docs/vllm_deploy_guide_cn.md

MiniMax M2 模型 vLLM 部署指南

英文版 | 中文版

我们推荐使用 vLLM 来部署 MiniMax-M2 模型。vLLM 是一个高性能的推理引擎，其具有卓越的服务吞吐、高效智能的内存管理机制、强大的批量请求处理能力、深度优化的底层性能等特性。我们建议在部署之前查看 vLLM 的官方文档以检查硬件兼容性。

本文档适用模型

本文档适用以下模型，只需在部署时修改模型名称即可。

• MiniMaxAI/MiniMax-M2

以下以 MiniMax-M2 为例说明部署流程。

环境要求

• OS：Linux

• Python：3.9 - 3.12

• GPU：

  • compute capability 7.0 or higher

  • 显存需求：权重需要 220 GB，每 1M 上下文 token 需要 240 GB

以下为推荐配置，实际需求请根据业务场景调整：

• 96G x4 GPU：支持 40 万 token 的总上下文。

• 144G x8 GPU：支持长达 300 万 token 的总上下文。

使用 Python 部署

建议使用虚拟环境（如 venv、conda、uv）以避免依赖冲突。

建议在全新的 Python 环境中安装 vLLM：

uv pip install 'triton-kernels @ git+https://github.com/triton-lang/triton.git@v3.5.0#subdirectory=python/triton_kernels'  vllm --extra-index-url https://wheels.vllm.ai/nightly --prerelease=allow

运行如下命令启动 vLLM 服务器，vLLM 会自动从 Huggingface 下载并缓存 MiniMax-M2 模型。

4 卡部署命令：

SAFETENSORS_FAST_GPU=1 vllm serve \
    MiniMaxAI/MiniMax-M2 --trust-remote-code \
    --tensor-parallel-size 4 \
    --enable-auto-tool-choice --tool-call-parser minimax_m2 \
    --reasoning-parser minimax_m2_append_think

8 卡部署命令：

SAFETENSORS_FAST_GPU=1 vllm serve \
    MiniMaxAI/MiniMax-M2 --trust-remote-code \
    --enable_expert_parallel --tensor-parallel-size 8 \
    --enable-auto-tool-choice --tool-call-parser minimax_m2 \
    --reasoning-parser minimax_m2_append_think 

测试部署

启动后，可以通过如下命令测试 vLLM OpenAI 兼容接口：

curl http://localhost:8000/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "MiniMaxAI/MiniMax-M2",
        "messages": [
            {"role": "system", "content": [{"type": "text", "text": "You are a helpful assistant."}]},
            {"role": "user", "content": [{"type": "text", "text": "Who won the world series in 2020?"}]}
        ]
    }'

常见问题

Huggingface 网络问题

如果遇到网络问题，可以设置代理后再进行拉取。

export HF_ENDPOINT=https://hf-mirror.com

MiniMax-M2 model is not currently supported

该 vLLM 版本过旧，请升级到最新版本。

torch.AcceleratorError: CUDA error: an illegal memory access was encountered

在启动参数添加 --compilation-config "{\"cudagraph_mode\": \"PIECEWISE\"}" 可以解决。例如：

SAFETENSORS_FAST_GPU=1 vllm serve \
    MiniMaxAI/MiniMax-M2 --trust-remote-code \
    --enable_expert_parallel --tensor-parallel-size 8 \
    --enable-auto-tool-choice --tool-call-parser minimax_m2 \
    --reasoning-parser minimax_m2_append_think \
    --compilation-config "{\"cudagraph_mode\": \"PIECEWISE\"}"

获取支持

如果在部署 MiniMax 模型过程中遇到任何问题：

• 通过邮箱 model@minimax.io 等官方渠道联系我们的技术支持团队

• 在我们的 GitHub 仓库提交 Issue 我们会持续优化模型的部署体验，欢迎反馈！