延迟时间：更高的并发性 (MAX_NUM_SEQS) 会增加总吞吐量，但可能会增加单个请求延迟时间。
• 扩缩：CLOUD_RUN_MAX_INSTANCES 可让您进行横向扩缩。如果单个实例的延迟时间可以接受，但您需要更多总容量，请提高此值。

9. 部署到 Cloud Run

准备 vLLM 容器命令行

vLLM 需要大量参数才能快速高效地运行大型模型。

CONTAINER_ARGS=(
    "vllm"
    "serve"
    "${GCS_MODEL_LOCATION}"
    "--served-model-name" "${MODEL_NAME}"
    "--enable-log-requests"
    "--enable-chunked-prefill"
    "--enable-prefix-caching"
    "--generation-config" "auto"
    "--enable-auto-tool-choice"
    "--tool-call-parser" "gemma4"
    "--reasoning-parser" "gemma4"
    "--dtype" "bfloat16"
    "--quantization" "${QUANTIZATION_TYPE}"
    "--kv-cache-dtype" "${KV_CACHE_DTYPE}"
    "--max-num-seqs" "${MAX_NUM_SEQS}"
    "--limit-mm-per-prompt" '{"image":4,"video":2}'
    "--gpu-memory-utilization" "${GPU_MEM_UTIL}"
    "--tensor-parallel-size" "${TENSOR_PARALLEL_SIZE}"
    "--load-format" "runai_streamer"
    "--port" "8080"
    "--host" "0.0.0.0"
)

if [[ "${MAX_MODEL_LEN}" != "" ]]; then
    CONTAINER_ARGS+=("--max-model-len" "${MAX_MODEL_LEN}")
fi

export CONTAINER_ARGS_STR="${CONTAINER_ARGS[*]}"

部署 Cloud Run 服务

运行以下命令以部署 Cloud Run 服务。

gcloud beta run deploy "${SERVICE_NAME}" \
    --image="us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:gemma4" \
    --project "${GOOGLE_CLOUD_PROJECT}" \
    --region "${GOOGLE_CLOUD_REGION}" \
    --service-account "${SERVICE_ACCOUNT_EMAIL}" \
    --execution-environment gen2 \
    --no-allow-unauthenticated \
    --cpu="${CLOUD_RUN_CPU_NUM}" \
    --memory="${CLOUD_RUN_MEMORY_GB}Gi" \
    --gpu=1 \
    --gpu-type=nvidia-rtx-pro-6000 \
    --no-gpu-zonal-redundancy \
    --no-cpu-throttling \
    --max-instances ${CLOUD_RUN_MAX_INSTANCES} \
    --concurrency ${CLOUD_RUN_CONCURRENCY} \
    --network ${VPC_NETWORK} \
    --subnet ${VPC_SUBNET} \
    --vpc-egress all-traffic \
    --set-env-vars "MODEL_NAME=${MODEL_NAME}" \
    --set-env-vars "GOOGLE_CLOUD_PROJECT=${GOOGLE_CLOUD_PROJECT}" \
    --set-env-vars "GOOGLE_CLOUD_REGION=${GOOGLE_CLOUD_REGION}" \
    --startup-probe tcpSocket.port=8080,initialDelaySeconds=240,failureThreshold=1,timeoutSeconds=240,periodSeconds=240 \
    --command "bash" \
    --args="^;^-c;${CONTAINER_ARGS_STR}"

10. 测试服务

部署完成后，您可以使用兼容 vLLM OpenAI 的 API 与 Gemma 4 模型互动。

获取服务网址

检索已部署的 Cloud Run 服务的网址。

SERVICE_URL=$(gcloud run services describe $SERVICE_NAME --project "${GOOGLE_CLOUD_PROJECT}" --region "${GOOGLE_CLOUD_REGION}" --format 'value(status.url)')
echo "Service URL: $SERVICE_URL"

运行推理

使用 curl 向模型发送提示。

curl -s "$SERVICE_URL/v1/chat/completions" \
  -H "Authorization: Bearer $(gcloud auth print-identity-token)" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "'"${MODEL_NAME}"'",
  "messages": [
    {"role": "user", "content": "Why is the sky blue?"}
  ],
  "chat_template_kwargs": {
    "enable_thinking": true
  },
  "skip_special_tokens": false
}' | jq -r '.choices[0].message.content'

11. 恭喜！

恭喜您完成此 Codelab！

建议您查看 Cloud Run 文档。

所学内容

• 如何在 Cloud Run RTX 6000 Pro GPU 上部署 Gemma 4 模型
• 如何配置直接 VPC 出站流量和 vLLM 模型流式传输与 Cloud Storage，以加快服务启动速度。

12. 清理

为避免因本教程中使用的资源导致您的 Google Cloud 账号产生费用，您可以删除项目或删除各个资源。

方法 1：删除资源

删除 Cloud Run 服务

gcloud run services delete $SERVICE_NAME \
      --project "${GOOGLE_CLOUD_PROJECT}" \
      --region "${GOOGLE_CLOUD_REGION}"
      --quiet

删除服务账号

gcloud iam service-accounts delete \
      ${SERVICE_ACCOUNT_EMAIL} \
      --project "${GOOGLE_CLOUD_PROJECT}" \
      --quiet

删除 Cloud Storage 存储分区

gcloud storage rm --recursive gs://$MODEL_CACHE_BUCKET

删除 VPC 网络和子网

gcloud compute networks subnets delete $VPC_SUBNET \
    --region "${GOOGLE_CLOUD_REGION}" \
    --project "${GOOGLE_CLOUD_PROJECT}" \
    --quiet

gcloud compute networks delete $VPC_NETWORK \
    --project "${GOOGLE_CLOUD_PROJECT}" \
    --quiet

方法 2：删除项目

如需删除整个项目，请前往管理资源，选择您在第 2 步中创建的项目，然后选择“删除”。如果您删除项目，则需要在 Cloud SDK 中更改项目。您可以运行 gcloud projects list 查看所有可用项目的列表。