1.准备服务器

cuda 版本选12.1
vllm官网介绍：

https://vllm.hyper.ai/docs/getting-started/installation/gpu

2. 安装 conda环境，隔离base环境

为了实现高性能，vLLM 需要编译多个 cuda 内核。然而，这一编译过程会导致与其他 CUDA 版本和 PyTorch 版本的二进制不兼容问题。即便是在相同版本的 PyTorch 中，不同的构建配置也可能引发此类不兼容性。

因此，建议使用全新的 conda 环境安装 vLLM。如果您有不同的 CUDA 版本，或者想要使用现有的 PyTorch 安装，则需要从源代码构建 vLLM。更多说明请参阅下文。

conda create -n vllm python=3.10 -y
conda activate vllmpip install vllm

3. vllm使用

3.1 在线推理, openai兼容服务器

vLLM 可以部署为实现 OpenAI API 协议的服务器。这使得 vLLM 可以作为使用 OpenAI API 的应用程序的直接替代品。默认情况下，服务器在 http://localhost:8000 启动。您可以使用 --host 和 --port 参数指定地址。服务器目前 1 次托管 1 个模型，并实现了诸如：列出模型、创建聊天补全和创建补全等端点。

• 运行以下命令以启动 vLLM 服务器并使用 Qwen2.5-0.5B-Instruct 模型：
  使用Qwen2.5模型
  pip install model_scope

from modelscope import snapshot_downloadmodel_dir = snapshot_download('Qwen/Qwen2.5-0.5B-Instruct',cache_dir='/root/autodl-tmp/models')
print(model_dir)

• 启动服务

vllm serve /root/autodl-tmp/models/Qwen/Qwen2.5-0.5B-Instruct

列出模型

curl http://localh