在某些场景下，您可能需要将多个模型推理任务共享在同一块GPU以提高GPU的利用率。本文以模型类型为Qwen1.5-0.5B-Chat，GPU类型为V100卡为例，演示如何使用KServe部署GPU共享的模型推理服务。
前提条件
已创建托管GPU集群或专有GPU集群，且集群版本需为1.22及以上，并指定CUDA版本为12.0及以上。具体操作，请参见创建GPU集群或创建专有GPU集群。
建议GPU节点使用525版本驱动，您可以通过为GPU节点池添加标签
ack.aliyun.com/nvidia-driver-version:525.105.17指定驱动版本为525.105.17。具体操作，请参见通过指定版本号自定义节点GPU驱动版本。已共享GPU调度组件，并开启GPU共享调度能力。
已安装Arena客户端，且版本不低于0.9.15。具体操作，请参见配置Arena客户端。
已安装cert-manager和ack-kserve️组件，且ack-kserve️组件的部署模式为Raw Deployment。
步骤一：准备模型数据
您可以使用OSS或NAS准备模型数据，具体操作，请参见使用OSS静态存储卷、使用NAS静态存储卷。本文以OSS为例说明如何准备模型数据。
下载模型。本文以Qwen1.5-0.5B-Chat模型为例。
git lfs install GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/Qwen/Qwen1.5-0.5B-Chat.git cd Qwen1.5-0.5B-Chat.git git lfs pull将下载的Qwen1.5-0.5B-Chat文件上传至OSS。
说明关于ossutil工具的安装和使用方法，请参见安装ossutil。
ossutil mkdir oss://<your-bucket-name>/models/Qwen1.5-0.5B-Chat ossutil cp -r ./Qwen1.5-0.5B-Chat oss://<your-bucket-name>/models/Qwen1.5-0.5B-Chat为目标集群配置名为llm-model的存储卷PV和存储声明PVC。
以下为示例PV的基本配置信息：
配置项
说明
存储卷类型
OSS
名称
llm-model
访问证书
配置用于访问OSS的AccessKey ID和AccessKey Secret。
Bucket ID
选择上一步所创建的OSS Bucket。
OSS Path
选择模型所在的路径，如/Qwen1.5-0.5B-Chat。
以下为示例PVC的基本配置信息：
配置项
说明
存储声明类型
OSS
名称
llm-model
分配模式
选择已有存储卷。
已有存储卷
单击选择已有存储卷链接，选择已创建的存储卷PV。
步骤二：部署推理服务
启动两个Qwen推理服务，每个推理服务需使用6 GB显存。
启动第二个Qwen推理服务时，只需要执行相同命令并将--name=qwen1改为--name=qwen2即可。
arena serve kserve \
--name=qwen1 \
--image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/vllm:0.4.1 \
--gpumemory=6 \
--cpu=3 \
--memory=8Gi \
--data="llm-model:/mnt/models/Qwen1.5-0.5B-Chat" \
"python3 -m vllm.entrypoints.openai.api_server --port 8080 --trust-remote-code --served-model-name qwen --model /mnt/models/Qwen1.5-0.5B-Chat --dtype=half --max-model-len=4096"参数说明如下所示：
参数 | 是否必选 | 说明 |
--name | 是 | 提交的推理服务名称，全局唯一。 |
--image | 是 | 推理服务的镜像地址。 |
--gpumemory | 否 | 申请显存大小（如 |
--cpu | 否 | 推理服务需要使用的CPU数。 |
--memory | 否 | 推理服务需要使用的内存数。 |
--data | 否 | 推理服务的模型地址，本文指定模型的存储卷为 |
步骤三：验证推理服务
查看两个Qwen推理服务部署情况。
kubectl get pod -owide |grep qwen预期输出：
qwen1-predictor-856568bdcf-5pfdq 1/1 Running 0 7m10s 10.130.XX.XX cn-beijing.172.16.XX.XX <none> <none> qwen2-predictor-6b477b587d-dpdnj 1/1 Running 0 4m3s 10.130.XX.XX cn-beijing.172.16.XX.XX <none> <none>可以看到，qwen1和qwen2被成功部署到同一个GPU节点
cn-beijing.172.16.XX.XX上。分别执行以下两条命令，进入两个推理服务所在的Pod中，查看Pod所分配的GPU显存大小。
kubectl exec -it qwen1-predictor-856568bdcf-5pfdq -- nvidia-smi # 进入第一个推理服务所在的pod。 kubectl exec -it qwen2-predictor-6b477b587d-dpdnj -- nvidia-smi # 进入第二个推理服务所在的pod。预期输出：
输出结果表明，两个Pod的显存上限均为6 GB，表明每个Pod分配了6 GB的显存。可以判断出节点GPU显存已被成功分配给了这两个推理服务所在的Pod。
获取到的Nginx Ingress网关地址访问推理服务。
curl -H "Host: $(kubectl get inferenceservice qwen1 -o jsonpath='{.status.url}' | cut -d "/" -f 3)" \ -H "Content-Type: application/json" \ http://$(kubectl -n kube-system get svc nginx-ingress-lb -ojsonpath='{.status.loadBalancer.ingress[0].ip}'):80/v1/chat/completions \ -d '{ "model": "qwen", "messages": [{"role": "user", "content": "测试一下"}], "max_tokens": 10, "temperature": 0.7, "top_p": 0.9, "seed": 10 }'预期输出：
{"id":"cmpl-bbca59499ab244e1aabfe2c354bf6ad5","object":"chat.completion","created":1719303373,"model":"qwen","choices":[{"index":0,"message":{"role":"assistant","content":"好的，请问您需要测试什么内容呢？"},"logprobs":null,"finish_reason":"length","stop_reason":null}],"usage":{"prompt_tokens":21,"total_tokens":31,"completion_tokens":10}}输出结果表明模型可以根据给定的输入（在这个例子中是一条测试消息）生成相应的回复。
（可选）步骤四：清理环境
如果不再使用已创建的资源，请及时清理。
执行以下命令，删除已部署的模型推理服务。
arena serve delete qwen1 arena serve delete qwen2执行以下命令，删除已创建的PV和PVC。
kubectl delete pvc llm-model kubectl delete pv llm-model