สวัสดีครับเหล่าสาวกชานม

ก่อนอื่นเลยผมจบ AI Engineer ก็จริงแต่ผมยังเป็นมือใหม่ของ LLM Inference มากๆ โพสต์นี้ผมจะไม่ลงลึกใด ๆ ทั้งสิ้นเพราะผมเองก็มือใหม่ (ไม่ต้องพูดถึง LLM Gateway หรือ LM Cache เลย) ฮา! ส่วนที่มาของโพสต์ผมแค่ตื่นเต้นที่ได้ลองแงะเล่นเจ้านี้เฉย ๆ 😅

ด้วยโอกาสอันดีนี้จึงมีโอกาสได้ลองเจ้า ASUS Pro ET900N G3 (NVIDIA® GB300 Grace Blackwell) แน่นอนว่ามันค่อนข้าง Crazy! เลยหล่ะครับกับ Specs ที่ได้มา

รายละเอียด

• GPU: NVIDIA® GB300 Grace Blackwell 20 PFLOPS
• VRAM: ~ 252 GB
• CPU: ARM Neoverse-V2 72 Cores 1 Thread per Core up to 3.366 GHz
• System RAM: ~ 496 GB
• Coherent Pool: ~ 748 GB of Coherent Memory
• Storage: M.2 2280 NVMe PCIe 5.0 SSD, total 8TB

ที่เห็นใช้ไป ~220 GB นั้นคือการ Run Container ของ Qwen3.8-Flash-Next-NVFP4, TyphoonOCR, BGE-M3 ที่พยายามใช้ VRAM เพื่อจองพื้นที่สำหรับ Weight Model และ KV-Cache (รวมถึง MIG)

ลงมือทำกัน

โดยในส่วนนี้จำเป็นต้องเตรียมของไม่กี่อย่าง เพื่อที่เราจำเริ่มต้นทดสอบ Run Dock Container โดยทำการโหลด Docker Image ที่เป็น Weight Model ของ QWEN มาจาก Hugging Face ที่สำคัญมันเป็น Model Open Source ครับ หมายความว่ามันฟรี !!

สิ่งที่ต้องมีก็คือ

• ASUS Expert Center Pro ET900N G3
• Docker
• Hugging Face Account (HF_KEY ยืนยันตัวตนเพื่อให้โหลดไวขึ้น)

วิธีดำเนินการ

1. ตรวจสอบ Docker
   ตรวจสอบว่าในเครื่อง Host หรือ ASUS Expert Center Pro ET900N G3 ได้ลง Docker ไว้ในเครื่องรึยัง

$ docker --version 
# ควรจะได้ผลลัพธ์หน้าตาประมาณนี้ Docker version 29.1.3, build 29.1.3-0ubuntu3~24.04.1

2. เลือก Model และตั้งค่าเบื้องต้น
   เข้าไปยังเว็บ https://recipes.vllm.ai/Qwen/Qwen3.8-Flash-Next แล้วเลือการตั้งค่าที่เหมาะสมกับเครื่องเราให้ได้มากที่สุด โดยเบื้องต้นผมจะกำหนดดังนี้ครับ

# 2.1 ขั้นตอนนี้เป็นการ Run Docker Container ที่ทำการโหลด Weight Model มาจาก Hungging Face ซึ่งใช้เวลานานพอสมควร

$ docker run -d --name vllm-qwen-flash-nvfp4 \
  --gpus all \
  --privileged --ipc=host -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  vllm/vllm-openai:nightly Inferact/Qwen3.8-Flash-Next-NVFP4 \
  --no-enable-flashinfer-autotune \
  --max-num-seqs 32 \
  --gpu-memory-utilization 0.95 \
  --max-num-batched-tokens 8192 \
  --enable-prefix-caching \
  --distributed-executor-backend mp \
  -cc.mode none \
  -cc.cudagraph_mode full_decode_only \
  --tensor-parallel-size 1 \
  --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder \
  --reasoning-parser qwen3

# 2.2 ดู Logs 30 บรรทัดล่าสุด

$ docker logs -f --tail 30 vllm-qwen-nvfp4

3. ตรวจสอบว่าตอนนี้ vLLM ที่รัน QWEN ทำงานรึยัง
   สามารถดูได้จาก Log ดังรูปว่าตอนนี้เซิฟเวอร์ทำงานที่ http://0.0.0.0:8000 แล้วแสดงว่าเซิฟเวอร์ vLLM ของเราพร้อมให้ชำแหละแล้วนั้นเอง หรือทำการทดลองยิงด้วย CURL เข้าไปได้ (บนเครื่อง Host)

# 3.1 CURL สำหรับทดสอบ

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Inferact/Qwen3.8-Flash-Next-NVFP4",
    "messages": [{"role": "user", "content": "Hello"}],
    "max_tokens": 32
  }'

ได้ผลลัพธ์กลับมาว่า "Hello! How can I help you today?" และ LLM ตอบกลับมาได้ตามความคาดหวังก็ใจฟูละครับ

4. ทดสอบ Bench Load Balance (ตัวอย่าง)
   ในเมื่อเราสามารถ Host LLM ได้แล้วสิ่งที่เราต้องดูก็คือ มันสามารถนำไปใช้งานได้จริงใช้ไหมกับ Work-Load ที่จะเจอในสถานการณ์จริง เพราะคงเกิดคำถามกับผู้ใช้งานว่า มันตอบดีไหม ตอบได้เร็วไหม และสามารถใช้งานได้พร้อมกันกี่ Requests แน่นอนว่า vLLM เขาคิดเรื่องนี้มาให้แล้วแต่เราก็ได้แค่ดูคร่าว ๆ นะครับ
   • Generate Token/Sec
   • Generate Token/Req
   • KV Cache Usage (ยังไม่พูดถึงในโพสต์นี้นะครับ) (^^) ปาดเหงื่อ ~

# ทดสอบ Inference โดยใช้ข้อมูลสุ่ม โดยกำหนดให้ Input/Output ไม่เกิน Context Window ที่กำหนดไว้ซึ่งกำหนดไว้ 20 งานให้ยิงทดสอบทีละงาน (ชุดตัวแปรนี้เหมาะสำหรับตรวจสอบว่าต่อ 1 คนใช้งานได้ดีแค่ไหน)

$ docker exec -it vllm-qwen-nvfp4 vllm bench serve \
  --model Inferact/Qwen3.8-Flash-Next-NVFP4 \
  --host 127.0.0.1 \
  --port 8000 \
  --dataset-name random \
  --random-input-len 1024 \
  --random-output-len 512 \
  --num-prompts 20 \
  --max-concurrency 1

ผลลัพธ์จากการ Benchmark แบบเล็ก ๆ

============ Serving Benchmark Result ============
Successful requests:                     20        
Failed requests:                         0         
Maximum request concurrency:             1         
Benchmark duration (s):                  56.94     
Total input tokens:                      20480     
Total generated tokens:                  10240     
Request throughput (req/s):              0.35      
Output token throughput (tok/s):         179.85    
Peak output token throughput (tok/s):    190.00    
Peak concurrent requests:                2.00      
Total token throughput (tok/s):          539.54    
---------------Time to First Token----------------
Mean TTFT (ms):                          146.74    
Median TTFT (ms):                        146.85    
P99 TTFT (ms):                           154.53    
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms):                          5.28      
Median TPOT (ms):                        5.28      
P99 TPOT (ms):                           5.30      
---------------Inter-token Latency----------------
Mean ITL (ms):                           5.28      
Median ITL (ms):                         5.28      
P99 ITL (ms):                            5.36      
==================================================

สิ่งนี้บอกอะไรเราบ้าง แบบคร่าว ๆ

• ความเร็วของ OUTPUT ของระบบอยู่ที่ ~179.85 tokens/s
• เวลาในการ PREFILL 1 TOKEN (เวลารอตั้งแต่ส่ง Request จนตัวอักษรแรกปรากฏ) อยู่ที่ 146.74 ms
• การพิมพ์สม่ำเสมอ ไม่มีกระตุก (P99 ITL 5.28 ms): ค่าความล่าช้าระหว่างคำ เช่น " Hello! -> How -> can " ถ้าผมเข้าใจไม่ผิดนะ

ทดสอบการใช้งานบน DESKTOP APP

คำศัพท์ที่ควรรู้จาก Command

ตาราง: ตัวแปรที่ใช้รัน vLLM

ตาราง: ตัวแปรที่ใช้ทดสอบ vLLM

แหล่งอ้างอิง

• https://recipes.vllm.ai/
• https://recipes.vllm.ai/Qwen/Qwen3.8-Flash-Next
• https://www.asus.com/displays-desktops/workstations/performance/expertcenter-pro-et900n-g3/