lucasacchi/llamacpp-qwen3.5-0.8b
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

project refactored

Browse Source
This commit is contained in:
Luca Sacchi Ricciardi
2026-03-27 14:27:12 +00:00
parent 5647bc4336
commit f20f6571c2
3 changed files with 78 additions and 127 deletions
Download Patch File Download Diff File Expand all files Collapse all files

26
Dockerfile
View File

@@ -1,22 +1,24 @@
FROM rocm/pytorch:latest FROM rocm/dev-ubuntu-22.04:latest
ENV DEBIAN_FRONTEND=noninteractive ENV DEBIAN_FRONTEND=noninteractive
# Specifica l'architettura target per la compilazione dei kernel C++/HIP
ENV PYTORCH_ROCM_ARCH="gfx1100"
ENV HSA_OVERRIDE_GFX_VERSION="11.0.0" ENV HSA_OVERRIDE_GFX_VERSION="11.0.0"
ENV AMDGPU_TARGETS="gfx1100"
ENV HIP_VISIBLE_DEVICES="0" ENV HIP_VISIBLE_DEVICES="0"
RUN apt-get update -y && apt-get install -y git build-essential python3-dev && rm -rf /var/lib/apt/lists/* RUN apt-get update && apt-get install -y \
build-essential cmake git libcurl4-openssl-dev \
&& rm -rf /var/lib/apt/lists/*
WORKDIR /workspace WORKDIR /app
# Clona vLLM e usa un tag stabile recente che supporta GGUF (0.6.0+) # Little often: cloniamo e compiliamo
RUN git clone https://github.com/vllm-project/vllm.git . && git checkout v0.6.3 RUN git clone https://github.com/ggerganov/llama.cpp.git .
RUN pip install -U pip && pip install -r requirements-rocm.txt # Compilazione con supporto HIP nativo per AMD
RUN cmake -B build -DGGML_HIP=ON -DAMDGPU_TARGETS=gfx1100 -DCMAKE_BUILD_TYPE=Release
# Compilazione (richiederà tempo) RUN cmake --build build --config Release -j $(nproc)
RUN python3 setup.py install
EXPOSE 8000 EXPOSE 8000
ENTRYPOINT ["python3", "-m", "vllm.entrypoints.openai.api_server"]
# Punto d'ingresso nudo e crudo
ENTRYPOINT ["/app/build/bin/llama-server"]

146
README.md
View File

@@ -1,112 +1,68 @@
# Local AI Inference Node (Ryzen 7 260 / Radeon 780M) # llamacpp-qwen3.5-0.8b
Un nodo di inferenza LLM/SLM self-hosted ad alte prestazioni, progettato per architetture AMD APU (Phoenix/Hawk Point) su Ubuntu 24.04 LTS. Il sistema è ottimizzato per fornire API ad alta velocità destinate a pipeline RAG (Retrieval-Augmented Generation), popolamento di Graph DB e integrazione fluida con piattaforme di automazione come n8n. Un microservizio Docker standalone basato su `llama.cpp` per eseguire il modello Qwen 3.5 0.8B su GPU AMD (ottimizzato per architettura RDNA3 / gfx1100).
## 📐 Specifiche Tecniche (Spec-Driven) Fornisce un'API HTTP nativa, compatibile al 100% con le specifiche OpenAI. Ideale per l'integrazione diretta con n8n e script Python, mantenendo un'architettura a microservizi pulita e priva di wrapper intermedi.
* **Hardware Host:** AMD Ryzen 7 260 (8C/16T), 64GB RAM Condivisa, Radeon 780M iGPU. ## Prerequisiti
* **Sistema Operativo:** Ubuntu 24.04 LTS (Kernel 6.8+).
* **Accelerazione:** ROCm con spoofing architetturale (`gfx1100`).
* **Motori di Inferenza:** * `vLLM` (compilato da sorgente) per throughput massimizzato su modelli generativi (es. Qwen 3.5 0.8B, Gemma 3 27B).
* `Ollama` per la gestione flessibile degli SLM di embedding (`embeddinggemma`).
* **Memoria:** Allocazione GTT statica a livello di kernel (56GB riservati alla iGPU, 8GB al sistema operativo).
## 🏛️ Filosofia Architetturale - Docker e Docker Compose installati.
- GPU AMD con driver ROCm installati e funzionanti sul sistema host.
- Accesso ai device `/dev/kfd` e `/dev/dri`.
Il progetto segue tre principi fondamentali per garantire stabilità in un ambiente non-Enterprise: ## Setup (Little Often)
1. **Safety First:** Ambienti containerizzati strettamente isolati (`ipc: host`), filesystem in sola lettura per i pesi dei modelli, pre-allocazione conservativa della VRAM (`gpu-memory-utilization`) per prevenire l'intervento dell'OOM Killer. 1. **Prepara l'ambiente:**
2. **Little Often:** Suddivisione dei servizi. Modelli di embedding leggeri su un engine, modelli generativi pesanti su un altro. Build frammentate per isolare i problemi di compilazione dei kernel C++/HIP. Clona il repository e crea la directory dedicata ai modelli.
3. **Double Check:** Testing rigoroso (TDD) ad ogni stadio dell'implementazione. Verifica continua dell'allocazione GTT (`rocm-smi`) e del corretto spoofing dell'architettura AMD. ```bash
mkdir models
```
--- 2. **Scarica il modello (formato GGUF):**
Scarica i pesi quantizzati di Qwen 3.5 0.8B all'interno della cartella `models`. Ad esempio, per la versione Q8_0:
```bash
wget [https://huggingface.co/Qwen/Qwen1.5-0.8B-Chat-GGUF/resolve/main/qwen1_5-0_8b-chat-q8_0.gguf](https://huggingface.co/Qwen/Qwen1.5-0.8B-Chat-GGUF/resolve/main/qwen1_5-0_8b-chat-q8_0.gguf) -P ./models/
```
*Attenzione:* Se scarichi una quantizzazione diversa, aggiorna il nome del file all'interno del parametro `command` nel `docker-compose.yml`.
## 🛠️ Prerequisiti e Configurazione Host 3. **Build e Avvio:**
Lancia il container in background. La prima esecuzione compilerà `llama.cpp` dai sorgenti ottimizzandolo per la tua GPU.
```bash
docker compose up --build -d
```
Prima di avviare l'infrastruttura, l'host Linux deve essere preparato per l'accelerazione hardware. ## Test e Validazione (Double Check)
### 1. Impostazioni BIOS Verifica che il server sia in ascolto e risponda correttamente utilizzando l'endpoint compatibile OpenAI:
* `UMA Frame Buffer Size`: Impostato su **Auto** (lasciare la gestione dinamica al driver `amdgpu`).
### 2. Configurazione Kernel (GRUB)
Aggiungere i seguenti parametri in `/etc/default/grub` per stabilizzare l'iGPU ed espandere la Graphics Translation Table a 56GB:
```bash ```bash
GRUB_CMDLINE_LINUX_DEFAULT="quiet splash iommu=pt amdgpu.dc=1 amdgpu.bad_page_threshold=0 pcie_aspm=off amdgpu.gttsize=57344" curl http://localhost:8000/v1/chat/completions \
``` -H "Content-Type: application/json" \
Applicare con: `sudo update-grub && sudo update-initramfs -u -k all`. -d '{
"model": "qwen",
### 3. Permessi Utente "messages": [
L'utente che esegue i container deve appartenere ai gruppi hardware: {
```bash "role": "system",
sudo usermod -aG render $USER "content": "Sei un assistente AI utile e conciso."
sudo usermod -aG video $USER },
{
"role": "user",
"content": "Quali sono i comandi base di Git?"
}
]
}'
``` ```
--- ## Integrazione con n8n
## 🚀 Struttura del Progetto Per collegare questo servizio a n8n:
1. Aggiungi un nodo **OpenAI** nel tuo workflow.
2. Nelle impostazioni del nodo (Credentials), imposta l'URL di base dell'API in modo che punti a questo container:
`http://<IP_DEL_SERVER_DOCKER>:8000/v1`
3. Puoi inserire una stringa fittizia nel campo API Key (es. `sk-xxxx`), poiché il server locale non richiede autenticazione.
```text ## Architettura e Sicurezza (Safety First)
/opt/
├── models/ # Directory condivisa in sola lettura
│ ├── Qwen3.5-0.8B-UD-Q8_K_XL.gguf
│ └── ...
└── vllm-qwen3.5-0.8b/ # Stack di esecuzione vLLM
├── docker-compose.yml
├── Dockerfile
├── test_api.py
└── CHANGELOG.md
```
## 📦 Deployment
### 1. Build del Container vLLM (Custom ROCm)
L'immagine vLLM ufficiale non supporta nativamente la 780M. La compilazione dai sorgenti (`v0.6.3`) per `gfx1100` è gestita automaticamente dal Dockerfile.
Posizionarsi nella directory operativa e lanciare la build:
```bash
cd /opt/vllm-qwen3.5-0.8b
sudo docker compose up --build -d
```
*Nota: La compilazione dei kernel PagedAttention richiederà 15-30 minuti impegnando intensamente la CPU.*
### 2. Monitoraggio
Verificare che l'avvio e la profilazione della memoria vadano a buon fine:
```bash
sudo docker compose logs -f
```
---
## 🧪 Validazione e Test (TDD)
Per confermare che l'API sia operativa e conforme allo standard OpenAI, eseguire lo script di test integrato:
```bash
python3 /opt/vllm-qwen3.5-0.8b/test_api.py
```
Un output corretto indica che il modello è stato caricato nella VRAM pre-allocata ed è in grado di eseguire inferenza accelerata.
---
## 🔗 Integrazione n8n
Il server vLLM espone un endpoint standard OpenAI sulla porta `8000`.
In n8n, utilizzare il nodo **HTTP Request** con le seguenti specifiche:
* **Method:** `POST`
* **URL:** `http://<IP_LOCALE>:8000/v1/chat/completions`
* **Headers:** `Content-Type: application/json`
* **Body:**
```json
{
"model": "/app/models/Qwen3.5-0.8B-UD-Q8_K_XL.gguf",
"messages": [
{"role": "system", "content": "Sei un estrattore di entità per Graph DB."},
{"role": "user", "content": "{{$json.chunk_testo}}"}
],
"temperature": 0.1
}
```
- **Isolamento:** Il container esegue esclusivamente il binario `llama-server`.
- **Compatibilità RDNA3:** Il `Dockerfile` inietta `HSA_OVERRIDE_GFX_VERSION="11.0.0"` e `AMDGPU_TARGETS="gfx1100"` per forzare la compatibilità della iGPU 780M/RDNA3 con le librerie ROCm.
- **Hardware Mapping:** Assicurati che l'utente che esegue Docker abbia i permessi per accedere ai device video (gruppi `render` e `video`).

33
docker-compose.yml
View File

@@ -1,27 +1,20 @@
services: services:
vllm-qwen: qwen-08b:
build: build: .
context: . container_name: qwen_08b_server
dockerfile: Dockerfile
container_name: vllm_qwen_08b
ports: ports:
- "8000:8000" - "8000:8000"
ipc: host
devices: devices:
- "/dev/kfd:/dev/kfd" - /dev/kfd:/dev/kfd
- "/dev/dri:/dev/dri" - /dev/dri:/dev/dri
group_add:
- video
- render
volumes: volumes:
# Montaggio in sola lettura del modello - /opt/models:/models
- /opt/models:/app/models:ro # -ngl 99 offloada tutti i layer sulla GPU AMD
environment: # --host 0.0.0.0 lo rende accessibile fuori dal container
- HSA_OVERRIDE_GFX_VERSION=11.0.0
- HIP_VISIBLE_DEVICES=0
command: > command: >
--model /app/models/Qwen3.5-0.8B-UD-Q8_K_XL.gguf -m /models/qwen1_5-0_8b-chat-q8_0.gguf
--quantization gguf --host 0.0.0.0
--gpu-memory-utilization 0.06 --port 8000
--max-model-len 32768 -ngl 99
-c 4096
restart: unless-stopped restart: unless-stopped