使用VLLM部署大模型embedding/chat 的API

模型下载：


一般通过modelscope提供的方式进行下载，速度更快，huggingface下模型即便开启了魔法也还是很慢，对于9B以上的模型都是至少15G的。
比如需要下载qwen3-embedding-8b的模型，可以通过提供的一段代码自动进行下载到/root/.cache中

#Model Download
from modelscope import snapshot_download
model_dir = snapshot_download('Qwen/Qwen3-Embedding-8B')

VLLM库介绍

vLLM 是一个为大型语言模型（LLM）推理和部署服务而设计的、主打高性能和高内存效率的开源库。它最初由加州大学伯克利分校的研究人员开发，现在已经成为一个由社区驱动的活跃项目，并由 PyTorch 基金会托管。

简单来说，vLLM 的核心目标是让 LLM 的运行更快、更省钱、更容易。无论是进行离线批量处理还是部署在线服务，vLLM 都能显著提升模型的推理速度和吞吐量（即单位时间内处理请求的数量）。

vLLM 为何如此高效？核心技术：PagedAttention

vLLM 实现卓越性能的关键在于其创新的 PagedAttention 算法。

  1. 灵感来源：PagedAttention 的思想借鉴了操作系统中经典的“虚拟内存”和“分页”技术。

  2. 解决痛点：传统的大模型推理系统在处理注意力机制中的键值缓存（KV Cache）时效率低下。 KV Cache 需要占用大量 GPU 显存，并且由于每个请求生成的文本长度不同，会导致严重的内存碎片和浪费。研究发现，现有系统对显存的利用率可能低至 20%-40%。

  3. 工作原理：

    • 内存分页管理：PagedAttention 将庞大的 KV Cache 分割成许多个固定大小的“块”（Block）。这些块可以像操作系统的内存页一样，存储在非连续的显存空间中。

    • 近乎零浪费：通过这种方式，vLLM 几乎消除了内存碎片，让显存的利用率接近 100%，从而可以在相同的硬件上处理更大批次的请求。

    • 高效内存共享：当多个请求（例如，使用相同开头提示词的并行生成）需要共享部分计算结果时，PagedAttention 可以通过共享内存块来实现，极大地减少了内存开销，使得并行采样、束搜索（Beam Search）等复杂生成策略的运行成本更低。

得益于 PagedAttention，vLLM 的吞吐量可以达到 HuggingFace Transformers 的 24 倍之多，并且无需对模型架构做任何修改。

vLLM 的主要特性与优势

  • 极致的吞吐量：通过 PagedAttention 和持续批处理（Continuous Batching）技术，vLLM 可以高效地将多个请求打包处理，最大化 GPU 的利用率，实现业界领先的推理吞吐量。

  • 高效的内存管理：显著降低显存占用，这意味着用户可以用更少的硬件资源运行更大的模型，或者在同等硬件上获得更高的性能，从而降低成本。

  • 易于使用和部署：

    • 离线推理：提供了简单的 Python API（vllm.LLM 类），只需几行代码即可加载模型并进行推理。

    • 在线服务：通过一条命令（vllm serve）即可启动一个与 OpenAI API 兼容的服务器。这意味着许多现有的、基于 OpenAI API 开发的应用可以无缝切换到由 vLLM 驱动的本地模型，极大地简化了部署流程。

  • 广泛的兼容性：

    • 模型支持：无缝支持 Hugging Face 生态中绝大多数热门的开源模型，包括 Llama、Mixtral、Gemma 等多种架构。同时，它也开始支持多模态模型。

    • 硬件支持：主要针对 NVIDIA GPU 进行了深度优化，同时也支持 AMD GPU、AWS Neuron 等多种硬件。

  • 丰富的高级功能：

    • 量化支持：支持 GPTQ、AWQ、FP8 等多种量化技术，进一步压缩模型体积，提升推理速度。

    • 分布式推理：支持张量并行和流水线并行，能够将超大模型部署在多张 GPU 上。

    • 流式输出：支持像 ChatGPT 一样逐字生成并返回结果。

    • 多 LoRA 适配：支持同时加载和运行多个 LoRA 适配器，适用于需要为不同客户或任务提供定制化服务的场景。

如何开始使用 vLLM？

使用 vLLM 非常直接：

  1. 安装：通常通过 pip install vllm 即可完成安装。需要注意的是，要确保本地的 NVIDIA 驱动、CUDA 版本与 PyTorch 版本相互兼容。

  2. 用于离线批量推理：

    from vllm import LLM, SamplingParams# 从 Hugging Face Hub 加载模型
llm = LLM(model="meta-llama/Meta-Llama-3-8B-Instruct")# 定义采样参数
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)# 生成文本
outputs = llm.generate("你好，中国的首都是", sampling_params)# 打印结果
print(outputs[0].outputs[0].text)

  3. 部署为在线服务：
    在终端中运行以下命令：

    python -m vllm.entrypoints.openai.api_server \--model "meta-llama/Meta-Llama-3-8B-Instruct"

    该命令会启动一个监听在 localhost:8000 的服务，你可以像调用 OpenAI API 一样，通过 curl 或任何 HTTP 客户端来请求这个服务。

使用 curl 命令行工具和使用 Python 的 openai 库。

假设你已经通过以下命令在本地启动了服务，模型为 meta-llama/Meta-Llama-3-8B-Instruct：

codeBash

python -m vllm.entrypoints.openai.api_server --model "meta-llama/Meta-Llama-3-8B-Instruct"

服务会默认运行在 http://localhost:8000。

方式一：使用 curl 命令行工具

curl 是一个强大的命令行工具，用于发送网络请求。这对于快速测试和脚本编写非常方便。

1. 调用“Completions”接口 (适用于旧版模型)

这个接口主要用于文本补全，你提供一个提示（prompt），模型会接着往下写。

curl http://localhost:8000/v1/completions \-H "Content-Type: application/json" \-d '{"model": "meta-llama/Meta-Llama-3-8B-Instruct","prompt": "中国的首都是","max_tokens": 50,"temperature": 0.7}'

参数解释:

  • http://localhost:8000/v1/completions: 这是 vLLM 服务的 Completions API 端点。

  • -H "Content-Type: application/json": 指定我们发送的数据是 JSON 格式。

  • -d '{...}': 指定要发送的数据体 (data body)。

    • "model": 指定要使用的模型。vLLM 服务器会加载你在启动时指定的模型。

    • "prompt": 你的输入提示。

    • "max_tokens": 控制生成文本的最大长度。

    • "temperature": 控制生成文本的创造性。值越低越确定，越高越随机。

2. 调用“Chat Completions”接口 (推荐，适用于现代对话模型)

这个接口是为对话型模型设计的，输入的是一个消息列表（messages list），可以包含系统、用户和助手的多轮对话历史。Llama 3 Instruct 这类指令微调模型使用这个接口更合适。

curl http://localhost:8000/v1/chat/completions \-H "Content-Type: application/json" \-d '{"model": "meta-llama/Meta-Llama-3-8B-Instruct","messages": [{"role": "system", "content": "你是一个乐于助人的AI助手。"},{"role": "user", "content": "你好，请问中国的首都是哪里？"}],"max_tokens": 50,"temperature": 0.7}'

参数解释:

  • http://localhost:8000/v1/chat/completions: 这是 vLLM 服务的 Chat Completions API 端点。

  • "messages": 一个消息对象数组，用来提供对话上下文。

    • "role": 角色，可以是 system (系统指令)、user (用户提问) 或 assistant (模型之前的回答)。

    • "content": 消息的具体内容。

方式二：使用 Python 的 openai 库

这是在应用程序中最常用、最方便的方式。你需要先安装 openai 库：pip install openai。

然后，你可以编写一个 Python 脚本来调用 vLLM 服务。关键在于 修改 base_url 指向你的本地 vLLM 服务器，并使用一个虚拟的 API 密钥。

import openai# 创建一个 OpenAI 客户端，但将其配置为指向本地的 vLLM 服务器
# 注意：api_key 是必需的，但由于是本地服务，其值可以是任何非空字符串
client = openai.OpenAI(base_url="http://localhost:8000/v1",api_key="not-needed" 
)# 调用 Chat Completions 接口
response = client.chat.completions.create(model="meta-llama/Meta-Llama-3-8B-Instruct",messages=[{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "What is the capital of China?"}],temperature=0.7,max_tokens=50
)# 打印模型的回复
print(response.choices[0].message.content)

代码解释:

  1. openai.OpenAI(...): 我们实例化一个客户端。

  2. base_url="http://localhost:8000/v1": 这是最关键的一步。它告诉 openai 库不要去请求官方的 api.openai.com，而是请求我们本地运行的 vLLM 服务地址。

  3. api_key="not-needed": 尽管 openai 库要求提供一个 API 密钥，但 vLLM 服务器默认不会对其进行验证，所以你可以填写任何字符串，比如 "not-needed" 或 "sk-..."。

  4. client.chat.completions.create(...): 这部分代码就和调用官方 OpenAI API 的代码完全一样了，参数也一一对应。

这种方式的巨大优势在于，如果你有一个现有的项目是基于 OpenAI API 开发的，你几乎只需要修改 base_url 这一行代码，就可以无缝地将后端从 OpenAI 的付费服务切换到你自己部署的、由 vLLM 驱动的开源模型上，大大降低了迁移成本。

python脚本部署：

import os
import subprocess
import sysdef start_embed_server():cmd = [sys.executable, "-m", "vllm.entrypoints.openai.api_server","--model", "BAAI/bge-m3","--task", "embed","--host", "0.0.0.0","--port", "8101","--api-key", ""  ]print("启动嵌入模型服务器...")process = subprocess.Popen(cmd)return processif __name__ == "__main__":server_process = start_embed_server()print("服务器启动在 http://localhost:8101")try:server_process.wait()except KeyboardInterrupt:print("关闭服务器...")server_process.terminate()

代码功能概述

这是一个Python脚本，用于启动vLLM框架的OpenAI API兼容的嵌入模型服务器，使用BAAI/bge-m3模型提供文本嵌入服务。

逐行解析

1. 导入模块

import os
import subprocess
import sys

  • subprocess: 用于启动和管理子进程

  • sys: 用于访问Python解释器相关的功能和参数

2. 服务器启动函数

def start_embed_server():cmd = [sys.executable, "-m", "vllm.entrypoints.openai.api_server","--model", "BAAI/bge-m3","--task", "embed","--host", "0.0.0.0","--port", "8101","--api-key", ""  ]

  • sys.executable: 当前Python解释器的路径

  • 命令参数：

    • -m vllm.entrypoints.openai.api_server: 作为模块运行vLLM的OpenAI API服务器

    • --model BAAI/bge-m3: 指定使用的嵌入模型

    • --task embed: 指定任务类型为嵌入

    • --host 0.0.0.0: 监听所有网络接口

    • --port 8101: 使用8101端口

    • --api-key "": 设置空API密钥（无需认证）

3. 启动子进程

process = subprocess.Popen(cmd)
return process

  • subprocess.Popen(): 启动新的子进程运行指定命令

  • 返回进程对象以便后续管理

4. 主程序逻辑

if __name__ == "__main__":server_process = start_embed_server()print("服务器启动在 http://localhost:8101")

  • 启动服务器并获取进程对象

  • 输出服务器访问地址

5. 进程管理和优雅关闭

try:server_process.wait()
except KeyboardInterrupt:print("关闭服务器...")server_process.terminate()

  • server_process.wait(): 等待子进程结束

  • 捕获KeyboardInterrupt（Ctrl+C）信号

  • server_process.terminate(): 优雅终止服务器进程

技术要点

  1. vLLM框架: 高性能的LLM推理和服务框架

  2. BAAI/bge-m3模型: 北京智源研究院的多语言文本嵌入模型

  3. OpenAI API兼容: 可以使用OpenAI风格的API调用

  4. 子进程管理: 通过subprocess模块管理外部进程

使用方式：

脚本已通过 vLLM 以 OpenAI 兼容协议在 http://localhost:8101/v1 暴露了 Embeddings 服务（模型 BAAI/bge-m3）。可直接按 OpenAI API 的用法访问。

  • 基础地址: http://localhost:8101/v1
  • 认证: 你启动时 --api-key ""，表示不校验；如后续设置了密钥，需加 Authorization: Bearer <YOUR_KEY>
  • 主要接口: POST /v1/embeddings
  • 必要参数: model: "BAAI/bge-m3", input: "<文本>" 或 ["文本1","文本2"]

curl 示例

curl -X POST "http://localhost:8101/v1/embeddings" \-H "Content-Type: application/json" \-H "Authorization: Bearer any" \-d '{"model": "BAAI/bge-m3","input": ["你好，世界", "hello world"]}'

Python（OpenAI SDK）

from openai import OpenAIclient = OpenAI(base_url="http://localhost:8101/v1", api_key="any")  # 无校验时随便填resp = client.embeddings.create(model="BAAI/bge-m3",input=["这是一个测试", "another sample"])print(len(resp.data), len(resp.data[0].embedding))

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/web/94201.shtml
繁体地址，请注明出处：http://hk.pswp.cn/web/94201.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Blender模型动画导入到UE5

Blender模型动画导入到UE5

UE5支持直接导入FBX文件&#xff0c;但在实际应用中笔者发现&#xff1a;刚开始使用的是UE5.3&#xff0c;在UE5.3中直接将.fbx文件拖入UE中导入后是一个个的零件&#xff0c;后来使用了datasmith插件等其他办法&#xff0c;怎么都没有达到想要的效果。后面升级UE5.4以后&#…
阅读更多...
Promise详解：Promise解决ajax回调嵌套问题

Promise详解：Promise解决ajax回调嵌套问题

目录 一、Promise是什么 二、回调地狱 三、Promise解决回调地狱的原理 四、promaise实例 一、Promise是什么 1、主要用于异步计算 2、可以将异步操作队列化&#xff0c;按照期望的顺序执行&#xff0c;返回符合预期的结果 4、可以在对象之间传递和操作promise&#xff0c…
阅读更多...
【Kubernetes知识点】Pod调度和ConfigMaps

【Kubernetes知识点】Pod调度和ConfigMaps

目录 1.如何将特定Pod调度到指定的节点&#xff1f; 2.什么是节点的亲和性&#xff1f; 3.什么是污点&#xff0c;它的主要用途是什么&#xff1f; 4.解释ConfigMap的作用。 5.Secret和ConfigMap相比较有哪些优点。 6.解释ResourceQuota的作用 1.如何将特定Pod调度到指定…
阅读更多...
火车头使用Post方法采集Ajax页面教程

火车头使用Post方法采集Ajax页面教程

前面有写过一篇瀑布流的采集方法&#xff0c;今天在添加一个POST方法来采集Ajax刷新页面的教程。 之前的文章请看&#xff1a;火车头采集动态加载Ajax数据&#xff08;无分页瀑布流网站&#xff09; 如果遇到POST方法来架子Ajax数据&#xff0c;这和我之前写的是两个类型&…
阅读更多...
【学习记录】structuredClone，URLSearchParams，groupBy

【学习记录】structuredClone，URLSearchParams，groupBy

structuredClone() 可以进行深拷贝&#xff0c;这里有详细讲解&#xff1a;Window&#xff1a;structuredClone() 方法 当需要处理包含嵌套对象或数组的复杂数据结构时&#xff0c;建议使用 structuredClone() 来保护原始数据。 举例&#xff1a;别再用 … 扩展运算符了&#x…
阅读更多...
30条AI编程指令

30条AI编程指令

大家好&#xff0c;小机又来分享AI了。 前言&#xff1a; 凌晨三点&#xff0c;你还在像素级对齐那个永远对不齐的按钮&#xff1b;刚写完的API文档&#xff0c;产品经理一句"需求变了" 让你瞬间崩溃&#xff1b;更扎心的是&#xff0c;实习生用AI十分钟搞定了你要…
阅读更多...
AI+虚拟仿真：以科技之光照亮希望的田野

AI+虚拟仿真：以科技之光照亮希望的田野

在乡村振兴与农业现代化的全新征程中&#xff0c;农林专业人才肩负着科技赋能土地、守护绿色发展的重任。然而&#xff0c;现有的教育模式却越发不适应农业人才的培养需求。“AI虚拟仿真”正在为农业现代化人才建设提供创新的技术引擎。市场风口与政策红据统计&#xff0c;2024…
阅读更多...
04_函数

04_函数

第4课&#xff1a;函数 课程目标 掌握函数的定义和调用方法学习参数传递和返回值的使用理解函数的作用域和命名空间 1. 函数的基本概念 函数是一段可重复使用的代码块&#xff0c;用于执行特定的任务。 2. 函数的定义和调用 # 定义函数 def greet():print("你好&#xff0…
阅读更多...
STM32学习笔记19-FLASH

STM32学习笔记19-FLASH

FLASH简介STM32F1系列的FLASH包含程序存储器、系统存储器和选项字节三个部分&#xff0c;通过闪存存储器接口&#xff08;外设&#xff09;可以对程序存储器和选项字节进行擦除和编程&#xff0c;读取指定寄存器直接使用指针读即可读写FLASH的用途&#xff1a;利用程序存储器的…
阅读更多...
电蚊拍的原理及电压电容参数深度解析：从高频振荡到倍压整流的完整技术剖析

电蚊拍的原理及电压电容参数深度解析：从高频振荡到倍压整流的完整技术剖析

1. 引言在炎炎夏日&#xff0c;蚊虫成为人们生活中的一大困扰。电蚊拍作为一种高效、环保的物理灭蚊工具&#xff0c;凭借其便携性和实用性在全球范围内得到了广泛应用。然而&#xff0c;许多用户对这种看似简单的小家电背后的工作原理知之甚少。电蚊拍是一种新型的灭蚊小家电&…
阅读更多...
Mac简单测试硬盘读写速度

Mac简单测试硬盘读写速度

一、下载软件 Blackmagic Disk Speed Test 「达芬奇 磁盘速度测试」二、选中测试位置可以随便选个文件比如“下载”目录三、开始测速
阅读更多...
⸢ 零 ⸥ ⤳ 安全体系构建内容结构

⸢ 零 ⸥ ⤳ 安全体系构建内容结构

&#x1f44d;点「赞」&#x1f4cc;收「藏」&#x1f440;关「注」&#x1f4ac;评「论」在金融科技深度融合的背景下&#xff0c;信息安全已从单纯的技术攻防扩展至架构、合规、流程与创新的系统工程。作为一名从业十多年的老兵&#xff0c;系统阐述数字银行安全体系的建设路…
阅读更多...
XP系统安装Android Studio 3.5.3并建立Java或Native C++工程，然后在安卓手机上运行

XP系统安装Android Studio 3.5.3并建立Java或Native C++工程，然后在安卓手机上运行

第一节 安装Android Studio 3.5.3Android Studio 3.5.3下载地址&#xff1a;Android Studio 3.5.3 December 5, 2019 Windows (32-bit): android-studio-ide-191.6010548-windows32.zip (756.1 MB) https://redirector.gvt1.com/edgedl/android/studio/ide-zips/3.5.3.0/androi…
阅读更多...
calchash.exe和chckhash.exe计算pe文件hash值的两个实用小工具

calchash.exe和chckhash.exe计算pe文件hash值的两个实用小工具

第一部分&#xff1a; C:\WINDOWS\system32\CatRoot\{F750E6C3-38EE-11D1-85E5-00C04FC295EE}\NT5.CAT t部分内容B B D 0 2 2 2 1 A A 6 5 5 6 2 8 F 4 9 5 F 6 C D 3 0 3 9 0 8 B B E 0 0 F 9 5 9 5 第二部分&#xff1a; D:\>calchash.exe pidgen.dll BB D0 22 21 AA 65 …
阅读更多...
lanczso算法中的额外正交化代码解释

lanczso算法中的额外正交化代码解释

额外正交化 定义&#xff1a;在Lanczos算法中&#xff0c;由于浮点误差&#xff0c;生成的向量可能不完全正交&#xff0c;需要额外正交化步骤。代码实现&#xff1a;def extra_orthogonalization(v, basis):for u in basis:v - u * (v.dot(u) / u.dot(u))
阅读更多...
Rabbit 实战指南-学习笔记

Rabbit 实战指南-学习笔记

第 4 章 RabbitMQ 进阶 mandatory 参数 Returning | RabbitMQ 当 mandatory 参数设为 true 时&#xff0c;交换器无法根据自身的类型和路由键找到一个符合条件的队列&#xff0c;那么RabbitMQ 会调用 Basic.Return 命令将消息返回给生产者,通过调用channel.addReturnListener …
阅读更多...
BEVDet4D

BEVDet4D

1. BEVDet4D算法动机及开创性思路 1&#xff09;BEVDet算法概述输入输出&#xff1a;输入为6视角图像&#xff08;NuScenes数据集&#xff09;&#xff0c;输出为3D检测结果核心模块&#xff1a; 图像编码器&#xff1a;由Backbone网络和多尺度特征融合网络组成&#xff0c;处理…
阅读更多...
当 AI 学会 “理解” 人类：自然语言处理的进化与伦理边界

当 AI 学会 “理解” 人类：自然语言处理的进化与伦理边界

大家可以去我的资源看看&#xff0c;有很多关于AI的免费资源可以下载&#xff0c;不下载也可以看看&#xff0c;真的对你有用引言&#xff1a;从 “对话” 到 “理解”——AI 语言能力的时代跃迁现实锚点&#xff1a;以日常场景切入&#xff08;如 ChatGPT 流畅回应复杂问题、A…
阅读更多...
WPF控件随窗体大宽度高度改变而改变

WPF控件随窗体大宽度高度改变而改变

前台控件中&#xff1a;Width"{Binding RelativeSource{RelativeSource AncestorTypeWindow}, PathWidth}"后台代码&#xff1a;定义在加载事件里面this.SizeChanged ProductData_SizeChanged;private void ProductData_SizeChanged(object sender, SizeChangedEven…
阅读更多...
E10 通过RPC实现账号批量锁定与解锁

E10 通过RPC实现账号批量锁定与解锁

需求背景&#xff1a;账号信息由三方系统管理&#xff0c;包含账号状态&#xff0c;所以需要通过提供给三方的 Rest 接口中&#xff0c;实现账号锁定与解锁。参考基线版本&#xff1a;10.0.2506.01&#xff0c;过低的版本可能无法使用。 锁定分为两种&#xff1a; &#xff08;…
阅读更多...
最新文章

Copyright @ 2022~2023