FastDeploy/docs/zh/best_practices/PaddleOCR-VL-0.9B.md

English

PaddleOCR-VL-0.9B

一、环境准备

1.1 支持情况

推荐硬件配置：

• 显存：8GB显存及以上
• 共享内存：4G及以上

1.2 安装fastdeploy

安装流程参考文档 FastDeploy GPU 安装

二、如何使用

2.1 基础：启动服务

示例1： 3060上单卡部署16K上下文的服务

python -m fastdeploy.entrypoints.openai.api_server \
    --model PaddlePaddle/PaddleOCR-VL \
    --port 8185 \
    --metrics-port 8186 \
    --engine-worker-queue-port 8187 \
    --max-model-len 16384 \
    --max-num-batched-tokens 16384 \
    --gpu-memory-utilization 0.8 \
    --max-num-seqs 128

示例2： 4090上单卡部署16K上下文的服务

python -m fastdeploy.entrypoints.openai.api_server \
    --model PaddlePaddle/PaddleOCR-VL \
    --port 8185 \
    --metrics-port 8186 \
    --engine-worker-queue-port 8187 \
    --max-model-len 16384 \
    --max-num-batched-tokens 16384 \
    --gpu-memory-utilization 0.7 \
    --max-num-seqs 256

示例3： A100上单卡部署16K上下文的服务

python -m fastdeploy.entrypoints.openai.api_server \
    --model PaddlePaddle/PaddleOCR-VL \
    --port 8185 \
    --metrics-port 8186 \
    --engine-worker-queue-port 8187 \
    --max-model-len 16384 \
    --max-num-batched-tokens 16384 \
    --gpu-memory-utilization 0.7 \
    --max-num-seqs 256

示例是可以稳定运行的一组配置，同时也能得到比较好的性能。 如果对精度、性能有进一步的要求，请继续阅读下面的内容。

2.2 进阶：如何获取更优性能

2.2.1 评估应用场景，正确设置参数

上下文长度

• 参数： --max-model-len

• 描述： 控制模型可处理的最大上下文长度。

• 推荐： 更长的上下文会导致吞吐降低，根据实际情况设置，PaddleOCR-VL-0.9B最长支持16k（16,384）长度的上下文。

  ⚠️ 注：更长的上下文会显著增加GPU显存需求，设置更长的上下文之前确保硬件资源是满足的。

最大序列数量

• 参数： --max-num-seqs
• 描述： 控制服务可以处理的最大序列数量，支持1～256。
• 推荐： 如果您不知道实际应用场景中请求的平均序列数量是多少，并且显存充足，我们建议设置为256。如果您的应用场景中请求的平均序列数量明显少于256，或者显存资源紧张，我们建议设置为一个略大于平均值的较小值，以进一步降低显存占用，优化服务性能。

初始化时可用的显存比例

• 参数： --gpu-memory-utilization
• 用处： 用于控制 FastDeploy 初始化服务的可用显存，默认0.9，即预留10%的显存备用。
• 推荐： 推荐使用0.7。如果服务压测时提示显存不足，可以尝试调低该值。

2.2.2 Chunked Prefill

• 参数： --max-num-batched-tokens
• 用处： chunked prefill中限制每个chunk的最大token数量。
• 推荐： 我们推荐设置为16384，即关闭chunked prefill。

2.2.3 可调整的环境变量

Flash Attention 3：FLAGS_flash_attn_version=3

• 描述：开启 Flash Attention 3 算法。该功能仅支持H卡（Hopper架构，如H800）和B卡（Blackwell架构，如B200）等最新一代 NVIDIA GPU。
• 推荐：在支持该功能的硬件上，Flash Attention 3 能带来显著的性能提升且通常不影响模型精度，强烈推荐启用。

拒绝采样：FD_SAMPLING_CLASS=rejection

• 描述：拒绝采样即从一个易于采样的提议分布（proposal distribution）中生成样本，避免显式排序从而达到提升采样速度的效果，可以提升推理性能。
• 推荐：这是一种影响效果的较为激进的优化策略，我们还在全面验证影响。如果对性能有较高要求，也可以接受对效果的影响时可以尝试开启。

三、常见问题FAQ

3.1 显存不足(OOM)

如果服务启动时提示显存不足，请尝试以下方法：

1. 确保无其他进程占用显卡显存；
2. 酌情降低上下文长度和最大序列数量。

如果可以服务可以正常启动，运行时提示显存不足，请尝试以下方法：

1. 酌情降低初始化时可用的显存比例，即调整参数 --gpu-memory-utilization 的值。