大意了啊，生产就应该用vLLM部署大模型部署！ 精华

大型语言模型（LLMs）正在改变我们与技术的互动方式，从聊天机器人到代码助手，功能无所不包。但要高效运行这些模型可不是件小事，尤其是在需要速度、可扩展性和高吞吐量应用的稳定性时。如果你一直在用Ollama进行本地LLM实验，现在想转向vLLM以获得生产级性能，这篇文章的主要目的是讲解这两个框架的区别，探讨选择正确框架的重要性，并提供一步步的指导。

1. 为什么选择合适的LLM框架很重要

把部署LLM想象成开餐厅。如果只是给小家庭做晚餐，家里厨房的基本工具（比如Ollama）就够用了。但如果是为500人的婚礼提供餐饮，你得用工业级设备（比如vLLM）来应对需求，不然就得累垮了。选错LLM应用的框架可能导致：

•响应慢：用户等太久才能得到聊天机器人回复或代码补全，体验很差。

•成本高：GPU内存使用效率低，导致云计算账单飙升。

•系统崩溃：框架无法承受高流量，导致宕机。

•安全风险：敏感环境下因配置不当导致数据泄露。

选对框架能确保你的LLM应用快速、成本效益高、可扩展且安全。Ollama适合本地测试、原型开发和注重隐私的项目，而vLLM专为高吞吐量、生产级环境设计。了解它们的优势能帮你选出最适合的工具。

2. vLLM和Ollama是什么？基础知识了解一下

Ollama：新手友好的LLM运行工具

Ollama就像你手机上的一个简单易用的app，直观、设置简单。它是一个开源工具，旨在让在本地运行LLM变得尽可能简单，不管你用的是MacBook、Windows PC还是Linux服务器。

核心功能：

•跨平台：支持macOS、Windows和Linux。

•CLI和REST API：提供简单的命令行工具和与OpenAI兼容的API，方便集成。

•模型库：支持Llama 3、Mistral、Gemma等热门模型，可通过注册表下载。

•硬件支持：支持CPU、NVIDIA GPU和Apple Silicon（Metal）。

•注重隐私：数据保存在本地，适合医疗或研究等敏感应用。

•使用场景：开发者在笔记本上开发聊天机器人原型，或研究者在离线环境下分析私有数据集。

vLLM：高性能推理引擎

vLLM就像一辆赛车，为高要求环境下的速度和效率而生。由UC Berkeley的Sky Computing Lab开发，vLLM是一个开源库，专为高吞吐量LLM推理优化，特别适合NVIDIA GPU。

核心功能：

•PagedAttention：一种内存管理技术，将GPU内存浪费降到4%以下。

•Continuous Batching：动态处理请求，最大化GPU利用率。

•可扩展性：支持多GPU设置和跨服务器分布式推理。

•OpenAI兼容API：无缝集成现有工具和工作流。

•GPU中心化：为NVIDIA GPU和CUDA优化，CPU支持有限。
•使用场景：企业部署客服聊天机器人，实时处理每分钟数千条查询。

3. vLLM和Ollama的区别

要选择vLLM还是Ollama，你得搞清楚它们的核心差异。以下是详细对比：

类比

•Ollama：像自行车，简单好用，适合短途，但不适合高速路。

•vLLM：像跑车，速度快、动力强，但需要熟练的司机和好的路（GPU基础设施）。

4. 性能：速度、内存和可扩展性

在性能上，vLLM和Ollama差别很大。我们来分解它们在速度、内存使用和可扩展性上的差异，并举例说明。

速度

•Ollama：在消费级硬件上运行小型模型（比如7B参数）性能不错。比如，在16GB RAM的MacBook上运行Mistral 7B，单用户约7 token/秒。

•vLLM：在高吞吐量场景中表现卓越。基准测试显示，vLLM在128个并发请求下比Ollama快3.23倍，在NVIDIA A100 GPU系统上达到约71请求/秒。
•例子：假设你建一个聊天机器人，回复“写一首短诗”。用Ollama，单用户可能要2-3秒得到回复。而vLLM通过continuous batching并行处理请求，多个用户同时查询也能在1秒内得到回复。

内存

•Ollama：使用标准内存分配，对大模型效率较低。13B模型至少需要16GB RAM或GPU内存，每个序列完全分配内存，限制并发。

•vLLM：使用PagedAttention，将key/value缓存分成小块，内存浪费降到4%以下。这让vLLM能在相同硬件上处理更大模型或更多并发请求。
•例子：在NVIDIA A100 GPU上运行Llama 3 8B，vLLM因动态内存分配能处理更多并发请求，而Ollama为每个请求预留整块内存，限制吞吐量。

可扩展性

•Ollama：适合单机设置，高并发时（比如超过32个同时请求）延迟增加，吞吐量无提升。

•vLLM：专为可扩展性设计，支持tensor parallelism（模型权重分布在多个GPU上）和pipeline parallelism（计算阶段分布）。适合多GPU云虚拟机。
•例子：一个初创公司用单GPU服务器运行Ollama，服务小团队内部工具。而一家处理百万用户的科技公司用vLLM在多GPU上每分钟处理数千请求。

性能对比表：

5. 使用场景：什么时候用vLLM，什么时候用Ollama

什么时候用Ollama

•原型开发：在笔记本上测试新聊天机器人或代码助手。

•隐私敏感应用：在隔离环境（比如政府、医疗或法律）运行模型。

•低流量工作负载：小型团队或个人项目，少量用户。

•资源受限硬件：在没有CUDA的CPU或低端GPU上运行。
•例子：学生用Ollama在MacBook上运行Llama 3做研究项目，保持敏感数据离线。

什么时候用vLLM

•高流量服务：聊天机器人或API同时服务数千用户。

•大型模型：部署像DeepSeek-Coder-V2（236B参数）这样的大模型，跨多GPU。

•生产环境：需要低延迟和高吞吐量的应用。

•可扩展部署：多NVIDIA GPU的云设置。
•例子：公司用vLLM在8个A100 GPU的云虚拟机上建实时翻译服务，每分钟处理数千次翻译。

使用场景决策矩阵：

6. 开始使用Ollama：一步步指南

我们来在本地机器上设置Ollama运行Mistral 7B。假设你从零开始。

步骤1：安装Ollama

•下载：访问Ollama官网，下载适用于你的操作系统的安装程序（macOS、Windows或Linux）。

•安装：运行安装程序。对于Linux，使用：

curl -fsSL https://ollama.ai/install.sh | sh

• 输出：Ollama安装完成，准备使用。

步骤2：拉取模型

下载Mistral 7B：

ollama pull mistral:7b

输出：模型（4GB）下载并存储在​​/.ollama/models​​。

步骤3：运行模型

启动模型：

ollama run mistral:7b

输出：打开交互式提示。输入：

讲个笑话。

回复：

为什么稻草人成了励志演讲家？因为他在自己的领域里太出色了！

步骤4：使用REST API

Ollama提供与OpenAI兼容的API，方便集成。以下是Python示例：

import requests

response = requests.post("http://localhost:11434/api/generate", jsnotallow={
    "model": "mistral",
    "prompt": "讲个笑话"
})
print(response.json()['response'])

输出：

为什么程序员不用暗黑模式？因为亮色模式会吸引bug。

步骤5：验证设置

检查运行中的模型：

ollama ps

输出：

NAME            ID              SIZE    PROCESS         PORT
mistral:7b      abc123          4.1 GB  running         11434

工作流图表：

7. 开始使用vLLM：一步步指南

vLLM需要更多设置，但在GPU支持的系统上性能更优。我们来运行Llama 3 8B。

步骤1：准备工作

•硬件：NVIDIA GPU支持CUDA（比如A100、RTX 4090）。

•软件：Python 3.8+、NVIDIA驱动、CUDA 11.8+和pip。

步骤2：安装vLLM

通过pip安装vLLM：

pip install vllm

输出：vLLM及依赖（如PyTorch、transformers）安装完成。

步骤3：运行模型

服务Llama 3 8B：

vllm serve meta-llama/Llama-3-8b --gpu-memory-utilization 0.9

输出：服务器启动，地址为http://localhost:8000。

步骤4：查询模型

用Python与vLLM交互：

from vllm import LLM

llm = LLM(model="meta-llama/Llama-3-8b")
output = llm.generate("vLLM是什么？")
print(output)

输出：

vLLM是一个开源库，用于高效LLM推理，通过PagedAttention优化GPU内存，continuous batching实现高吞吐量。

步骤5：测试API

使用curl查询OpenAI兼容API：

curl -X POST http://localhost:8000/v1/completions \
-H "Content-Type: application/json" \
-d '{"model": "meta-llama/Llama-3-8b", "prompt": "你好，世界！", "max_tokens": 50}'

输出：

{
  "choices": [
    {
      "text": "你好！今天我能帮你什么？世界充满可能性，我们一起探索吧！"
    }
  ]
}

工作流图表：

8. 使用Docker Compose设置vLLM

Docker Compose能简化vLLM的生产部署。以下是设置方法。

步骤1：创建Docker Compose文件

创建​​docker-compose.yml​​：

version: '3.8'
services:
vllm:
    image:vllm/vllm-openai:latest
    deploy:
      resources:
        reservations:
          devices:
            -driver:nvidia
              count:1
              capabilities: [gpu]
    ports:
      -"8000:8000"
    environment:
      -MODEL_NAME=meta-llama/Llama-3-8b
      -GPU_MEMORY_UTILIZATION=0.9
    volumes:
      - ./models:/models

步骤2：运行Docker Compose

docker-compose up -d

输出：vLLM服务器在分离模式下启动，可通过http://localhost:8000访问。

步骤3：测试API

curl -X POST http://localhost:8000/v1/completions \
-H "Content-Type: application/json" \
-d '{"model": "meta-llama/Llama-3-8b", "prompt": "Docker是什么？", "max_tokens": 50}'

输出：

{
  "choices": [
    {
      "text": "Docker是一个容器化平台，让应用在不同环境中以隔离依赖的方式一致运行。"
    }
  ]
}

步骤4：监控容器

检查容器状态：

docker-compose ps

输出：

Name                 Command               State           Ports
vllm_vllm_1          /usr/bin/vllm serve ...   Up      0.0.0.0:8000->8000/tcp

Docker Compose工作流图表：

9. 处理故障和调整

部署LLM可能会遇到问题。以下是Ollama和vLLM的常见问题及解决方法。

Ollama故障

•内存不足：在<16GB RAM系统上运行13B模型会导致崩溃。
解决：使用更小模型（比如7B）或启用交换空间：

sudo fallocate -l 8G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile

•GPU不兼容：老旧GPU可能不支持Ollama的CUDA要求。
解决：切换到CPU模式（​​OLLAMA_NO_GPU=1 ollama run mistral​​）或升级硬件。

•模型下载问题：网络慢或服务器超时。
解决：重试​​ollama pull mistral​​或换其他模型。

vLLM故障

•CUDA错误：缺少或不兼容的NVIDIA驱动。
解决：用​​nvidia-smi​​检查驱动版本（确保CUDA 11.8+）。从NVIDIA官网更新驱动。

•高内存使用：大模型耗尽GPU内存。
解决：降低​​--gpu-memory-utilization​​（比如0.8）或使用quantization（见第12节）。

•API超时：高并发压垮服务器。
解决：增加批次大小（​​--max-num-batched-tokens 4096​​）或添加更多GPU。
示例修复：如果vLLM因CUDA错误崩溃，验证驱动：

nvidia-smi

输出：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.60.13    Driver Version: 525.60.13    CUDA Version: 12.0     |
|-----------------------------------------------------------------------------|
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  NVIDIA A100 40GB   Off  | 00000000:00:04.0 Off |                    0 |
| N/A   35C    P0    43W / 300W |      0MiB / 40536MiB |      0%      Default |
+-----------------------------------------------------------------------------+

10. 多GPU内存共享 vs. NGINX负载均衡

为高吞吐量应用扩展vLLM，需要选择多GPU内存共享还是NGINX负载均衡。我们来比较这两种方式。

多GPU内存共享

vLLM的tensor parallelism和pipeline parallelism将模型权重和计算分布到多个GPU上，共享内存以处理大模型或高并发。

工作原理：Tensor parallelism将模型层分配到不同GPU，pipeline parallelism分割计算阶段。PagedAttention确保高效内存分配。

优点：

• 处理超大模型（比如236B参数）。

• 最大化GPU利用率，内存浪费极低。
缺点：

• 需要高速GPU互连（比如NVLink）。

• 设置和配置复杂。
例子：在8个A100 GPU上部署DeepSeek-Coder-V2（236B）：

vllm serve DeepSeek/DeepSeek-Coder-V2-Instruct --tensor-parallel-size 8

输出：模型跨所有GPU运行，处理请求并行，高吞吐量。

NGINX负载均衡

NGINX将请求分发到多个vLLM实例，每个实例运行在单独的GPU或服务器上。

工作原理：NGINX作为反向代理，根据负载或轮询策略将请求路由到可用vLLM服务器。

优点：

• 设置比tensor parallelism简单。

• 通过添加更多服务器实现水平扩展。
缺点：

• 每个vLLM实例需要自己的模型副本，增加内存使用。

• 对超大模型效率较低。
NGINX配置示例（nginx.conf）：

http {
  upstream vllm_servers {
    server vllm1:8000;
    server vllm2:8000;
  }
  server {
    listen 80;
    location / {
      proxy_pass http://vllm_servers;
    }
  }
}

启动NGINX：

nginx -c /path/to/nginx.conf

输出：NGINX将请求路由到vllm1:8000和vllm2:8000，平衡负载。

比较表：

推荐：对于大模型（比如>70B参数）在带NVLink的多GPU服务器上使用内存共享。对于较小模型或通过加服务器扩展更可行时用NGINX。

工作流图表：

11. 其他考虑：安全性、社区和生态系统

安全性

•Ollama：本地运行，数据暴露风险小。适合无网络连接的隔离系统（比如政府）。检查后台服务（​​ollama serve​​）以确保敏感环境安全。

•vLLM：支持安全部署，但云设置需小心配置。使用HTTPS和API认证配合NGINX：

server {
  listen 443 ssl;
  ssl_certificate /etc/nginx/ssl/cert.pem;
  ssl_certificate_key /etc/nginx/ssl/key.pem;
  location / {
    proxy_pass http://vllm_servers;
  }
}

社区和支持

•Ollama：社区活跃，文档丰富，模型注册表用户友好。适合初学者和小型项目。

•vLLM：社区在增长，由UC Berkeley和Red Hat支持。更技术化但适合企业，GitHub讨论活跃。

生态系统

•Ollama：可与OpenWebUI集成，提供类似ChatGPT的界面。支持多模态模型（比如Llama 3.2 Vision处理文本和图像）。

•vLLM：与Hugging Face集成，支持高级解码（比如beam search），优化用于LangChain或LlamaIndex等生产管道。

12. 高级话题：量化和多模态模型

量化

量化通过降低数值精度（比如从FP16到INT8）减少模型大小和内存使用。两个框架都支持，但有差异：

•Ollama：支持通过gguf文件进行4位和8位量化。示例：

ollama pull mistral:7b-q4

• 输出：下载量化后的Mistral 7B模型（约2GB，FP16为4GB）。
• vLLM：支持AWQ、GPTQ等量化方式加速GPU：

vllm serve meta-llama/Llama-3-8b --quantization awq

• 好处：减少内存占用，支持在有限GPU上运行更大模型。

多模态模型

•Ollama：支持视觉语言模型，如Llama 3.2 Vision。示例：

ollama run llama3.2:vision

•输出：处理文本和图像输入（比如“描述这张图片”配合本地文件）。

•vLLM：多模态支持有限，但扩展中（比如LLaVA模型）。示例：

vllm serve llava-hf/llava-13b --trust-remote-code

• 注意：视觉处理需额外设置。

量化比较表：

13. 结论：为LLM需求做出正确选择

从Ollama过渡到vLLM就像从家里厨房搬到商业厨房。Ollama适合本地实验、注重隐私的应用和资源受限环境。它的简单性和跨平台支持非常适合初学者和小型项目。vLLM凭借PagedAttention和continuous batching，专为高吞吐量、生产级应用打造，速度和可扩展性至关重要。

•选择Ollama：用于原型开发、离线应用或基于CPU的设置。

•选择vLLM：用于高流量服务、大型模型或多GPU部署。

本文转载自​​​​​​​PyTorch研习社​​​，作者：AI研究生