vLLM+Qwen-32B+Open Web UI构建本地私有大模型

最新推荐文章于 2025-04-07 15:34:43 发布

Python_金钱豹

最新推荐文章于 2025-04-07 15:34:43 发布

阅读量1.5k

点赞数 18

文章标签：前端 ui 机器人安全 langchain 低代码人工智能

本文链接：https://blog.csdn.net/Python_cocola/article/details/146224150

版权

1. vLLM简介

vLLM（Vectorized Large Language Model Serving System）是由加州大学伯克利分校团队开发的高性能、易扩展的大语言模型（LLM）推理引擎，专注于通过创新的内存管理和计算优化技术实现高吞吐、低延迟、低成本的模型服务。vLLM采用PagedAttention内存管理技术，显著提升GPU显存利用率，同时支持分布式推理，能高效利用多机多卡资源。无论是低延迟、高吞吐的在线服务，还是资源受限的边缘部署场景，vLLM 都能提供卓越的性能表现。

中文站点：https://vllm.hyper.ai/docs/
英文站点：https://docs.vllm.ai/en/latest/index.html

2. ModelScope简介

ModelScope‌是一个由阿里巴巴集团推出的开源模型即服务（MaaS）平台，旨在简化模型应用的过程，为AI开发者提供灵活、易用、低成本的一站式模型服务产品。该平台汇集了多种最先进的机器学习模型，涵盖自然语言处理、计算机视觉、语音识别等多个领域，并提供丰富的API接口和工具，使开发人员能够轻松地集成和使用这些模型。‌

官方网站：https://modelscope.cn/models

安装ModelScope

pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple

创建存储目录

mkdir -p /data/Qwen/models/Qwen-32B

下载QwQ-32B模型

modelscope download --local_dir /data/Qwen/models/Qwen-32B --model Qwen/QWQ-32B

3. 启用与优化NVIDIA GPU

更新软件包列表

sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit

配置NVIDIA容器运行时

sudo nvidia-ctk runtime configure --runtime=docker

重启服务

sudo systemctl daemon-reload && sudo systemctl restart docker

4. 运行vLLM容器

拉取镜像

docker pull docker.1panel.live/vllm/vllm-openai

启动vLLM容器

docker run -itd --restart=always --name Qwen-32B \`  `-v /data/Qwen:/data \`  `-p 18005:8000 \`  `--gpus '"device=1,2,3,4"' \`  `--ipc=host --shm-size=16g \`  `vllm/vllm-openai:latest \`  `--dtype bfloat16 \`  `--served-model-name Qwen-32B \`  `--model "/data/models/Qwen-32B" \`  `--tensor-parallel-size 4 \`  `--gpu-memory-utilization 0.95 \`  `--max-model-len 81920 \`  `--api-key token-abc123 \`  `--enforce-eager

Docker命令参数解析详解

-i（interactive）：允许用户与容器进行交互，即使容器不在前台运行。用户可以通过docker logs或docker attach命令查看容器的输出日志
-t（tty）：分配一个伪TTY（虚拟终端）到容器，模拟终端环境。
-d（detach：在后台运行容器，不占用当前终端。
–restart=always：设置容器在主机重启或容器退出后自动重启。
–name Qwen-32B：为容器指定一个唯一的名称。
-v /data/Qwen:/data：将宿主机上的/data/Qwen目录挂载到容器内的/data目录。避免容器重启或删除而导致的数据丢失问题。
-p 18005:8000：将宿主机的18005端口映射到容器内的8000端口。
–gpus ‘“device=1,2,3,4”’：指定容器使用宿主机上的GPU设备1、2、3、4。
–ipc=host：共享宿主机的IPC（进程间通信）命名空间，允许容器与宿主机的进程进行通信。

VLLM模型启动参数

–dtype bfloat16：指定使用bfloat16（Brain Floating Point 16）进行模型计算。
–served-model-name Qwen-32B：设置模型的服务名称为“Qwen-32B”，用于API请求时的模型标识。
–model “/data/models/Qwen-32B”：指定模型文件的路径为容器内的/data/models/Qwen-32B。
–tensor-parallel-size 4：设置张量并行的规模为4，对应使用4块GPU进行模型并行计算。
–gpu-memory-utilization 0.85：设置GPU内存使用率为85%，预留15%的内存空间，防止因内存溢出导致的程序崩溃。
–max-model-len 81920：指定模型的最大上下文长度为81920 Token。模型在单次推理中可以处理的输入和输出的总Token数不超过81920个。
–api-key token-abc123：设置API访问密钥为“token-abc123”，调用API时需要在请求头中提供此密钥。
–enforce-eager：启用Eager执行模式，确保模型推理时逐层计算，避免由于延迟执行可能引发的内存问题。

5. Open Web UI部署

拉取open-webui镜像

docker pull ghcr.nju.edu.cn/open-webui/open-webui:main

启动Open Web UI

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway \`  `-v /data/open-webui:/app/backend/data \`  `--name open-webui --restart always ghcr.nju.edu.cn/open-webui/open-webui:main

访问Web界面

浏览器访问：http://localhost:3000

管理员面板–外部链接–新建模型连接

模型ID留空即可自动从/v1/models接口中获取，开启新对面默认选择DeepSeek-R1-Distill-Llama-70B模型

开启新对话

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述