什么是vLLM？

vLLM（Vectorized Large Language Model Serving System）是由加州大学伯克利分校团队开发的高性能、易扩展的大语言模型推理引擎。它专注于通过创新的内存管理和计算优化技术，实现高吞吐、低延迟、低成本的模型服务。

核心特点：

高性能推理

：支持分布式推理，能高效利用多机多卡资源。
显存优化

：采用PagedAttention内存管理技术，显著提升GPU显存利用率。
多场景适配

：无论是低延迟的在线服务，还是资源受限的边缘部署，vLLM都能提供卓越的性能表现。

中文站点：https://vllm.hyper.ai/docs/
英文站点：https://docs.vllm.ai/en/latest/index.html

vLLM vs Ollama：对比分析

在LLM推理引擎的选择上，vLLM和Ollama是两个常见的选项。对比如下：

对比维度	Ollama	vLLM	备注
量化与压缩策略	默认采用4-bit/8-bit量化，显存占用降至25%-50%	默认使用FP16/BF16精度，保留完整参数精度	Ollama 牺牲精度换显存，vLLM 牺牲显存换计算效率
优化目标	轻量化和本地部署，动态加载模型分块，按需使用显存	高吞吐量、低延迟，预加载完整模型到显存，支持高并发	Ollama 适合单任务，vLLM 适合批量推理
显存管理机制	分块加载 + 动态缓存，仅保留必要参数和激活值	PagedAttention + 全量预加载，保留完整参数和中间激活值	vLLM 显存占用为 Ollama 的 2-5 倍
硬件适配	针对消费级GPU（如RTX 3060）优化，显存需求低	依赖专业级GPU（如A100/H100），需多卡并行或分布式部署	Ollama 可在 24GB 显存运行 32B 模型，vLLM 需至少 64GB
性能与资源平衡	显存占用低，但推理速度较慢（适合轻量级应用）	显存占用高，但吞吐量高（适合企业级服务）	量化后 Ollama 速度可提升，但仍低于 vLLM
适用场景	个人开发、本地测试、轻量级应用	企业级API服务、高并发推理、大规模部署	根据显存和性能需求选择框架

总结：Ollama更适合个人开发和轻量级应用，而vLLM则更适合企业级服务和高并发场景。

DeepSeek-R1-Distill-Qwen-32B模型对比

DeepSeek-R1-Distill-Qwen-32B模型在Ollama和vLLM框架下的显存占用、存储需求及性能对比

指标	Ollama (4-bit)	vLLM (FP16)	说明
显存占用	19-24 GB	64-96 GB	Ollama通过4-bit量化压缩参数，vLLM需保留完整FP16参数和激活值
存储空间	20 GB	64 GB	Ollama存储量化后模型，vLLM存储原始FP16精度模型
推理速度	较低（5-15 tokens/s）	中高（30-60 tokens/s）	Ollama因量化计算效率降低，vLLM通过批处理和并行优化提升吞吐量
硬件门槛	高端消费级GPU（≥24GB）	多卡专业级GPU（如2×A100 80GB）	Ollama勉强单卡运行，vLLM需多卡并行或分布式部署

ModelScope：开源模型即服务（MaaS）平台

ModelScope是由阿里巴巴集团推出的开源模型即服务（MaaS）平台，旨在简化模型应用的过程，为AI开发者提供灵活、易用、低成本的一站式模型服务产品。

核心功能：

汇集多种最先进的机器学习模型，涵盖NLP、CV、语音识别等领域。
提供丰富的API接口和工具，方便开发人员集成和使用模型。
支持模型的下载、部署和推理，降低开发门槛。

安装与使用：

下载DeepSeek模型

pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple

创建模型存放目录

mkdir -p /data/deepseek-ai/models/deepseek-70b

下载DeepSeek-R1-Distill-Llama-70B模型

modelscope download --local_dir /data/deepseek-ai/models/deepseek-70b --model deepseek-ai/DeepSeek-R1-Distill-Llama-70B

docker部署

下载 Docker 二进制包

Docker 官方网站下载二进制包文件

wget https://download.docker.com/linux/static/stable/x86_64/docker-26.1.4.tgz

解压 Docker 压缩包

tar -zxvf docker-26.1.4.tgz

移动二进制文件到系统目录

mv docker/* /usr/bin/

创建 Docker 用户和组

创建 Docker 组
```
groupadd docker
```
创建 Docker 用户，并将其添加到 Docker 组
```
useradd -s /sbin/nologin -M -g docker docker
```

配置 Docker 服务

创建并配置 docker.service 文件

打开或创建 docker.service 文件

vim /usr/lib/systemd/system/docker.service

添加以下内容：

[Unit]
Description=Docker Application Container Engine
Documentation=https://docs.docker.com
After=network-online.target firewalld.service
Wants=network-online.target

[Service]
Type=notify
ExecStart=/usr/bin/dockerd
ExecReload=/bin/kill -s HUP $MAINPID
LimitNOFILE=infinity
LimitNPROC=infinity
TimeoutStartSec=0
Delegate=yes
KillMode=process
Restart=on-failure
StartLimitBurst=3
StartLimitInterval=60s

[Install]
WantedBy=multi-user.target

配置国内 Docker 镜像加速

创建 Docker 配置目录：
```
mkdir -p /etc/docker
```
打开或创建 daemon.json 文件：
```
vim /etc/docker/daemon.json
```

添加以下内容：

{
"registry-mirrors": ["https://docker.rainbond.cc"]
}

启动 Docker 服务

启动 Docker 服务
```
systemctl start docker
```
设置 Docker 服务开机启动
```
systemctl enable docker
```

验证 Docker 安装

查看 Docker 版本
```
docker -v
```

vLLM容器化部署指南

环境准备

更新软件包列表并安装NVIDIA容器工具包

sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit

配置NVIDIA容器运行时

sudo nvidia-ctk runtime configure --runtime=docker

重加载系统服务并重启Docker

sudo systemctl daemon-reload
sudo systemctl restart docker

下载vllm/vllm-openai容器
```
docker pull vllm/vllm-openai
```
查看vllm/vllm-openai容器
```
docker images
```

启动vLLM容器

docker run -itd --restart=always --name vllm_ds70 
-v /data/deepseek-ai:/data 
-p 18005:8000 
--gpus all 
--ipc=host 
vllm/vllm-openai:latest 
--dtype bfloat16 
--served-model-name DeepSeek-R1-Distill-Llama-70B 
--model "/data/models/deepseek-70b" 
--gpu-memory-utilization 0.9 
--tensor-parallel-size 8 
--max-model-len 30000 
--api-key token-abc123

参数解释：

–restart=always

：容器退出后自动重启，除非显式停止或dockerd服务重启。
–name vllm_ds70

为容器指定一个名称，便于后续管理和操作。
-v /data/deepseek-ai:/data

将主机上的/data/deepseek-ai目录挂载到容器的/data目录，用于存储模型文件和数据。
-p 18005:8000

将容器的8000端口映射到主机的18005端口，用于通过主机端口访问容器内的服务。
-itd

命令选项组合，-i和-t、-d，保持容器在后台运行，同时允许用户通过Docker logs或attach命令查看输出。
–gpus all

：允许容器使用宿主机的所有GPU资源。
–dtype bfloat16
–dtype {auto,half,float16,bfloat16,float,float32}

：指定数据类型，优化内存使用和计算效率。auto模式会根据模型类型自动选择精度，而half或float16则常用于半精度计算以节省显存。
–tensor-parallel-size 8

：设置张量并行的大小，通过将模型分割到多个GPU上进行并行计算，提升模型推理的速度和效率。
–ipc=host

：配置容器的IPC（Inter-Process Communication）模式，允许容器与宿主机或其他容器共享共享内存，提升模型并行性能。
–served-model-name DeepSeek-R1-Distill-Llama-70B

：指定服务的模型名称，标识当前服务的模型，便于管理和路由
–model “/data/models/deepseek-70b”

指定模型文件的路径，告诉服务从哪里加载模型权重和配置文件，确保模型能够正确加载。
–gpu-memory-utilization 0.95

设置GPU内存使用率，限制模型使用的GPU内存占比，避免因内存不足导致服务崩溃。
–tensor-parallel-size 8

设置张量并行的大小，通过将模型分割到多个GPU上进行并行计算，提升模型推理的速度和效率。
–max-model-len 30000

设置模型的最大上下文长度，限制模型在一次推理中能处理的最大输入长度，避免因过长输入导致性能问题。
–api-key token-abc123

指定API密钥，用于身份验证和授权，确保只有有权限的用户才能访问服务。

查看vLLM容器日志

docker logs -f b05b9c3646ec

访问vLLM容器

docker exec -it b05b9c3646ec /bin/bash

vLLM API 调用测试

curl http://192.168.1.34:18005/v1/completions -H "Content-Type: application/json" -H "Authorization: Bearer token-abc123" -d '{"model": "DeepSeek-R1-Distill-Llama-70B","prompt": "北京的著名景点有哪些","max_tokens": 1000,"temperature": 0.3}'

Chatbox设置

DeepSeek-R1 模型 Ollama VS vLLM 占用显存对比

Model	Base Model	Ollama	vLLM
DeepSeek-R1-Distill-Qwen-1.5B	Qwen2.5-Math-1.5B	1.1GB	3-6 GB
DeepSeek-R1-Distill-Qwen-7B	Qwen2.5-Math-7B	4.7GB	14-21 GB
DeepSeek-R1-Distill-Llama-8B	Llama-3.1-8B	4.9GB	16-24 GB
DeepSeek-R1-Distill-Qwen-14B	Qwen2.5-14B	9.0GB	28-42 GB
DeepSeek-R1-Distill-Qwen-32B	Qwen2.5-32B	20GB	64-96 GB
DeepSeek-R1-Distill-Llama-70B	Llama-3.3-70B-Instruct	43GB	140-210 GB
DeepSeek-R1-671B	DeepSeek-R1-671B	404GB	1342-2013 GB