Red Hat Summit 红帽全球峰会支持控制台（Console）开发人员开始试用联系人

A.3. RHEL AI 硬件认证测试

以下测试是为 RHEL AI 硬件认证执行的：

注意

只有在底层系统是 RHEL AI 时，才会规划测试。redhat-certification-hardware-ai 测试套件通过检查 /etc/os-release 文件中的以下参数来识别您的 HUT 是 RHEL AI：

  • RHEL_AI_VERSION_ID
  • 变体

RHEL AI 认证测试套件有以下测试：

  • ilab_inferencing test
  • ilab_validation 测试
  • self_check test
  • 支持测试
  • sos 报告测试

A.3.1. ilab_inferencing test
复制链接

测试涵盖的内容

ilab_inferencing 测试服务并与预遍历模型交互，并检查它是否在安装过程中使用 AI 加速器。推断是模型可以处理并从输入数据生成输出时。

有关 RHEL AI 硬件要求的详细列表，请查看 inference 服务 Granite 模型的硬件要求。

测试的作用

ilab inferencing 测试从 ilab 配置文件的 serve 部分捕获模型名称并下载模型。然后测试会提供该模型并与之交互。

测试会在以下阶段监控并捕获 AI 加速器状态：

  • ilab serve 启动前
  • 当 ilab serve 启动后
  • 在与载入模型交互过程中
  • ilab serve 停止后

准备测试

在运行测试前，请确保使用 skopeo 工具登录到 registry.redhat.io。这允许 ilab_inferencing 测试在执行期间从 registry 下载模型。

执行测试

测试是交互式的。ilab 推断 测试从 ilab 初始化开始。出现提示时，根据系统的加速器配置选择一个培训配置文件。

注意

目前，init ilab 子测试返回状态 REVIEW。

运行时间

这是一个自动测试，可能需要几分钟来完成。

A.3.2. ilab_validation 测试
复制链接

测试涵盖的内容

此测试捕获了 ilab 配置文件的 generate, training 和 evaluate 部分中提到的模型名称，并下载它们。

注意

某些测试的模型的大小可能会超过 80GB。

测试的作用

ilab_validation 测试涵盖了 ilab 培训的端到端测试。它由以下步骤组成：

  • taxonomy
  • 合成数据生成(SDG)
  • 多阶段培训
  • 单个阶段培训
  • 使用 mmlu的评估
  • 使用 mt_bench进行评估

对于上述每个步骤，测试将在测试运行一段时间后捕获 AI 加速器的状态。

taxonomy

LAB 方法由 Information classification 方法（一个信息分类方法）驱动。在运行 RHEL AI 硬件认证测试时，测试套件将执行以下功能：

  • 克隆 RHEL AI git 存储库。
  • 复制位置 knowledge/science/astronomy/constellations/phoenix/中的数据
  • 运行命令 ilab taxonomy diff

合成数据生成(SDG)

将大型语言模型(LLM)与人工生成的样本一起使用的过程，用于生成可用于培训其他 LLM 的智能数据。

多阶段培训

LAB 方法实施一个微调策略，其中对名为 epoch 的多个数据集的多个数据集进行培训。每个阶段都保存检查点，最佳的检查点用于进一步培训。完全调优的模型是最终阶段最佳执行检查点。

注意

对于认证测试，培训仅针对 2 个时期运行。

  1. 启动 tmux 会话。
  2. 在运行测试达到 5 分钟后，捕获 AI 加速器的状态。
  3. 运行所需命令后，测试套件会在位置 /root/.local/share/instructlab/checkpoints/hf_format/中打印创建的检查点列表
  4. 以上检查点之一随机用于评估阶段。

准备测试

在运行测试前，请确保使用 skopeo 工具登录到 registry.redhat.io。这允许 ilab_validation 测试在执行期间从注册表下载模型。

执行测试

此测试是交互式的。根据 HUT 中提供的 AI 加速器类，此测试需要几小时时间完成。每个 subtests 都作为单独的 tmux 会话启动。

在运行 SDG 测试时，测试套件执行以下操作：

  • 检查预生成的数据集是否可用。

    • 如果数据集存在，

      测试提示用户确认重复使用 datasets 或删除它们。

      • 是 - 跳过后续步骤。
      • 无 删除生成的数据集，并继续测试。
    • 如果数据集不存在，测试将继续生成它们。

  • 运行所需命令后，测试套件会检查数据集是否生成了包含以下名称，因为它们将在进一步测试中被使用：

    • knowledge_train_msgs
    • skills_train_msgs
    • messages
注意

在 ilab 测试在后台运行时，您可以与 ilab 进程交互。此步骤是可选的。

如果要与 ilab 进程交互，请在运行时选择以下选项之一：

  1. ilab 进程的状态 - 检查 tmux 会话中运行的 ilab 进程的当前状态。
  2. Attach tmux session - 要附加运行 ilab 进程的 tmux 会话（只读模式）。要退出，请按键 ctrl+b，然后按 d 键。
  3. GPU 使用 - 打印系统中当前加速器的使用。
  4. kill ilab process - 在 tmux 会话中终止当前运行的 ilab 进程。系统会提示您输入一个原因，之后向 ilab 进程发送终止信号。
注意

当您选择这个选项时，ilab_validation 子测试会返回 FAIL 状态。

以上选项在 ilab 进程的运行时可用。测试运行完成后，测试状态由在后台运行的观察器线程自动更新。

运行时间

以下是针对 2 个时期培训的 ilab_validation 测试的大约运行时间详情：

  • SDG - 35 分钟
  • 多阶段培训 - 30 小时提供全部培训，95 分钟用于简短培训
  • 单阶段培训 - 10 分钟
  • 组合评估 - 1 小时
注意

运行时间值因 HUT 中存在 AI Accelerator 的类而异。

更新于 2025-11-14

Red Hat logoGithubredditYoutubeTwitter

学习

尝试、购买和销售

社区

关于红帽文档

通过我们的产品和服务，以及可以信赖的内容，帮助红帽用户创新并实现他们的目标。 了解我们当前的更新.

让开源更具包容性

红帽致力于替换我们的代码、文档和 Web 属性中存在问题的语言。欲了解更多详情，请参阅红帽博客.

關於紅帽

我们提供强化的解决方案，使企业能够更轻松地跨平台和环境（从核心数据中心到网络边缘）工作。

Theme

© 2026 Red Hat返回顶部