vLLM+Qwen-32B+Open Web UI构建本地私有大模型

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。

程序员新一

561人浏览 · 2025-03-18 10:57:30

程序员新一 · 2025-03-18 10:57:30 发布

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

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