vLLM+Qwen-32B+Open Web UI构建本地私有大模型

目录

1. vLLM简介
2. ModelScope简介
3. Docker环境配置
4. 运行vLLM容器
5. Open Web UI部署
6. Tokens与上下文

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

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：https://modelscope.cn/models

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

mkdir -p /data/Qwen/models/Qwen-32B

modelscope download --local_dir /data/Qwen/models/Qwen-32B --model Qwen/QWQ-32B

sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit

sudo nvidia-ctk runtime configure --runtime=docker

sudo systemctl daemon-reload && sudo systemctl restart docker

docker pull docker.1panel.live/vllm/vllm-openai

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

• -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。

• --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。

docker pull ghcr.nju.edu.cn/open-webui/open-webui:main

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

模型ID留空即可自动从/v1/models接口中获取，开启新对面默认选择DeepSeek-R1-Distill-Llama-70B模型