vLLM私有化部署大语言模型LLM

目录

一、vLLM介绍

二、安装vLLM

 1、安装环境

 2、安装步骤

 三、运行vLLM

 1、运行方式

 2、切换模型下载源

 3、运行本地已下载模型

四、通过http访问vLLM

---

一、vLLM介绍

vLLM（官方网址：https://www.vllm.ai）是一种用于大规模语言模型（LLM）推理的框架，旨在提高模型的吞吐量和降低延迟。vLLM通过优化内存管理和调度策略，显著提升了模型在高并发场景下的性能。vLLM利用了一种名为PagedAttention的注意力机制，该机制借鉴了虚拟内存和分页技术，以减少缓存内存（KV Cache）的浪费，并允许在请求之间灵活共享KV缓存。这种设计使得vLLM在保持与现有系统相同延迟水平的情况下，能够将吞吐量提高2到4倍。特点：

• 速度快： 在每个请求需要 3 个并行输出完成时的服务吞吐量。vLLM 比 HuggingFace Transformers（HF）的吞吐量高出 8.5 倍-15 倍，比 HuggingFace 文本生成推理（TGI）的吞吐量高出 3.3 倍-3.5 倍

• 优化的 CUDA 内核

• 灵活且易于使用

• 与流行的 Hugging Face 模型（和魔塔社区）无缝集成

• 高吞吐量服务，支持多种解码算法，包括并行抽样、束搜索等

• 支持张量并行处理，实现分布式推理

• 支持流式输出

• 兼容 OpenAI API 

二、安装vLLM

 1、安装环境

• 硬件CPU：12 vCPU Intel(R) Xeon
• 内存MEM：48GB
• 显卡：RTX 3080单卡
• 操作系统：Ubuntu 22.04.1 LTS 
• CUDA版本：cuda_11.8 （通过nvcc --version查看结果）   
• 已安装：miniconda3版本：conda 22.11.1

 2、安装步骤

     根据vLLM官网的安装说明（网址：https://docs.vllm.ai/en/latest/getting_started/installation/ ），分为三大类：GPU、CPU、其他。 每类中根据具体的安排硬件平台不同还进行不同的细分。

    由于本文所用硬件环境是带CUDA的GPU，因此选择GPU-CUDA方式进行安装。

    步骤如下：

 1） 前置准备：对git增加LFS能力。Git LFS是一个扩展，允许将大文件（如音频、视频、数据集等）存储在Git仓库中，而不会显著增加仓库的大小或影响性能。通过安装Git LFS钩子（hooks），Git LFS能够自动处理这些大文件的上传和下载，确保它们以优化的方式存储在远程仓库中，并在需要时检索到本地。

#若Linux中未安装Git LFS（Large File Storage），则先安装
sudo apt-get install git-lfs#初始化，用于在本地Git仓库中安装Git Large File Storage（LFS）的钩子（hooks）。
git lfs install

 2） 通过miniconda创建虚拟环境，名为env-vllm

#通过conda创建一个新虚拟环境，指定虚拟环境中包括python3.12的packages
conda create -n env-vllm python=3.12 -y#激活使用该虚拟环境
conda activate env-vllm

  3） 在虚拟环境中，通过pip自动下载并安装vllm，过程可能需要几十分钟。注意需根据CUDA版本选择安装（由于低版本vLLM存在bug #8443导致VLLM_USE_MODELSCOPE环境变量不生效。在v0.6.3版本修复了该bug，所以直接下载适配CUDA 11.8的新版vllm）

#截止2025年初，默认安装vLLM’s binaries are compiled with CUDA 12.1 and public PyTorch release versions
pip install vllm#根据自身环境，若希望安装vLLM binaries compiled with CUDA 11.8 and public PyTorch release versions，则：
export VLLM_VERSION=0.6.1.post2
export PYTHON_VERSION=312
pip install https://github.com/vllm-project/vllm/releases/download/v${VLLM_VERSION}/vllm-${VLLM_VERSION}+cu118-cp${PYTHON_VERSION}-cp${PYTHON_VERSION}-manylinux1_x86_64.whl --extra-index-url https://download.pytorch.org/whl/cu118#由于低版本vLLM存在bug #8443导致VLLM_USE_MODELSCOPE环境变量不生效。在v0.6.3版本修复了该bug，所以直接下载适配CUDA 11.8的新版vllm
pip install https://github.com/vllm-project/vllm/releases/download/v0.6.6.post1/vllm-0.6.6.post1+cu118-cp38-abi3-manylinux1_x86_64.whl --extra-index-url https://download.pytorch.org/whl/cu118

  4） 在虚拟环境中，可以使用pip show vllm对查看安装结果：

 三、运行vLLM

 1、运行方式

  通过以下可运行vllm，根据模型名称默认自动从 HuggingFace 下载并运行：

# ​运行vllm，根据模型名称默认自动从 HuggingFace 下载并运行
vllm serve "模型名称"# 也可以通过以下执行python代码方式运行vllm
python -m vllm.entrypoints.openai.api_server --model="模型名称" --trust-remote-code --port 8000

注：vllm运行有许多选项，可以通过vllm serve --help查看各个选项用途。或者查看官网文档：https://docs.vllm.ai/en/latest/serving/openai_compatible_server.html#command-line-arguments-for-the-server

 2、切换模型下载源

   vLLM的模型下载默认来源为 HuggingFace 。在国内访问很可能不畅，为此改从国内的 魔搭社区 下载模型。既在运行前先设置VLLM_USE_MODELSCOPE=True既可切换下载源为 魔搭社区 。 （注意：在HuggingFace与魔塔社区上模型名称可能略有不同）。

# 使用魔塔社区，需要先安装package
pip install modelscope

# ​设置环境变量VLLM_USE_MODELSCOPE=True切换下载源为：魔搭社区
# 注意：低版本vLLM存在bug #8443导致该环境变量不生效。在v0.6.3版本修复了该bug
export VLLM_USE_MODELSCOPE=True# ​运行vllm，由于设置了环境变量，根据模型名称默认自动从 魔搭社区 下载并运行
vllm serve "Qwen/Qwen2.5-0.5B-Instruct"
# 也可以通过以下执行python代码方式运行vllm
python -m vllm.entrypoints.openai.api_server --model="Qwen/Qwen2.5-0.5B-Instruct" --trust-remote-code --port 8000

 3、运行本地已下载模型

   除了以上自动下载的方式，还可以通过指定模型所在路径方式运行（需要先下载准备好），这样有几个好处：一是模型来源可以丰富多样，不仅仅局限以上两个平台；二是运行vLLM时无需再联网下载，比较适合内网服务器。 

   下面以模型“Yi-1.5-6B-Chat”为例， 提前通过git下载模型（需要确保lfs已经安装且初始化，具体见前文）。

cd /root/autodl-tmp/my_models
# 提前通过git下载模型（需要确保lfs已经安装且初始化，具体见前文）
git clone https://www.modelscope.cn/01ai/Yi-1.5-6B-Chat.git

  通过指定本地模型所在路径运行vLLM：

# ​运行vllm，指定本地模型所在路径
vllm serve "/root/autodl-tmp/my_models/Yi-1.5-6B-Chat"
# 也可以通过以下执行python代码方式运行vllm
python -m vllm.entrypoints.openai.api_server --model="/root/autodl-tmp/my_models/Yi-1.5-6B-Chat" --trust-remote-code --port 8000

  注：此例中，指定本地模型所在路径运行vLLM的模型名为：/root/autodl-tmp/my_models/Yi-1.5-6B-Chat

四、通过http访问vLLM

  vLLM提供了http接口。下面通过curl验证效果。

# Call the vllm server using curl:
curl -X POST http://localhost:8000/v1/chat/completions \-H "Content-Type: application/json" \--data '{"model": "Qwen/Qwen2.5-0.5B-Instruct","messages": [{"role": "user","content": "What is the capital of China?"}]}'

chat返回结果（已经格式化排版）如下 

{"id": "chatcmpl-f0cbdea8e1fb41528d1ec2cb0e198498","object": "chat.completion","created": 1736836496,"model": "Qwen/Qwen2.5-0.5B-Instruct","choices": [{"index": 0,"message": {"role": "assistant","content": "The capital of China is Beijing.","tool_calls": []},"logprobs": null,"finish_reason": "stop","stop_reason": null}],"usage": {"prompt_tokens": 36,"total_tokens": 44,"completion_tokens": 8,"prompt_tokens_details": null},"prompt_logprobs": null
}

  vLLM还暴露了各类metrics，供检测vllm的运行状态：

curl http://localhost:8000/metrics