Atria Dawn Preview本地部署指南SGLang与vLLM跑通744B MoE的完整配置含FP8量化【免费下载链接】Atria-Dawn-Preview项目地址: https://ai.gitcode.com/InternLM/Atria-Dawn-PreviewAtria Dawn Preview 是上海人工智能实验室推出的 744B MoE 智能体大模型面向科研自动化、代码交付与安全工程等真实生产力场景。本文提供一份完整的本地部署指南带你用 SGLang 和 vLLM 两条路线跑通该模型并覆盖 FP8 量化版本的显存估算与关键参数配置。 认识 Atria Dawn Preview744B MoE 架构速览在动手部署前先花一分钟了解你要部署的是什么。模型核心架构信息可以在 config.json 中查到配置项数值说明总参数规模744BMoE混合专家结构每层路由专家256 个config.jsonn_routed_experts另有 1 个共享专家每 token 激活专家8 个num_experts_per_tok激活参数远小于总参数隐藏层数78 层num_hidden_layers前 3 层为 dense官方支持上下文256K纯文本输入架构类型GlmMoeDsaForCausalLM基于 GLM-5.2 基座训练 MoE 结构意味着模型大但省——推理时每个 token 只激活少数专家这为多卡并行张量并行 TP 专家并行 EP提供了天然的切分方式也是 SGLang / vLLM 能高效跑通它的关键。模型提供两个版本按需选择Atria-Dawn-PreviewBF16 原始精度版353 个权重分片总大小约1403GB见 model.safetensors.index.json 元数据Atria-Dawn-Preview-FP8FP8 量化版体积约为 BF16 版的一半约 700GB推荐多数场景使用️ 部署前硬件准备显存到底需要多大这是新手最常踩的坑。按权重 KV Cache 激活值三部分估算模型版本权重大小最低显存参考推荐配置BF16 版~1403GB≥ 16 × 141GB HBM16 卡 H200 / 双机 8 卡集群FP8 量化版~700GB≥ 8 × 141GB HBM8 卡 H200 或同级 141GB 显存卡三条实用建议新手优先部署 FP8 版本显存压力直接减半且精度损失可控显存紧张时优先降低上下文长度如 256K → 64KKV Cache 是显存大户单卡 80GB 显存跑不动这个级别的模型不要尝试直接按上表规划多卡。 下载模型权重仓库为只读模型仓库使用 Git LFS 克隆即可拿到全部权重git lfs install git clone https://gitcode.com/InternLM/Atria-Dawn-Preview.git如果网络环境受限也可以在国内的 ModelScope 平台搜索Shanghai_AI_Laboratory/Atria-Dawn-PreviewBF16 版或Atria-Dawn-Preview-FP8量化版下载。克隆完成后目录中的 tokenizer.json、tokenizer_config.json 与 353 个model-xxxxx-of-00353.safetensors分片齐全即表示权重完整。⚡ 路线一SGLang 部署 744B MoE版本要求 v0.5.13.post1SGLang 对 MoE 模型的专家并行支持成熟是官方推荐路线之一。以 FP8 版 8 卡为例python -m sglang.launch_server \ --model-path /path/to/Atria-Dawn-Preview-FP8 \ --tp 8 --ep 8 \ --trust-remote-code \ --context-length 262144 \ --mem-fraction-static 0.85关键参数说明--tp 8 --ep 88 路张量并行 8 路专家并行MoE 模型建议两者同开--context-length 262144即 256K 官方上下文显存吃紧可改为65536--mem-fraction-static 0.85预分配给权重与 KV Cache 的显存比例OOM 时调低--trust-remote-codeGlmMoeDsaForCausalLM为自定义架构必须信任仓库内代码。 路线二vLLM 部署与配置版本要求 v0.23.0如果你已有 vLLM 服务栈用vllm serve同样可以跑通vllm serve /path/to/Atria-Dawn-Preview-FP8 \ --tensor-parallel-size 8 \ --enable-expert-parallel \ --max-model-len 262144 \ --trust-remote-code--enable-expert-parallel开启专家并行是 MoE 大模型在 vLLM 上获得高吞吐的关键开关务必开启--max-model-len与 SGLang 的--context-length含义相同按显存灵活调整版本低于 v0.23.0 会因不认识GlmMoeDsaForCausalLM架构而启动失败。 推理参数与思考模式配置服务起来之后还有两处影响体验的配置值得了解1. 采样参数generation_config.json 中官方默认temperature1.0、top_p0.95客户端不传时按此生效。2. 思考模式Thinking该模型内置推理能力chat_template.jinja 支持通过请求参数控制enable_thinking布尔值控制是否开启思考reasoning_effort可传high/max调节推理深度。简单任务如查事实可关闭思考以获得更低延迟复杂多步任务建议保持默认。✅ 部署验证与性能表现服务启动后用一条 OpenAI 兼容请求验证curl http://localhost:30000/v1/chat/completions \ -H Content-Type: application/json \ -d {model: Atria-Dawn-Preview, messages: [{role: user, content: 用一句话介绍你自己}], max_tokens: 512}能收到正常回复即部署成功。⚠️ 注意该模型只接受纯文本输入发送图片等多模态内容会返回400 ... not a multimodal model错误属正常行为而非故障。部署完成后模型的实际能力如何官方在 README_CN.md 中给出了与主流闭源模型的对比评测摘录几个代表性基准本地部署的模型与线上调用能力一致BenchmarkAtria Dawn Preview参考值SWE-bench Pro软件工程59.660 属第一梯队Terminal-Bench 2.1终端操作78.3超过多数同级模型DeepSearchQA深度检索96.0显著领先AutomationBench智能体自动化53.8全场最高完整榜单可参考 README_CN.md 中的性能评估一节。❓ 常见问题速查FAQQ1启动时 CUDA OOM按顺序尝试换 FP8 版本 → 降低--context-length/--max-model-len→ 调低--mem-fraction-static→ 增加卡数。Q2报架构不识别 / 启动即崩溃大概率是推理框架版本过低。SGLang 需 ≥ v0.5.13.post1vLLM 需 ≥ v0.23.0这是支持GlmMoeDsaForCausalLM的最低版本。Q3权重加载不完整怎么办核对 model.safetensors.index.json 中的分片清单与目录实际文件是否一致常见原因是 Git LFS 未生效分片文件只有几百字节重新执行git lfs install后git lfs pull。Q4如何关掉思考过程省 token在请求中传enable_thinking: false模板会跳过推理块直接输出答案见 chat_template.jinja。小结Atria Dawn Preview 的本地部署可以归纳为四步选 FP8 版本 → 备齐 8 卡 141GB 显存 → SGLang 或 vLLM 一条命令拉起 → curl 验证。把--tp/--ep、上下文长度和--trust-remote-code这三个关键配置项设对744B MoE 大模型在你自己的机房里就会开始稳定吐字。祝你部署顺利 【免费下载链接】Atria-Dawn-Preview项目地址: https://ai.gitcode.com/InternLM/Atria-Dawn-Preview创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
