从0到1：Qwen-1.8B-Chat 在昇腾Atlas 800T A2上的部署与实战指南前言

随着国产算力生态的日益成熟，以及昇腾 NPU 在大模型领域的广泛应用，我决定将一个常用的开源对话模型——Qwen-1.8B-Chat 部署到昇腾Atlas 800T A2算力卡上，完整体验一次“原生 PyTorch 代码”向“NPU 环境”的迁移过程。整个过程远比想象中要简单且流畅。本文将整理出这份面向初学者的完整部署实战指南，带你避开常见陷阱，实现模型在国产算力上的成功运行。

一、环境准备与检查

本次部署选用的是云端 Notebook 环境，它提供了一个配置好的昇腾 NPU 运行环境，让开发者可以跳过复杂的驱动和系统配置步骤，直接进入模型实战。

• 运行平台：GitCode 云端 Notebook
• 算力规格：NPU Basic（1 * Ascend 910B NPU 卡，16vCPU，32GB 内存）
• 基础镜像：Ubuntu 22.04 + Python 3.11 + CANN 8.2（建议使用 CANN 8.0 及以上版本，以获得更完善的算子支持和性能表现）

完成以上步骤后我们就已经进入NoteBook里面了，先别急着操作，我们打开终端输入指令来看看，进入 Notebook 之后，可以先在 Terminal 中执行：

npu-smi info

执行结果应显示 NPU 卡的相关信息，例如运行状态、温度等，确认环境准备就绪。

二、依赖安装与模型下载

2.1 依赖的安装

为了在 PyTorch 环境中支持昇腾 NPU 的算子和运行时，我们需要安装 torch_npu 库。同时，为了解决 Hugging Face (HF) 下载慢、不稳定的问题，我们选用ModelScope（魔搭社区）提供的 SDK 进行模型高速下载。
在 Notebook 中执行以下命令快速安装所需依赖：

# 安装 PyTorch NPU 适配库
pip install torch_npu
# 安装模型下载和推理所需库
pip install transformers accelerate modelscope

2.2 模型的下载

我们选择 Qwen-1.8B-Chat 模型，其参数量较小，下载速度快，非常适合作为入门测试。
在 Notebook 的 .ipynb 文件中，输入并执行以下 Python 代码进行下载：

from modelscope import snapshot_download

# 指定下载目录为当前文件夹下的 models 目录
print("正在从 ModelScope 下载 Qwen-1.8B-Chat 模型...")
model_dir = snapshot_download('qwen/Qwen-1_8B-Chat', cache_dir='./models')

print(f"模型已下载至: {model_dir}")

等待几分钟，当输出显示模型路径时，即代表下载完成。模型文件会存储在项目根目录的 ./models/qwen/Qwen-1_8B-Chat 路径下。

三、核心代码实战：NPU 适配与对话推理

下面是实现 Qwen-1.8B-Chat 多轮对话推理的核心代码，其中包含了 NPU 适配的关键步骤和线程限制，以确保模型稳定运行。

import os
import torch
import torch_npu  # 必须导入，用于激活 NPU 后端
from transformers import AutoTokenizer, AutoModelForCausalLM
import time

# ========== 关键配置：线程限制（必加，避免 OpenBLAS 线程冲突报错） ==========
os.environ["OPENBLAS_DISABLE"] = "1"
os.environ["OPENBLAS_NUM_THREADS"] = "1"
os.environ["OMP_NUM_THREADS"] = "1"

# --- 基础配置 ---
# 请确保该路径与您的模型下载路径一致
MODEL_PATH = "./models/qwen/Qwen-1_8B-Chat" 
# 指定使用第 0 块 NPU 卡
DEVICE = "npu:0" 


def run_chat_demo():
    print(f"[*] 正在加载模型到 {DEVICE} 中...")
    
    # 1. 加载 Tokenizer
    tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH, trust_remote_code=True)
    
    # 2. 加载模型（NPU 适配核心）
    model = AutoModelForCausalLM.from_pretrained(
        MODEL_PATH,
        # 建议使用 torch.bfloat16 (如果 NPU 支持)，否则使用 torch.float16
        # 如果模型是 Qwen 1.5 系列，可能需要调整 dtype
        torch_dtype=torch.float16, 
        device_map=DEVICE,  # NPU 适配关键
        trust_remote_code=True
    )
    
    # 3. 多轮对话逻辑（使用 model.chat() API）
    print("===== Qwen-1.8B-Chat 简单对话测试（输入 '退出' 结束）=====\n")
    # history 格式变为 (query, response) 的元组列表
    history = []
    
    while True:
        try:
            user_input = input("你：")
            if user_input.strip() == "退出":
                print("Qwen：期待下次与你交流！")
                break
            
            # 模型生成回复
            start_time = time.time()
            
            # **关键修改：添加 use_cache=False**
            # 禁用 KV Cache 以避免在特定 NPU 环境下 past_key_values 为 None 的错误
            response, history = model.chat(
                tokenizer, 
                user_input, 
                history=history, # 传入历史记录
                do_sample=True,
                max_new_tokens=200,
                temperature=0.7,
                use_cache=False # <--- 关键修复参数
            )
            
            end_time = time.time()
            
            # 打印回复
            print(f"Qwen：{response.strip()} (耗时：{end_time - start_time:.2f}秒)\n")
            
        except Exception as e:
            print(f"\n[错误] 发生异常: {e}")
            print("请检查模型和依赖版本，或尝试重启程序。")
            break
            
    # 释放 NPU 显存
    torch.npu.empty_cache()

if __name__ == "__main__":
    # 确保模型下载和依赖已安装：
    # pip install torch_npu transformers accelerate modelscope
    # pip install transformers_stream_generator tiktoken
    
    # 检查 torch_npu 是否可用
    if not torch.npu.is_available():
        print("错误: NPU 设备不可用或 torch_npu 未正确安装/配置。")
    else:
        run_chat_demo()

NPU 负载查看
在模型加载并开始对话推理时，您可以打开终端，执行 watch -n 1 npu-smi info 实时监控 NPU 负载。
在云端容器环境下，Memory-Usage 指标可能因透传机制显示为 0，这属于正常现象。真正需要关注的核心指标是：

• HBM-Usage (高带宽内存占用)： 反映模型加载后占用的显存大小。
• AICore Utilization (AICore 利用率)： 推理时此指标应明显提升，说明昇腾计算核心正在高效运行。

最终，模型成功完成多轮自然对话交互，验证了 Qwen-1.8B-Chat + Atlas 800T A2组合在对话类场景下的可用性与流畅性。

四、常见问题与解决方法

问题1：模型下载异常、速度慢或中断

原因：HuggingFace 下载链路不稳定，无法高效获取模型文件，需切换至 ModelScope（魔搭社区）Python SDK 完成模型高速下载，规避网络卡顿，中断风险。

问题2：昇腾 NPU环境下运行 Qwen-1.8B-Chat 模型兼容问题

The attention mask is not set and cannot be inferred from input because pad token is same as eos token. As a consequence, you may observe unexpected behavior. Please pass your input's `attention_mask` to obtain reliable results.

Traceback (most recent call last):

  File "/opt/huawei/edu-apaas/src/init/test.py", line 71, in <module>

    run_chat_demo()

  File "/opt/huawei/edu-apaas/src/init/test.py", line 50, in run_chat_demo

    response, history = model.chat(

                        ^^^^^^^^^^^

  File "/home/service/.cache/huggingface/modules/transformers_modules/Qwen-1_8B-Chat/modeling_qwen.py", line 1139, in chat

    outputs = self.generate(

              ^^^^^^^^^^^^^^

  File "/home/service/.cache/huggingface/modules/transformers_modules/Qwen-1_8B-Chat/modeling_qwen.py", line 1261, in generate

    return super().generate(

           ^^^^^^^^^^^^^^^^^

  File "/home/service/.local/lib/python3.11/site-packages/torch/utils/_contextlib.py", line 116, in decorate_context

    return func(*args, **kwargs)

           ^^^^^^^^^^^^^^^^^^^^^

  File "/home/service/.local/lib/python3.11/site-packages/transformers/generation/utils.py", line 2539, in generate

    result = self._sample(

             ^^^^^^^^^^^^^

  File "/home/service/.local/lib/python3.11/site-packages/transformers/generation/utils.py", line 2867, in _sample

    outputs = self(**model_inputs, return_dict=True)

              ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

  File "/home/service/.local/lib/python3.11/site-packages/torch/nn/modules/module.py", line 1739, in _wrapped_call_impl

    return self._call_impl(*args, **kwargs)

           ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

  File "/home/service/.local/lib/python3.11/site-packages/torch/nn/modules/module.py", line 1750, in _call_impl

    return forward_call(*args, **kwargs)

           ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

  File "/home/service/.cache/huggingface/modules/transformers_modules/Qwen-1_8B-Chat/modeling_qwen.py", line 1045, in forward

    transformer_outputs = self.transformer(

                          ^^^^^^^^^^^^^^^^^

  File "/home/service/.local/lib/python3.11/site-packages/torch/nn/modules/module.py", line 1739, in _wrapped_call_impl

    return self._call_impl(*args, **kwargs)

           ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

  File "/home/service/.local/lib/python3.11/site-packages/torch/nn/modules/module.py", line 1750, in _call_impl

    return forward_call(*args, **kwargs)

           ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

  File "/home/service/.cache/huggingface/modules/transformers_modules/Qwen-1_8B-Chat/modeling_qwen.py", line 802, in forward

    past_length = past_key_values[0][0].size(-2)

                  ^^^^^^^^^^^^^^^^^^^^^^^^^^

AttributeError: 'NoneType' object has no attribute 'size'

[ERROR] 2025-12-12-00:22:38 (PID:2805, Device:0, RankID:-1) ERR99999 UNKNOWN applicaiton exception

原因：该错误发生在模型尝试利用 KV Cache（Key-Value Cache，用于加速生成过程）时。

1. 在生成第一个 token 时，或者当 past_key_values 应该被初始化时，模型期望它是一个包含张量（Tensor）的结构。
2. 但在NPU (昇腾) 环境下，由于 torch_npu、Qwen 模型代码或 Hugging Face generate 内部对 device_map=“npu:0” 的兼容性问题，模型收到的 past_key_values 变量是 None。
3. 当代码试图访问 None 对象的属性（如 past_key_values[0] 或 size()）时，就会抛出 AttributeError: ‘NoneType’ object has no attribute ‘size’。

解决办法：
最直接的解决方案是禁用 KV Cache，迫使模型在每次生成时重新计算所有历史信息，从而绕过这个与 NPU 相关的缓存管理错误。
因为它避免了 past_key_values 的内部管理。在 model.chat() 中添加 use_cache=False 参数。

问题3：上面的脚本代码vLLM 和 vLLM-Ascend 对 Qwen 已经支持得非常出色，为什么用官方的 transformers 加载逻辑反而会报错？

原因：因为目前的脚本走的是“原生 Transformers 适配路经”，而不是 vLLM 推理架构。 这两者的底层执行逻辑是完全不同的。
为什么 vLLM 没问题，但你的脚本报错？

• vLLM 的做法： vLLM（及 vLLM-Ascend）重写了整个模型的执行图。它不使用 modeling_qwen.py 里的 forward 函数，而是使用自己编写的 PagedAttention 算子和专用的 NPU 算子库。它绕过了原生模型代码中复杂的 Python 逻辑和 KV Cache 拼接。
• 问题二中脚本的做法： trust_remote_code=True。这会从模型权重目录中加载 modeling_qwen.py。这个文件是为标准 PyTorch 设计的，它在处理 KV Cache (past_key_values) 时，有一段逻辑是： past_length = past_key_values[0][0].size(-2)

报错原因： 在 NPU 环境下，使用原生 transformers 的 generate 循环时，由于某些算子在 NPU 上的延迟初始化或 torch_npu 对特定元组结构的返回处理不一致，导致进入 forward 时 past_key_values 虽然存在，但其内部的 Tensor 可能是 None 或者整个结构未被正确识别。

五、实战部署总结

这次 Qwen-1.8B-Chat 在昇腾Atlas 800T A2 上的部署实战，让我感受到了当前国产算力生态在易用性上的巨大进步。

5.1 实战体会

原生 PyTorch 兼容性达到新高度： 最令人惊喜的是，核心的模型加载和推理流程（from_pretrained、torch_dtype、device_map）与 GPU 环境几乎完全一致，仅需导入 torch_npu 并指定 npu:0。这表明昇腾 NPU 对 PyTorch 生态的适配已非常成熟，极大地降低了模型迁移的成本。
算力释放高效且稳定： 针对 1.8B 这种小模型，NPU 能够迅速将 AICore 利用率拉满。在 FP16 精度下，推理速度极快，且过程中没有观察到性能波动或卡顿。这验证了昇腾 NPU 架构对于稀疏计算和并行推理的优化效果。
国产模型的特殊兼容性需重视： 虽然 NPU 适配已成熟，但 Qwen 这种优秀国产模型带来的问题，往往出在模型本身的定制 API 上。通过这次排错，我意识到对于非标准 Hugging Face 模型的部署，应优先考虑使用其官方推荐的 model.chat() 等高级 API，以确保所有底层逻辑（如 KV Cache）都能被正确激活。

5.2 部署方案要点总结

环境先行： 优先选用 CANN 8.0 及以上版本的基础镜像，它是保证算子兼容性和高性能的基石。
依赖全覆盖： 除了基础的 torch_npu，务必检查模型（如 Qwen）特有的依赖，避免因小失大。
核心适配极简： import torch_npu + device_map=“npu:0” + torch_dtype=torch.float16。
避免线程冲突： 务必设置 OpenBLAS 相关的环境变量，这是容器环境下稳定运行的关键保障。
API 选型： 对于具有自定义 chat 或 pipeline 方法的 LLM，优先使用这些官方 API 进行多轮对话，以避免底层 KV Cache 管理引发的错误。

通过这次实践，我深刻体会到，现在在国产 NPU 上部署主流开源大模型已经不再是一项复杂的挑战，而是一个开箱即用、体验流畅的工程实践。