一文搞懂大模型部署Ollama和vLLM

最新推荐文章于 2025-05-12 11:07:04 发布

LLM教程

最新推荐文章于 2025-05-12 11:07:04 发布

阅读量654

点赞数 29

文章标签： langchain 大数据人工智能机器学习 LLM RAG

本文链接：https://blog.csdn.net/AAI666666/article/details/147850467

版权

Ollama是一款专注于简化大型语言模型本地部署和运行的开源框架，基于Go语言实现，支持跨平台运行，并以“开箱即用”为核心理念，适合个人开发者和轻量化场景。

而vLLM是一个高效的大模型推理与服务引擎，基于PyTorch构建，创新性地引入了PagedAttention技术，旨在解决大模型服务中的显存效率与吞吐量瓶颈，支持张量并行和流水线并行，可横向扩展至多机多卡集群。

vLLM vs Ollama: Key Differences

一、Ollama

Ollama是什么？Ollama 是一个专注于本地运行大型语言模型（LLM）的工具，支持macOS/Linux/Windows，ARM架构设备友好，提供简洁的命令行接口，适合个人开发者和研究者快速体验模型。

Embedding models · Ollama Blog

Ollama以“开箱即用”为核心理念，专为个人开发者和轻量化场景设计。

Ollama基于Go语言实现，通过模块化封装将模型权重、依赖库和运行环境整合为统一容器。这种设计使得用户无需关注底层依赖，仅需一条命令行即可启动模型服务。

Ollama的优势在于开发友好性，但生产部署时面临性能、稳定性和运维能力的全方位挑战。对于关键业务系统，建议仅将其作为实验阶段的验证环节，而非最终部署方案。

# Linux/macOS 一键安装脚本curl -fsSL https://ollama.com/install.sh | sh
# 拉取 DeepSeek-R1 模型ollama pull DeepSeek-R1
# 启动 DeepSeek-R1 模型ollama run DeepSeek-R1  # 启动交互式对话
# 通过 API 调用 DeepSeek-R1 模型curl http://localhost:11434/api/generate -d '{  "model": "DeepSeek-R1",  "prompt": "为什么天空是蓝色的？"}'

二、vLLM

vLLM（Vectorized Large Language Model Serving System）是什么？vLLM 是一个高效的大模型推理与服务引擎，旨在解决大模型服务中的显存效率与吞吐量瓶颈，适合生产环境部署。

GitHub - vllm-project/vllm: A high-throughput and memory-efficient inference and serving engine for LLMs

# 安装 vLLMpip install vllm  # 需要 Python 3.8+ 和 CUDA 11.8+
#启动 vLLM 推理服务，并使用 DeepSeek-R1 模型# 单卡启动 DeepSeek-R1python -m vLLM.entrypoints.api_server \  --model deepseek/DeepSeek-R1 \  --tensor-parallel-size 1
# 使用 curl 命令调用 DeepSeek-R1 模型的推理服务curl http://localhost:8000/generate \  -H "Content-Type: application/json" \  -d '{"prompt": "解释量子纠缠", "max_tokens": 200}'

# 使用 vLLM 的 Python SDK 调用 DeepSeek-R1 模型from vllm import LLMllm = LLM("deepseek/DeepSeek-R1")outputs = llm.generate(["AI 的未来发展方向是"])print(outputs)

分页注意力机制（PagedAttention）是什么？分页注意力机制借鉴了计算机操作系统中的内存分页管理，通过动态分配和复用显存空间，显著提升大模型推理的效率和吞吐量。

Introduction to vLLM and PagedAttention

在传统的大模型推理中，注意力机制（Transformer的自注意力层）需要为每个请求的序列分配连续的显存块，存储以下数据：

（1）键值缓存（Key-Value Cache，KV Cache）：存储历史token的键值对，用于生成后续token。

（2）中间激活值：计算注意力权重时的中间结果。

vLLM基于PyTorch构建，创新性地引入了PagedAttention技术。该技术借鉴操作系统的虚拟内存分页机制，将注意力键值对（KV Cache）存储在非连续显存空间，显著提高了显存利用率。

PagedAttention通过分块管理显存、动态按需分配和跨请求共享内存，解决了传统方法中显存碎片化、预留浪费和并发限制三大瓶颈。

PagedAttention 算法

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望