9月12日，阿里云通义团队宣布推出其下一代基础模型架构 Qwen3-Next，并开源了基于该架构的 Qwen3-Next-80B-A3B 系列模型，包括：Qwen3-Next-80B-A3B-Instruct和Qwen3-Next-80B-A3B-Thinking。相较于 Qwen3 MoE，Qwen3-Next 采用全新的模型架构：混合架构创新、极致稀疏MoE、更稳的训练以及多token预测机制（MTP），进一步提升了模型在长上下文和大规模总参数场景下的训练和推理效率。

vLLM是PyTorch Foundation下的开源LLM推理引擎，为用户和开发者提供快速、易用的LLM推理能力。vLLM 社区在9月15日发布了 vLLM Ascend v0.10.2rc1版本，提供了昇腾对 Qwen3-Next 的支持。本指南将帮助你使用 vLLM Ascend在昇腾上运行 Qwen3-Next。

基于昇腾快速上手Qwen3-Next模型

本指南将采用 vLLM Ascend 的镜像的方式，在昇腾上运行Qwen3-Next：

步骤1：在拉起容器镜像前，请先确保昇腾驱动已经正常安装，可使用 npu-smi info 命令进行查看。

步骤2：使用如下命令拉起 vLLM Ascend 容器镜像：

# Update the vllm-ascend image
export IMAGE=quay.io/ascend/vllm-ascend:v0.10.2rc1
docker run --rm \
--name vllm-ascend \
--device /dev/davinci0 \
--device /dev/davinci1 \
--device /dev/davinci2 \
--device /dev/davinci3 \
--device /dev/davinci_manager \
--device /dev/devmm_svm \
--device /dev/hisi_hdc \
-v /usr/local/dcmi:/usr/local/dcmi \
-v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
-v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
-v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
-v /etc/ascend_install.info:/etc/ascend_install.info \
-v /root/.cache:/root/.cache \
-p 8000:8000 \
-it $IMAGE bash

步骤3：准备运行环境

在容器内安装毕昇编译器及Triton Ascend。

# Install Bisheng compiler
wget https://vllm-ascend.obs.cn-north-4.myhuaweicloud.com/vllm-ascend/Ascend-BiSheng-toolkit_aarch64.run
chmod a+x Ascend-BiSheng-toolkit_aarch64.run
./Ascend-BiSheng-toolkit_aarch64.run --install
source /usr/local/Ascend/8.3.RC1/bisheng_toolkit/set_env.sh
 
# Install Triton Ascend
wget https://vllm-ascend.obs.cn-north-4.myhuaweicloud.com/vllm-ascend/triton_ascend-3.2.0.dev20250914-cp311-cp311-manylinux_2_27_aarch64.manylinux_2_28_aarch64.whl
pip install triton_ascend-3.2.0.dev20250914-cp311-cp311-manylinux_2_27_aarch64.manylinux_2_28_aarch64.whl

步骤4：部署推理服务

进入容器环境后，可通过 vllm serve 命令启动在线推理服务，模型下载需要很长时间，国内用户建议配置 VLLM_USE_MODELSCOPE 环境变量加速模型下载速度。

# 使用 VLLM_USE_MODELSCOPE 提高模型下载速度
export VLLM_USE_MODELSCOPE=true
 
# Qwen3-Next 目前发布了两个 80B 的模型
# Qwen3-Next-80B-A3B-Thinking
# Qwen3-Next-80B-A3B-Instruct
 
# 启动在线推理服务
vllm serve Qwen/Qwen3-Next-80B-A3B-Instruct --tensor-parallel-size 4 --enforce-eager
 
# 使用 curl 访问推理服务
curl http://localhost:8000/v1/completions \
-H "Content-Type: application/json" \
-d '{"model": "Qwen/Qwen3-Next-80B-A3B-Instruct ", "prompt": "The future of AI is", "max_tokens": 5,  "temperature": 0}' | python3 -m json.tool

除了在线推理， vLLM Ascend 也支持部署离线推理服务，示例代码（example.py）如下：

import gc
import torch
 
from vllm import LLM, SamplingParams
from vllm.distributed.parallel_state import (destroy_distributed_environment,
                                             destroy_model_parallel)
 
def clean_up():
    destroy_model_parallel()
    destroy_distributed_environment()
    gc.collect()
    torch.npu.empty_cache()
 
if __name__ == '__main__':
    prompts = [
        "Who are you?",
    ]
    sampling_params = SamplingParams(temperature=0.6, top_p=0.95, top_k=40, max_tokens=32)
    llm = LLM(model="Qwen/Qwen3-Next-80B-A3B-Instruct",
              tensor_parallel_size=4,
              enforce_eager=True,
              distributed_executor_backend="mp",
              max_model_len=4096)
 
    outputs = llm.generate(prompts, sampling_params)
    for output in outputs:
        prompt = output.prompt
        generated_text = output.outputs[0].text
        print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")
 
    del llm
    clean_up()

运行example脚本，即可验证离线推理：

# 使用 VLLM_USE_MODELSCOPE 提交模型下载速度
export VLLM_USE_MODELSCOPE=true
python example.py

相关链接

* 项目仓库：https://github.com/vllm-project/vllm-ascend

* 文档链接：https://vllm-ascend.readthedocs.io

* 问题反馈：https://github.com/vllm-project/vllm-ascend/issues

* 教程指引：https://vllm-ascend.readthedocs.io/en/latest/tutorials