一文搞懂大模型部署Ollama和vLLM

江湖人称麻花滕

于 2025-04-12 22:38:07 发布

阅读量956

点赞数 24

文章标签：语言模型人工智能自然语言处理物联网架构

本文链接：https://blog.csdn.net/m0_59235699/article/details/147180134

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