链载Ai

标题: 为什么从 Ollama 走向 vLLM 是大模型部署的必然之路 [打印本页]
作者: 链载Ai    时间: 昨天 22:05
标题: 为什么从 Ollama 走向 vLLM 是大模型部署的必然之路

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">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

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">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：

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：

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：

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

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

内存

可扩展性

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

什么时候用vLLM

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

步骤2：拉取模型

下载Mistral 7B：

ollamapullmistral: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：

ollamarunmistral: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：

importrequests

response = requests.post("http://localhost:11434/api/generate", json={
 "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：

ollamaps

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

步骤2：安装vLLM

通过pip安装vLLM：

pipinstallvllm

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：

vllmservemeta-llama/Llama-3-8b--gpu-memory-utilization0.9

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：

fromvllmimportLLM

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，continuousbatching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-composeup-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-composeps

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

vLLM故障

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：

vllmserveDeepSeek/DeepSeek-Coder-V2-Instruct--tensor-parallel-size8

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：

http{
upstreamvllm_servers {
 servervllm1:8000;
 servervllm2:8000;
 }
server{
 listen80;
 location/ {
  proxy_passhttp://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

server{
listen443ssl;
ssl_certificate/etc/nginx/ssl/cert.pem;
ssl_certificate_key/etc/nginx/ssl/key.pem;
location/ {
 proxy_passhttp://vllm_servers;
 }
}

社区和支持

生态系统

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：

多模态模型

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。






欢迎光临 链载Ai (https://www.lianzai.com/) Powered by Discuz! X3.5