MindIE Motor服务化部署后推理性能异常，吞吐量远低于预期

各位昇腾社区的大佬们好，最近在尝试使用MindIE Motor部署一个中文大模型进行服务化推理，遇到了一个比较棘手的问题，想请教一下大家。

环境配置：

• 硬件：Atlas 800 IA2服务器，8张NPU卡

• 软件：MindIE 2.3.0，Python 3.10，PyTorch 2.1.0

• 模型：Qwen2.5-32B-Instruct（已转换为昇腾格式）

问题描述：

按照官方文档完成了MindIE Motor的服务化部署，服务能够正常启动，模型也能成功加载。但是进行压力测试时发现，推理吞吐量远低于预期值。具体表现为：

1. 单请求延迟正常（约200ms），但并发请求数超过5个后，整体吞吐量基本不再增长

2. 查看NPU利用率，发现只有30-40%，明显没有充分利用硬件资源

3. 服务日志中出现间歇性的“请求排队超时”警告

已尝试的排查步骤：

1. 检查了模型配置文件和权重文件权限（已设置为640）

2. 调整了batch_size参数，从1调到8，效果不明显

3. 尝试了不同的worker数量配置（2、4、8个worker）

4. 检查了网络连接，节点间ping延迟正常

怀疑可能的原因：

1. 环境变量配置不当：NPU_MEMORY_FRACTION、HCCL相关变量等可能没有优化

2. 服务化配置参数需要进一步调优

3. 模型本身在昇腾硬件上的适配问题

具体疑问：

1. 在8卡配置下，针对Qwen2.5-32B这样的模型，有哪些关键的环境变量需要特别设置？

2. MindIE Motor的并发调度机制是怎样的？如何配置才能最大化利用多卡资源？

3. 是否有针对类似规模模型的服务化部署最佳实践或性能调优指南？

补充信息：

• 使用的是官方提供的docker镜像