我要投稿

小白入门：使用vLLM在本机MAC上部署大模型

发布日期：2025-04-01 05:25:32 浏览次数： 1849 作者：算法狗

在本文中，我将探索 vLLM，这是一款广泛用于在计算机上运行大型语言模型（LLM）的工具。我将指导你如何在 Mac 上安装 vLLM，并演示如何通过 REST API 运行 LLM。

什么是 vLLM？

vLLM 是由加州大学伯克利分校研究人员创建的开源库，旨在简化大型语言模型（LLM）的推理过程，使其快速、高效且用户友好。vLLM 的名称代表“Virtual Large Language Model”（虚拟大型语言模型）。其主要目标是增强 LLM 的服务和部署，特别是在对性能要求较高的场景中，例如实时应用、API 或研究实验。

尽管 vLLM 为 GPU（使用 CUDA）进行了优化，以利用诸如 PagedAttention 等特性实现最佳性能，但它也支持基于 CPU 的推理和服务。

截至目前，vLLM 不支持 macOS 上的 Metal Performance Shaders（MPS），这意味着在 Mac 上使用时，它只能在 CPU 上运行。

安装

在本文中，我假设你已经在 Mac 上安装了 Anaconda。首先，创建一个名为 usingvllm 的虚拟环境：

$ conda create -n usingvllm jupyter

系统会提示你安装一些文件。输入 y 并按回车键。

创建虚拟环境后，激活它：

$ conda activate usingvllm

进入虚拟环境后，克隆 vLLM 的 Git 仓库：

$ git clone https://github.com/vllm-project/vllm.git

你还需要安装两个包：

$ pip install torch torchvision

克隆仓库后，进入 vllm 目录，并通过运行以下命令安装 vLLM：

$ cd vllm
$ pip install -e .

测试 vLLM

安装完成后，启动 Jupyter Notebook：

$ jupyter notebook

现在，你可以使用 vLLM 加载一个模型，例如 tiiuae/falcon-7b-instruct：

from vllm.entrypoints.llm import LLM
from vllm.sampling_params import SamplingParams

llm = LLM(model="tiiuae/falcon-7b-instruct")

sampling_params = SamplingParams(temperature = 0.9, 
                                 max_tokens = 200)

prompt = "What is quantum computing?"
output = llm.generate(prompt, sampling_params)

print(output)
print(output[0].outputs[0].text)

对于 Apple Silicon Mac，vLLM 使用 float16 数据类型。

tiiuae/falcon-7b-instruct 模型将被下载到你的本地计算机上。

vLLM 将 Hugging Face 模型下载到默认的 ~/cache/huggingface/hub 文件夹中。

模型下载并加载完成后，你会看到类似以下内容：

[RequestOutput(request_id=0, prompt='What is quantum computing?', prompt_token_ids=[1562, 304, 17235, 15260, 42], encoder_prompt=None, encoder_prompt_token_ids=None, prompt_logprobs=None, outputs=[CompletionOutput(index=0, text='\nQuantum computing is the practice of computing using quantum-mechanical phenomena, such as superposition and entanglement. Unlike classical computing, which relies on binary numbers and bits, quantum computing uses quantum-mechanical phenomena to generate information. This can offer incredible performance improvements in certain types of operations that were not possible before, such as cryptography.', token_ids=(193, 26847, 381, 15260, 304, 248, 3100, 275, 15260, 1241, 17235, 24, 1275, 38804, 25849, 23, 963, 345, 2014, 9073, 273, 833, 642, 1977, 25, 15752, 15613, 15260, 23, 585, 21408, 313, 16529, 4169, 273, 12344, 23, 17235, 15260, 4004, 17235, 24, 1275, 38804, 25849, 271, 7420, 1150, 25, 735, 418, 1880, 7309, 2644, 10421, 272, 1714, 3059, 275, 5342, 325, 646, 416, 1777, 996, 23, 963, 345, 6295, 3842, 25, 11), cumulative_logprob=None, logprobs=None, finish_reason=stop, stop_reason=None)], finished=True, metrics=RequestMetrics(arrival_time=1742731247.0472178, last_token_time=1742731264.39699, first_scheduled_time=1742731247.054006, first_token_time=1742731251.790441, time_in_queue=0.0067882537841796875, finished_time=1742731264.3972821, scheduler_time=0.005645580822601914, model_forward_time=None, model_execute_time=None, spec_token_acceptance_counts=[0]), lora_request=None, num_cached_tokens=0, multi_modal_placeholders={})]

量子计算是利用量子力学现象（如叠加和纠缠）进行计算的一种实践。与依赖二进制数字和比特的经典计算不同，量子计算利用量子力学现象生成信息。这可以在某些之前无法实现的操作类型（如密码学）中提供惊人的性能提升。

将 vLLM 作为服务器运行

你还可以将 vLLM 作为服务器运行，通过 REST API 接受客户端连接。为此，进入 vllm 文件夹，并使用以下命令提供特定模型的服务：

$ cd vllm
$ vllm serve tiiuae/falcon-7b-instruct

注意，如果你想提供多个模型的服务，需要多次运行上述命令。此外，服务器默认监听端口号为 8000。如果你想自定义端口号，可以使用 --port 选项，例如：vllm serve tiiuae/falcon-7b-instruct --port 5002，这将使服务器监听 5002 端口。

如果你遇到“RuntimeError: Failed to infer device type”错误，请在命令中添加 --device cpu 选项：

$ vllm serve tiiuae/falcon-7b-instruct --device cpu

vLLM 服务器运行后，你可以在另一个终端中使用 curl 命令进行测试：

$ curl http://localhost:8000/docs

上述命令将以 HTML 格式返回服务器的文档：

<!DOCTYPE html>
<html>
<head>
<link type="text/css" rel="stylesheet" href="https://cdn.jsdelivr.net/npm/swagger-ui-dist@5/swagger-ui.css">
<link rel="shortcut icon" href="https://fastapi.tiangolo.com/img/favicon.png">
<title>FastAPI - Swagger UI</title>
</head>
<body>
<div id="swagger-ui">
</div>
<script src="https://cdn.jsdelivr.net/npm/swagger-ui-dist@5/swagger-ui-bundle.js"></script>
<!-- `SwaggerUIBundle` is now available on the page -->
<script>
const ui = SwaggerUIBundle({
    url: '/openapi.json',
    "dom_id": "#swagger-ui",
    "layout": "BaseLayout",
    "deepLinking": true,
    "showExtensions": true,
    "showCommonExtensions": true,
    oauth2RedirectUrl: window.location.origin + '/docs/oauth2-redirect',
    presets: [
        SwaggerUIBundle.presets.apis,
        SwaggerUIBundle.SwaggerUIStandalonePreset
    ],
})
</script>
</body>
</html>

你也可以使用以下 URL 在浏览器中查看文档：http://localhost:8000/docs。

如果你想了解在 REST API 中使用的模型的详细信息，可以使用以下端点：

$ curl http://localhost:8000/v1/models

你将看到以下详细信息：

{
    "object": "list",
    "data": [
        {
            "id": "tiiuae/falcon-7b-instruct",
            "object": "model",
            "created": 1742723998,
            "owned_by": "vllm",
            "root": "tiiuae/falcon-7b-instruct",
            "parent": null,
            "max_model_len": 2048,
            "permission": [
                {
                    "id": "modelperm-dc669ee015d54b5497dd0ae2cb64fdad",
                    "object": "model_permission",
                    "created": 1742723998,
                    "allow_create_engine": false,
                    "allow_sampling": true,
                    "allow_logprobs": true,
                    "allow_search_indices": false,
                    "allow_view": true,
                    "allow_fine_tuning": false,
                    "organization": "*",
                    "group": null,
                    "is_blocking": false
                }
            ]
        }
    ]
}

要使用 REST API 生成响应，可以在 curl 中使用以下命令：

$ curl -X POST http://localhost:8000/v1/completions \
  -H "Content-Type: application/json" \
  -d '{
        "model": "tiiuae/falcon-7b-instruct",
        "prompt": "Where is Singapore located?",
        "max_tokens": 500,
        "temperature": 0.7
      }'

你应该会收到类似以下的响应：

{
    "id": "cmpl-ea189bc39565488386a48459b5695577",
    "object": "text_completion",
    "created": 1742724348,
    "model": "tiiuae/falcon-7b-instruct",
    "choices": [
        {
            "index": 0,
            "text": "\nSingapore is located in Southeast Asia, on the tip of the Malay Peninsula.",
            "logprobs": null,
            "finish_reason": "stop",
            "stop_reason": null,
            "prompt_logprobs": null
        }
    ],
    "usage": {
        "prompt_tokens": 5,
        "total_tokens": 22,
        "completion_tokens": 17,
        "prompt_tokens_details": null
    }
}

使用 OpenAI 类访问 REST API

要访问 vLLM 暴露的 REST API，你可以使用 openai Python 库中的 OpenAI 类，它提供了一个方便的接口来与 vLLM 的 OpenAI 兼容 API 端点进行交互。由于 vLLM 的服务器模仿了 OpenAI API 的结构，因此你可以使用这个类来发送文本生成、嵌入或其他支持功能的请求。

以下示例展示了如何向 tiiuae/falcon-7b-instruct 模型提问：

from openai import OpenAI

openai_api_key = "anything here"   # 你可以在这里设置任何内容
openai_api_base = "http://localhost:8000/v1"
client = OpenAI(
    api_key = openai_api_key,
    base_url = openai_api_base,
)
completion = client.completions.create(model = "tiiuae/falcon-7b-instruct",
                                       prompt = "Where is Singapore located?",
                                       max_tokens = 500)

# 仅打印生成的文本
print(completion.choices[0].text.strip())

你应该会收到类似以下的响应：

Singapore is located in Southeast Asia on the island of Singapore.

总结

在本文中，我演示了如何在 Mac 上设置 vLLM 并用它来本地托管大型语言模型。尽管 vLLM 目前不支持 MPS，但它仍然可以有效地使用 CPU 运行。此外，你还了解了如何将 vLLM 配置为 REST API，从而让开发人员可以通过 OpenAI 类与之交互。你使用 vLLM 的个人体验如何呢？

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业