vllm部署QwQ32B(Q4_K_M)

vllm部署QwQ32B(Q4_K_M)

• Ollama是一个轻量级的开源LLM推理框架，注重简单易用和本地部署，而VLLM是一个专注于高效推理的开源大型语言模型推理引擎，适合开发者在实际应用中集成和使用。两者的主要区别在于Ollama更注重为用户提供多种模型选择和易用性，而VLLM更注重模型推理性能的优化。所以VLLM更适合企业级的高并发需求。

  vllm的github地址

  https://github.com/vllm-project/vllm

• QwQ32B硬件要求

  Q4_K_M量化，大概需要22G左右够用，一张3090或者4090即可，魔改2080ti 的 22G 显存差不多够用

  硬件配置	模型推理		模型高效微调		模型全量微调
  	显存占用	最低配置	显存占用	最低配置	显存占用	最低配置
  FP_16	64G	RTX3090＊4（94G）	92G	RTX3090＊4（94G）	350G	A100＊6（480G）
  Q_4_K_M	23G	RTX3090（24G）	31G	RTX3090＊2（48G）	－	－

• 这里使用vllm部署的是Q4_K_M量化，显存占用22G，需要至少一张3090/4090

• 这里我用的是1张4090

下载QwQ32B模型Q_4_K_MM）

• 可以使用huggingface或者ModelScope下载，注意不要下成Q4_K_M版本的，这里我用的modelscope下载

• 假设当前目录为

  /root/lanyun-tmp

  安装 modelscope

  pip install modelscope --index https://pypi.mirrors.ustc.edu.cn/simple
  

• 执行下载模型的命令，下载 Qwen/QwQ-32B (下载较慢)

  https://modelscope.cn/models/Qwen/QwQ-32B-GGUF

  复制全名

  Qwen/QwQ-32B-GGUF

  模型文件下，复制qwq-32b-q4_k_m.gguf 单独下载

  modelscope download --model Qwen/QwQ-32B-GGUF qwq-32b-q4_k_m.gguf --local_dir ./QwQ-32B-GGUF
  

• 查看

  cd /root/lanyun-tmp/QwQ-32B-GGUF
  ll -h
  

  ​

  ---

安装vllm

• 使用conda创建虚拟环境

  conda create --name vllm python=3.10 -y
  
  conda activate vllm
  

• 下载vllm（指定源，否则极慢）

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

vllm启动QwQ32B

• 切到刚下载完成QwQ32B目录下

  cd  /root/lanyun-tmp/QwQ-32B-GGUF
  

• 启动QwQ32B

  CUDA_VISIBLE_DEVICES=0 vllm serve ./qwq-32b-q4_k_m.gguf  --max-model-len 4000 --port 8081
  

  1. CUDA_VISIBLE_DEVICES=0 :指定使用的 GPU 设备为第1张卡。

  2. vllm serve:启动一个 HTTP 服务器，用于接收和处理推理请求。

  3. ./qwq-32b-q4_k_m.gguf ：指定要加载的模型路径。

  4. –max-model-len ： 设置最大上下文长度。这里24G显存最多只能设置为5000左右，否则就会报错cuda oom。

  5. –port 8081：指定HTTP服务监听的端口号。

     

• 显存占用：22G左右

  

  ---

连接使用

• 代码

  from openai import OpenAI
  import openai
  
  openai.api_key = '1111111' # 这里随便填一个
  openai.base_url = 'http://127.0.0.1:8081/v1'
  
  
  def get_completion(prompt, model="QwQ-32B"):
      client = OpenAI(api_key=openai.api_key,
                      base_url=openai.base_url
                      )
      messages = [{"role": "user", "content": prompt}]
      response = client.chat.completions.create(
          model=model,
          messages=messages,
          stream=False
      )
      return response.choices[0].message.content
  	
  prompt = '你好，请幽默的介绍下你自己，不少于300子'
  get_completion(prompt, model="./qwq-32b-q4_k_m.gguf")
  

  ​

• 速度大概在39 tokens/s

  

---