title: “Serving Llms Vllm — vLLM: high-throughput LLM serving, OpenAI API, quantization” sidebar_label: “Serving Llms Vllm” description: “vLLM: high-throughput LLM serving, OpenAI API, quantization”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

提供 Llms vLLM 服务

vLLM：高效能的 LLM 服务框架，支持 OpenAI API 及量化技术。

技能元数据


来源	内置（默认已安装）
路径	`skills/mlops/inference/vllm`
版本	`1.0.0`
开发者	Orchestra Research
许可证	MIT
依赖项	`vllm`、`torch`、`transformers`
支持平台	linux、macos
标签	`vLLM`、`推理服务`、`分页注意力机制`、`连续批处理`、`高吞吐量`、`生产环境`、`OpenAI API`、`量化`、`张量并行`

参考：完整的 SKILL.md 文件

:::info 以下是当触发该技能时 Hermes 会加载的完整技能定义。当技能处于激活状态时，智能体将依据此内容执行操作。: ::

vLLM – 高性能 LLM 服务框架

适用场景

适用于部署生产级 LLM API、优化推理延迟/吞吐量，或为 GPU 内存有限的场景提供模型服务。该框架支持与 OpenAI 兼容的接口、量化技术（GPTQ/AWQ/FP8）以及张量并行处理。

快速入门

通过分页注意力机制（基于块的 KV 缓存）和连续批处理技术（混合预填充请求与解码请求），vLLM 的吞吐量可达到标准 transformers 框架的 24 倍。

安装方式：

pip install vllm

基础离线推理：

from vllm import LLM, SamplingParams

llm = LLM(model="meta-llama/Llama-3-8B-Instruct")
sampling = SamplingParams(temperature=0.7, max_tokens=256)

outputs = llm.generate(["Explain quantum computing"], sampling)
print(outputs[0].outputs[0].text)

兼容 OpenAI 的服务器：

vllm serve meta-llama/Llama-3-8B-Instruct

# Query with OpenAI SDK
python -c "
from openai import OpenAI
client = OpenAI(base_url='http://localhost:8000/v1', api_key='EMPTY')
print(client.chat.completions.create(
    model='meta-llama/Llama-3-8B-Instruct',
    messages=[{'role': 'user', 'content': 'Hello!'}]
).choices[0].message.content)
"

常见工作流程

工作流程 1：生产环境 API 部署

复制此清单并跟踪进度：

Deployment Progress:
- [ ] Step 1: Configure server settings
- [ ] Step 2: Test with limited traffic
- [ ] Step 3: Enable monitoring
- [ ] Step 4: Deploy to production
- [ ] Step 5: Verify performance metrics

步骤 1：配置服务器设置

根据模型规模选择相应的配置方案：

# For 7B-13B models on single GPU
vllm serve meta-llama/Llama-3-8B-Instruct \
  --gpu-memory-utilization 0.9 \
  --max-model-len 8192 \
  --port 8000

# For 30B-70B models with tensor parallelism
vllm serve meta-llama/Llama-2-70b-hf \
  --tensor-parallel-size 4 \
  --gpu-memory-utilization 0.9 \
  --quantization awq \
  --port 8000

# For production with caching and metrics
vllm serve meta-llama/Llama-3-8B-Instruct \
  --gpu-memory-utilization 0.9 \
  --enable-prefix-caching \
  --enable-metrics \
  --metrics-port 9090 \
  --port 8000 \
  --host 0.0.0.0

步骤 2：在有限流量下进行测试

在生产环境部署之前，先运行负载测试：

# Install load testing tool
pip install locust

# Create test_load.py with sample requests
# Run: locust -f test_load.py --host http://localhost:8000

请确保首次生成令牌的时间（TTFT）小于 500 毫秒，且吞吐量大于 100 请求/秒。

步骤 3：启用监控功能

vLLM 会在 9090 端口上暴露 Prometheus 指标：

curl http://localhost:9090/metrics | grep vllm

需要监控的关键指标：

vllm:time_to_first_token_seconds —— 延迟时间
vllm:num_requests_running —— 正在处理的请求数量
vllm:gpu_cache_usage_perc —— KV缓存使用率

第4步：部署到生产环境

建议使用Docker以确保部署的一致性：

# Run vLLM in Docker
docker run --gpus all -p 8000:8000 \
  vllm/vllm-openai:latest \
  --model meta-llama/Llama-3-8B-Instruct \
  --gpu-memory-utilization 0.9 \
  --enable-prefix-caching

第5步：验证性能指标

确认部署结果是否符合预期目标：

TTFT < 500毫秒（针对短文本提示）
吞吐量 > 预设的请求/秒数
GPU利用率 > 80%
日志中无内存不足错误

工作流程2：离线批量推理

用于在无需服务器开销的情况下处理大型数据集。

复制此检查清单：

Batch Processing:
- [ ] Step 1: Prepare input data
- [ ] Step 2: Configure LLM engine
- [ ] Step 3: Run batch inference
- [ ] Step 4: Process results

步骤 1：准备输入数据

# Load prompts from file
prompts = []
with open("prompts.txt") as f:
    prompts = [line.strip() for line in f]

print(f"Loaded {len(prompts)} prompts")

步骤 2：配置大语言模型引擎

from vllm import LLM, SamplingParams

llm = LLM(
    model="meta-llama/Llama-3-8B-Instruct",
    tensor_parallel_size=2,  # Use 2 GPUs
    gpu_memory_utilization=0.9,
    max_model_len=4096
)

sampling = SamplingParams(
    temperature=0.7,
    top_p=0.95,
    max_tokens=512,
    stop=["</s>", "\n\n"]
)

步骤 3：执行批量推理

为提升效率，vLLM 会自动对请求进行批量处理：

# Process all prompts in one call
outputs = llm.generate(prompts, sampling)

# vLLM handles batching internally
# No need to manually chunk prompts

第4步：处理结果

# Extract generated text
results = []
for output in outputs:
    prompt = output.prompt
    generated = output.outputs[0].text
    results.append({
        "prompt": prompt,
        "generated": generated,
        "tokens": len(output.outputs[0].token_ids)
    })

# Save to file
import json
with open("results.jsonl", "w") as f:
    for result in results:
        f.write(json.dumps(result) + "\n")

print(f"Processed {len(results)} prompts")

工作流 3：量化模型服务

在有限的 GPU 内存中部署大型模型。

Quantization Setup:
- [ ] Step 1: Choose quantization method
- [ ] Step 2: Find or create quantized model
- [ ] Step 3: Launch with quantization flag
- [ ] Step 4: Verify accuracy

步骤 1：选择量化方法

AWQ：最适合 70B 模型，精度损失最小
GPTQ：支持多种模型类型，压缩效果优异
FP8：在 H100 GPU 上运行速度最快

步骤 2：查找或创建量化后的模型

可使用 HuggingFace 提供的预量化模型：

# Search for AWQ models
# Example: TheBloke/Llama-2-70B-AWQ

步骤 3：使用量化标志启动

# Using pre-quantized model
vllm serve TheBloke/Llama-2-70B-AWQ \
  --quantization awq \
  --tensor-parallel-size 1 \
  --gpu-memory-utilization 0.95

# Results: 70B model in ~40GB VRAM

第4步：验证准确性

检查输出结果是否符合预期质量标准：

# Compare quantized vs non-quantized responses
# Verify task-specific performance unchanged

何时使用 vLLM 及其替代方案

适合使用 vLLM 的场景：

部署生产级 LLM API（每秒请求量超过 100 次）
提供兼容 OpenAI 的接口
GPU 内存有限但需要运行大型模型
多用户应用（聊天机器人、智能助手）
需要低延迟与高吞吐量的处理能力

建议选择替代方案的情况：

llama.cpp：适用于 CPU/边缘设备推理，单用户使用
HuggingFace transformers：适合研究、原型开发以及一次性文本生成任务
TensorRT-LLM：仅支持 NVIDIA 硬件，需追求极致性能时使用
Text-Generation-Inference：已集成在 HuggingFace 生态系统中

常见问题

问题：加载模型时内存不足

降低内存占用：

vllm serve MODEL \
  --gpu-memory-utilization 0.7 \
  --max-model-len 4096

或者使用量化功能：

vllm serve MODEL --quantization awq

问题：首个令牌生成速度过慢（TTFT超过1秒）

为重复发送的提示语启用前缀缓存功能：

vllm serve MODEL --enable-prefix-caching

对于较长的提示词，请启用分块预填充功能：

vllm serve MODEL --enable-chunked-prefill

问题：模型未找到错误

如需使用自定义模型，请使用 --trust-remote-code 参数：

vllm serve MODEL --trust-remote-code

问题：吞吐量过低（＜50 次请求/秒）

增加并发序列数：

vllm serve MODEL --max-num-seqs 512

使用 nvidia-smi 工具检查 GPU 的利用率——该数值应大于 80%。

问题：推理速度低于预期

请确认张量并行化已使用 2 的幂次方数量的 GPU：

vllm serve MODEL --tensor-parallel-size 4  # Not 3

启用推测解码以提升生成速度：

vllm serve MODEL --speculative-model DRAFT_MODEL

高级主题

服务器部署方案：如需了解 Docker、Kubernetes 及负载均衡的配置方式，请参阅 references/server-deployment.md。

性能优化：关于 PagedAttention 调优、连续批处理详解以及基准测试结果，可查看 references/optimization.md。

量化指南：涉及 AWQ/GPTQ/FP8 的配置、模型准备及精度对比等内容，请参考 references/quantization.md。

故障排查：详细的错误信息、调试步骤以及性能诊断方法，均可在 references/troubleshooting.md 中找到。

硬件要求

小型模型（7B-13B）：1块 A10（24GB）或 A100（40GB）显卡
中型模型（30B-40B）：2块支持张量并行的 A100（40GB）显卡
大型模型（70B+）：4块 A100（40GB）显卡或2块 A100（80GB）显卡，建议使用 AWQ/GPTQ 技术

支持的硬件平台：NVIDIA（主要支持）、AMD ROCm、Intel GPU及 TPU。

Hermes Agent Docs i18n