DeepSeek-R1-Distill-Qwen-1.5B自动化测试：性能基准多次运行脚本实例

1. 背景与目标

随着大模型在边缘设备和低延迟场景中的广泛应用，轻量化推理模型的部署与性能评估成为工程落地的关键环节。DeepSeek-R1-Distill-Qwen-1.5B作为一款基于知识蒸馏技术优化的紧凑型语言模型，在保持较高推理精度的同时显著降低了资源消耗，适用于对成本和响应速度敏感的应用场景。

本文聚焦于该模型的实际部署与自动化测试流程，重点介绍如何使用vLLM框架启动模型服务，并通过Python客户端实现多轮次、可重复的性能基准测试。文章将提供完整的脚本示例，支持自动调用、结果记录与平均指标计算，帮助开发者构建标准化的模型验证流程。

2. DeepSeek-R1-Distill-Qwen-1.5B 模型介绍

DeepSeek-R1-Distill-Qwen-1.5B是DeepSeek团队基于Qwen2.5-Math-1.5B基础模型，通过知识蒸馏技术融合R1架构优势打造的轻量化版本。其核心设计目标在于：

参数效率优化：通过结构化剪枝与量化感知训练，将模型参数量压缩至1.5B级别，同时保持85%以上的原始模型精度（基于C4数据集的评估）。
任务适配增强：在蒸馏过程中引入领域特定数据（如法律文书、医疗问诊），使模型在垂直场景下的F1值提升12-15个百分点。
硬件友好性：支持INT8量化部署，内存占用较FP32模式降低75%，在NVIDIA T4等边缘设备上可实现实时推理。

该模型特别适合用于需要快速响应且算力受限的环境，例如智能客服、移动端AI助手或嵌入式自然语言处理系统。

3. DeepSeek-R1 系列使用建议

为确保模型在基准测试中表现出最佳性能，建议遵循以下配置规范：

温度设置：推荐将temperature设置为0.6（范围0.5–0.7），以平衡生成多样性与逻辑连贯性，避免无意义重复输出。
提示工程策略：
避免使用系统级提示（system prompt），所有指令应整合到用户输入中；
对数学类问题，建议添加明确引导：“请逐步推理，并将最终答案放在\boxed{}内。”
输出控制机制：观察发现，模型在部分查询中可能跳过思维链直接输出结论（表现为出现\n\n）。为强制激活推理路径，可在输入末尾添加换行符\n，引导模型进行分步思考。
测试方法论：单次测试易受随机性影响，建议执行至少5次独立运行并取平均值，以获得稳定可靠的性能指标（如延迟、吞吐量、token生成速率）。

4. 使用 vLLM 启动模型服务

vLLM 是一个高性能的大语言模型推理引擎，具备高效的PagedAttention机制，能够显著提升批处理吞吐量并降低显存占用。以下是启动 DeepSeek-R1-Distill-Qwen-1.5B 的标准命令：

python -m vllm.entrypoints.openai.api_server \ --host 0.0.0.0 \ --port 8000 \ --model /path/to/DeepSeek-R1-Distill-Qwen-1.5B \ --tensor-parallel-size 1 \ --dtype auto \ --quantization awq \ --gpu-memory-utilization 0.9 > deepseek_qwen.log 2>&1 &

说明： ---quantization awq表示启用AWQ量化方案，进一步减少显存需求； - 日志重定向至deepseek_qwen.log，便于后续状态检查； - 若未启用量化，可移除--quantization参数。

5. 验证模型服务是否启动成功

5.1 进入工作目录

cd /root/workspace

5.2 查看启动日志

cat deepseek_qwen.log

若日志中包含如下关键信息，则表示服务已正常启动：

INFO: Started server process [PID] INFO: Waiting for application startup. INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)

此外，可通过HTTP请求检测健康状态：

curl http://localhost:8000/health

返回{"status":"ok"}即表示服务可用。

6. 测试模型服务部署是否成功

6.1 准备测试环境

确保已安装以下依赖库：

pip install openai requests jupyter

6.2 客户端调用代码实现

以下是一个完整的 Python 类封装，支持同步、流式及简化接口调用方式，适用于本地 Jupyter Lab 或脚本环境运行。

from openai import OpenAI import requests import json class LLMClient: def __init__(self, base_url="http://localhost:8000/v1"): self.client = OpenAI( base_url=base_url, api_key="none" # vllm通常不需要API密钥 ) self.model = "DeepSeek-R1-Distill-Qwen-1.5B" def chat_completion(self, messages, stream=False, temperature=0.7, max_tokens=2048): """基础的聊天完成功能""" try: response = self.client.chat.completions.create( model=self.model, messages=messages, temperature=temperature, max_tokens=max_tokens, stream=stream ) return response except Exception as e: print(f"API调用错误: {e}") return None def stream_chat(self, messages): """流式对话示例""" print("AI: ", end="", flush=True) full_response = "" try: stream = self.chat_completion(messages, stream=True) if stream: for chunk in stream: if chunk.choices[0].delta.content is not None: content = chunk.choices[0].delta.content print(content, end="", flush=True) full_response += content print() # 换行 return full_response except Exception as e: print(f"流式对话错误: {e}") return "" def simple_chat(self, user_message, system_message=None): """简化版对话接口""" messages = [] if system_message: messages.append({"role": "system", "content": system_message}) messages.append({"role": "user", "content": user_message}) response = self.chat_completion(messages) if response and response.choices: return response.choices[0].message.content return "请求失败"

使用示例

if __name__ == "__main__": # 初始化客户端 llm_client = LLMClient() # 测试普通对话 print("=== 普通对话测试 ===") response = llm_client.simple_chat( "请用中文介绍一下人工智能的发展历史", "你是一个有帮助的AI助手" ) print(f"回复: {response}") print("\n=== 流式对话测试 ===") messages = [ {"role": "system", "content": "你是一个诗人"}, {"role": "user", "content": "写两首关于秋天的五言绝句"} ] llm_client.stream_chat(messages)

预期输出：若服务正常，终端将显示模型生成的文本内容，且无连接异常报错。

7. 自动化性能基准测试脚本

为了满足“多次运行取平均值”的测试要求，我们设计了一个自动化基准测试模块，记录每次请求的响应时间、输出token数及生成速度。

7.1 基准测试函数实现

import time from typing import Dict, List def benchmark_model(client: LLMClient, prompts: List[Dict], rounds: int = 5) -> Dict: """ 执行多轮性能测试并汇总统计结果 """ results = { "rounds": [], "avg_latency": 0.0, "avg_tokens_per_second": 0.0 } for i in range(rounds): print(f"\n--- 第 {i+1} 轮测试 ---") for j, prompt in enumerate(prompts): start_time = time.time() response = client.simple_chat(prompt["user"], prompt.get("system")) end_time = time.time() latency = end_time - start_time output_tokens = len(response.split()) # 粗略估算token数 tokens_per_second = output_tokens / latency if latency > 0 else 0 result_item = { "prompt_id": j + 1, "input": prompt["user"], "output": response, "latency_sec": round(latency, 3), "output_tokens": output_tokens, "speed_tps": round(tokens_per_second, 2) } results["rounds"].append(result_item) print(f"[Prompt {j+1}] 延迟: {latency:.3f}s | " f"生成速度: {tokens_per_second:.2f} tps") # 计算平均值 total_latency = sum(r["latency_sec"] for r in results["rounds"]) total_speed = sum(r["speed_tps"] for r in results["rounds"]) total_count = len(results["rounds"]) results["avg_latency"] = round(total_latency / total_count, 3) results["avg_tokens_per_second"] = round(total_speed / total_count, 2) return results

7.2 执行基准测试

if __name__ == "__main__": client = LLMClient() test_prompts = [ { "system": "你是一个科技评论员", "user": "简述Transformer架构的核心创新点" }, { "user": "计算 (3x^2 + 5x - 7) 在 x=4 时的值，请逐步推理并将结果放入\\boxed{}" }, { "system": "你是一个旅游顾问", "user": "推荐三个适合春季出行的国内城市，并说明理由" } ] # 开始基准测试 benchmark_result = benchmark_model(client, test_prompts, rounds=5) # 输出汇总结果 print("\n" + "="*50) print("📊 基准测试汇总报告") print("="*50) print(f"平均响应延迟: {benchmark_result['avg_latency']} 秒") print(f"平均生成速度: {benchmark_result['avg_tokens_per_second']} tokens/秒") print(f"总测试轮次: {len(benchmark_result['rounds'])} 次请求") print("="*50)

7.3 输出示例

--- 第 1 轮测试 --- [Prompt 1] 延迟: 1.234s | 生成速度: 18.67 tps [Prompt 2] 延迟: 1.012s | 生成速度: 20.15 tps ... 📊 基准测试汇总报告 ================================================== 平均响应延迟: 1.156 秒 平均生成速度: 19.34 tokens/秒 总测试轮次: 15 次请求 ==================================================

该脚本可用于持续集成（CI）流程中，定期验证模型服务的稳定性与性能表现。