serving-llms-vllm

vLLM - 高性能大模型服务

适用场景

部署生产环境中的大模型 API、优化推理延迟和吞吐量，或在 GPU 内存有限时提供模型服务。支持兼容 OpenAI 的端点、量化（GPTQ/AWQ/FP8）和张量并行。

快速开始

vLLM 通过 PagedAttention（基于块的 KV 缓存）和连续批处理（混合处理预填充和解码请求），实现了比标准 transformers 高 24 倍的吞吐量。

安装：

pip install vllm

基本离线推理：

from vllm import LLM, SamplingParams

llm = LLM(model="meta-llama/Meta-Llama-3-8B-Instruct")
sampling = SamplingParams(temperature=0.7, max_tokens=256)

outputs = llm.generate(["Explain quantum computing"], sampling)
print(outputs[0].outputs[0].text)

兼容 OpenAI 的服务：

vllm serve meta-llama/Meta-Llama-3-8B-Instruct

# Query with OpenAI SDK
python -c "
from openai import OpenAI
client = OpenAI(base_url='http://localhost:8000/v1', api_key='EMPTY')
print(client.chat.completions.create(
    model='meta-llama/Meta-Llama-3-8B-Instruct',
    messages=[{'role': 'user', 'content': 'Hello!'}]
).choices[0].message.content)
"

常见工作流

工作流 1：部署生产环境 API

复制此检查清单并跟踪进度：

Deployment Progress:
- [ ] Step 1: Configure server settings
- [ ] Step 2: Test with limited traffic
- [ ] Step 3: Enable monitoring
- [ ] Step 4: Deploy to production
- [ ] Step 5: Verify performance metrics

步骤 1：配置服务设置

根据模型大小选择配置：

# For 7B-13B models on single GPU
vllm serve meta-llama/Meta-Llama-3-8B-Instruct \
  --gpu-memory-utilization 0.9 \
  --max-model-len 8192 \
  --port 8000

# For 30B-70B models with tensor parallelism
vllm serve meta-llama/Meta-Llama-3-70B-Instruct \
  --tensor-parallel-size 4 \
  --gpu-memory-utilization 0.9 \
  --quantization awq \
  --port 8000

# For production with caching (Prometheus metrics are exposed
# automatically at /metrics on the API port)
vllm serve meta-llama/Meta-Llama-3-8B-Instruct \
  --gpu-memory-utilization 0.9 \
  --enable-prefix-caching \
  --port 8000 \
  --host 0.0.0.0

步骤 2：使用有限流量进行测试

在投入生产前运行负载测试：

# Install load testing tool
pip install locust

# Create test_load.py with sample requests
# Run: locust -f test_load.py --host http://localhost:8000

确认 TTFT（首个令牌时间）< 500ms，吞吐量 > 100 req/sec。

步骤 3：启用监控

vLLM 会在 API 端口（默认为 8000）的 /metrics 提供 Prometheus 指标：

curl http://localhost:8000/metrics | grep vllm

需要监控的关键指标：

• vllm:time_to_first_token_seconds - 延迟
• vllm:num_requests_running - 活动请求
• vllm:gpu_cache_usage_perc - KV 缓存利用率

步骤 4：部署到生产环境

使用 Docker 确保部署一致：

# Run vLLM in Docker
docker run --gpus all -p 8000:8000 \
  vllm/vllm-openai:latest \
  --model meta-llama/Meta-Llama-3-8B-Instruct \
  --gpu-memory-utilization 0.9 \
  --enable-prefix-caching

步骤 5：验证性能指标

检查部署是否达到目标：

• TTFT < 500ms（适用于较短的提示词）
• 吞吐量 > 目标 req/sec
• GPU 利用率 > 80%
• 日志中没有 OOM 错误

工作流 2：离线批量推理

适用于处理大型数据集，且无需承担服务开销的场景。

复制此检查清单：

Batch Processing:
- [ ] Step 1: Prepare input data
- [ ] Step 2: Configure LLM engine
- [ ] Step 3: Run batch inference
- [ ] Step 4: Process results

步骤 1：准备输入数据

# Load prompts from file
prompts = []
with open("prompts.txt") as f:
    prompts = [line.strip() for line in f]

print(f"Loaded {len(prompts)} prompts")

步骤 2：配置 LLM 引擎

from vllm import LLM, SamplingParams

llm = LLM(
    model="meta-llama/Meta-Llama-3-8B-Instruct",
    tensor_parallel_size=2,  # Use 2 GPUs
    gpu_memory_utilization=0.9,
    max_model_len=4096
)

sampling = SamplingParams(
    temperature=0.7,
    top_p=0.95,
    max_tokens=512,
    stop=["</s>", "\n\n"]
)

步骤 3：运行批量推理

vLLM 会自动对请求进行批处理以提高效率：

# Process all prompts in one call
outputs = llm.generate(prompts, sampling)

# vLLM handles batching internally
# No need to manually chunk prompts

步骤 4：处理结果

# Extract generated text
results = []
for output in outputs:
    prompt = output.prompt
    generated = output.outputs[0].text
    results.append({
        "prompt": prompt,
        "generated": generated,
        "tokens": len(output.outputs[0].token_ids)
    })

# Save to file
import json
with open("results.jsonl", "w") as f:
    for result in results:
        f.write(json.dumps(result) + "\n")

print(f"Processed {len(results)} prompts")

工作流 3：量化模型服务

在有限的 GPU 内存中运行大型模型。

Quantization Setup:
- [ ] Step 1: Choose quantization method
- [ ] Step 2: Find or create quantized model
- [ ] Step 3: Launch with quantization flag
- [ ] Step 4: Verify accuracy

步骤 1：选择量化方法

• AWQ：最适合 70B 模型，精度损失极小
• GPTQ：支持多种模型，压缩效果良好
• FP8：在 H100 GPU 上速度最快

步骤 2：查找或创建量化模型

使用 HuggingFace 上经过预量化的模型：

# Search for AWQ models
# Example: TheBloke/Llama-2-70B-AWQ

步骤 3：使用量化标志启动

# Using pre-quantized model
vllm serve TheBloke/Llama-2-70B-AWQ \
  --quantization awq \
  --tensor-parallel-size 1 \
  --gpu-memory-utilization 0.95

# Results: 70B model in ~40GB VRAM

步骤 4：验证精度

测试输出是否符合预期质量：

# Compare quantized vs non-quantized responses
# Verify task-specific performance unchanged

何时使用 vLLM，何时选择其他方案

适合使用 vLLM 的场景：

• 部署生产环境中的大模型 API（100+ req/sec）
• 提供兼容 OpenAI 的端点
• GPU 内存有限，但需要运行大型模型
• 多用户应用（聊天机器人、助手）
• 需要低延迟和高吞吐量

适合使用其他方案的场景：

• llama.cpp：CPU/边缘推理、单用户场景
• HuggingFace transformers：研究、原型开发、一次性生成
• TensorRT-LLM：仅限 NVIDIA，且需要极致性能
• Text-Generation-Inference：已在 HuggingFace 生态系统中

常见问题

问题：加载模型时内存不足

降低内存用量：

vllm serve MODEL \
  --gpu-memory-utilization 0.7 \
  --max-model-len 4096

或使用量化：

vllm serve MODEL --quantization awq

问题：首个令牌生成缓慢（TTFT > 1 秒）

为重复提示词启用前缀缓存：

vllm serve MODEL --enable-prefix-caching

对于较长的提示词，启用分块预填充：

vllm serve MODEL --enable-chunked-prefill

问题：找不到模型错误

自定义模型需使用 --trust-remote-code：

vllm serve MODEL --trust-remote-code

问题：吞吐量低（<50 req/sec）

增加并发序列数：

vllm serve MODEL --max-num-seqs 512

使用 nvidia-smi 检查 GPU 利用率——应 >80%。

问题：推理速度低于预期

确认张量并行使用的 GPU 数量为 2 的幂：

vllm serve MODEL --tensor-parallel-size 4  # Not 3

启用推测解码以加快生成速度（将配置作为 JSON 传入； --speculative-model 已移除，改用 --speculative-config）：

vllm serve MODEL \
  --speculative-config '{"model": "DRAFT_MODEL", "num_speculative_tokens": 5, "method": "draft_model"}'

高级主题

服务部署模式：请参阅 references/server-deployment.md，了解 Docker、Kubernetes 和负载均衡配置。

性能优化：请参阅 references/optimization.md，了解 PagedAttention 调优、连续批处理详情和基准测试结果。

量化指南：请参阅 references/quantization.md，了解 AWQ/GPTQ/FP8 配置、模型准备和准确性比较。

故障排除：请参阅 references/troubleshooting.md，了解详细的错误消息、调试步骤和性能诊断。

硬件要求

• 小型模型（7B-13B）：1x A10（24GB）或 A100（40GB）
• 中型模型（30B-40B）：2x A100（40GB），使用张量并行
• 大型模型（70B+）：4x A100（40GB）或 2x A100（80GB），使用 AWQ/GPTQ

支持的平台：NVIDIA（主要）、AMD ROCm、Intel GPU、TPU

资源

• 官方文档：https://docs.vllm.ai
• GitHub：https://github.com/vllm-project/vllm
• 论文：《使用 PagedAttention 高效管理大语言模型服务的内存》（SOSP 2023）
• 社区：https://discuss.vllm.ai