全模态大模型部署，vLLM-Omni 来了，100%开源

vLLM 是我们公众号的常客了，几乎所有关于大模型本地部署的文章都是用 vLLM 启动的

安全审核大模型，本地部署，实测
腾讯混元 OCR 大模型，本地部署，实测
大模型本地部署相关文章，我做了一个网站

但是部署多模态，尤其是最近 N 多全模态大模型，vLLM 就有点捉襟见肘了

vllm-project 团队开源了一个新框架——vLLM-Omni

vLLM-Omni

1. 什么是 vLLM-Omni？ 最初，vLLM 是为大规模语言模型（LLM）的文本生成任务量身定制的。
   然而，随着需求演进，vLLM-Omni将其能力扩展到了更广阔的领域：
   •全模态支持：它不仅能处理文本，还支持图像、视频和音频数据。 •非自回归架构：除了支持传统的自回归模型，它还扩展支持了DiT和其他并行生成模型。 • 异构输出**：能够实现从传统文本生成到各种多模态输出的跨越。

2. 核心技术优势：为什么它如此之快？ •高效的缓存管理：继承并优化了 vLLM 的KV 缓存管理机制。 •流水线并行执行：通过阶段执行的重叠（overlapping）来实现高吞吐量性能。 •灵活的资源调度：基于OmniConnector的全解耦架构，支持跨阶段的动态资源分配。 **高性能 (Performance)**：利用流水线阶段执行来重叠计算，确保高吞吐量性能。当一个阶段在处理时，其他阶段不会闲置。

1. 易用性与生态兼容性 对于开发者而言，vLLM-Omni 极易上手且高度兼容，如果你会用 vLLM，你就会用 vLLM-Omni： •无缝集成：支持 Hugging Face 上最热门的开源模型，例如Qwen-Omni和Qwen-Image。 •标准接口：提供与OpenAI 兼容的 API 服务器，极大降低了集成成本。 •分布式推理：支持张量并行、流水线并行、数据并行以及专家并行（EP）。 •开发语言：该项目主要由Python (98.5%)编写，方便社区进行二次开发和贡献。

目前支持的模型

N 卡上阿里 Qwen 能打的多模态模型及户全都支持，华为 NPU 也支持，只是可用模型较少

---

安装 vllm-omni

推荐使用 uv 进行环境管理

uv venv --python 3.12 --seed
source.venv/bin/activate
uv pip install vllm==0.12.0 --torch-backend=auto
uv pip install vllm-omni

内网部署的话，Docker 是必须的

镜像下载：https://hub.docker.com/r/vllm/vllm-omni

docker run --runtime nvidia --gpus 2 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  --env"HF_TOKEN=$HF_TOKEN"\
  -p 8091:8091 \
  --ipc=host \
  vllm/vllm-omni:v0.11.0rc1 \
  --model Qwen/Qwen3-Omni-30B-A3B-Instruct --port 8091

使用方法：离线推理

以下是使用Tongyi-MAI/Z-Image-Turbo模型进行文生图的简单示例：

fromvllm_omni.entrypoints.omniimportOmni

if__name__ =="__main__":
 # 初始化 Omni 模型
  omni = Omni(model="Tongyi-MAI/Z-Image-Turbo")
 
  prompt ="a cup of coffee on the table"
 
 # 生成图像
  images = omni.generate(prompt)
 
 # 保存结果
  images[0].save("coffee.png")

也可以直接命令行

python text_to_image.py \
 --model Tongyi-MAI/Z-Image-Turbo \
 --prompt"a cup of coffee on the table"\
 --seed 42 \
 --cfg_scale 4.0 \
 --num_images_per_prompt 1 \
 --num_inference_steps 50 \
 --height 1024 \
 --width 1024 \
 --output outputs/coffee.png

使用方法：在线推理

启动脚本：

vllm serve Qwen/Qwen-Image --omni --port 8091

Method 1: curl 调用 API

curl -s http://localhost:8091/v1/chat/completions \
 -H"Content-Type: application/json"\
 -d'{
  "messages": [
   {"role": "user", "content": "A beautiful landscape painting"}
  ],
  "extra_body": {
   "height": 1024,
   "width": 1024,
   "num_inference_steps": 50,
   "true_cfg_scale": 4.0,
   "seed": 42
  }
 }'| jq -r'.choices[0].message.content[0].image_url.url'| cut -d','-f2 | base64 -d > output.png

Method 2: Python Client 调用

python openai_chat_client.py --prompt"A beautiful landscape painting"--output output.png

Method 3: 使用 Gradio Demo¶

官方还提供了 Gradio 实现的前端

#https://github.com/vllm-project/vllm-omni
python gradio_demo.py

然后浏览器访问http://localhost:7860

最后，官方还提供了一系列实用教程，涉及文生图、图生图、全模态等等：

https://docs.vllm.ai/projects/vllm-omni/en/latest/user_guide/examples/online_serving/text_to_image/#example-materials

在最后，这个项目的核心开发者都是中国面孔

后续我要用 4090 实际运行 Z-Image-Turbo 并进行实测，教程后续更新