大型语言模型（LLMs）正在改变我们与技术的互动方式，从聊天机器人到代码助手，功能无所不包。但要高效运行这些模型可不是件小事，尤其是在需要速度、可扩展性和高吞吐量应用的稳定性时。如果你一直在用Ollama进行本地LLM实验，现在想转向vLLM以获得生产级性能，这篇文章的主要目的是讲解这两个框架的区别，探讨选择正确框架的重要性，并提供一步步的指导。

  1. 为什么选择合适的LLM框架很重要

把部署LLM想象成开餐厅。如果只是给小家庭做晚餐，家里厨房的基本工具（比如Ollama）就够用了。但如果是为500人的婚礼提供餐饮，你得用工业级设备（比如vLLM）来应对需求，不然就得累垮了。选错LLM应用的框架可能导致：

  • • 响应慢：用户等太久才能得到聊天机器人回复或代码补全，体验很差。
  • • 成本高：GPU内存使用效率低，导致云计算账单飙升。
  • • 系统崩溃：框架无法承受高流量，导致宕机。
  • • 安全风险：敏感环境下因配置不当导致数据泄露。

选对框架能确保你的LLM应用快速、成本效益高、可扩展且安全。Ollama适合本地测试、原型开发和注重隐私的项目，而vLLM专为高吞吐量、生产级环境设计。了解它们的优势能帮你选出最适合的工具。

  1. vLLM和Ollama是什么？基础知识了解一下

Ollama：新手友好的LLM运行工具

Ollama就像你手机上的一个简单易用的app，直观、设置简单。它是一个开源工具，旨在让在本地运行LLM变得尽可能简单，不管你用的是MacBook、Windows PC还是Linux服务器。

核心功能：

  • • 跨平台：支持macOS、Windows和Linux。
  • • CLI和REST API：提供简单的命令行工具和与OpenAI兼容的API，方便集成。
  • • 模型库：支持Llama 3、Mistral、Gemma等热门模型，可通过注册表下载。
  • • 硬件支持：支持CPU、NVIDIA GPU和Apple Silicon（Metal）。
  • • 注重隐私：数据保存在本地，适合医疗或研究等敏感应用。
    使用场景：开发者在笔记本上开发聊天机器人原型，或研究者在离线环境下分析私有数据集。

vLLM：高性能推理引擎

vLLM就像一辆赛车，为高要求环境下的速度和效率而生。由UC Berkeley的Sky Computing Lab开发，vLLM是一个开源库，专为高吞吐量LLM推理优化，特别适合NVIDIA GPU。

核心功能：

  • • PagedAttention：一种内存管理技术，将GPU内存浪费降到4%以下。
  • • Continuous Batching：动态处理请求，最大化GPU利用率。
  • • 可扩展性：支持多GPU设置和跨服务器分布式推理。
  • • OpenAI兼容API：无缝集成现有工具和工作流。
  • • GPU中心化：为NVIDIA GPU和CUDA优化，CPU支持有限。
    使用场景：企业部署客服聊天机器人，实时处理每分钟数千条查询。
  1. vLLM和Ollama的区别

要选择vLLM还是Ollama，你得搞清楚它们的核心差异。以下是详细对比：

类比

  • • Ollama：像自行车，简单好用，适合短途，但不适合高速路。
  • • vLLM：像跑车，速度快、动力强，但需要熟练的司机和好的路（GPU基础设施）。
  1. 性能：速度、内存和可扩展性

在性能上，vLLM和Ollama差别很大。我们来分解它们在速度、内存使用和可扩展性上的差异，并举例说明。

速度

  • • Ollama：在消费级硬件上运行小型模型（比如7B参数）性能不错。比如，在16GB RAM的MacBook上运行Mistral 7B，单用户约7 token/秒。
  • • vLLM：在高吞吐量场景中表现卓越。基准测试显示，vLLM在128个并发请求下比Ollama快3.23倍，在NVIDIA A100 GPU系统上达到约71请求/秒。
    例子：假设你建一个聊天机器人，回复“写一首短诗”。用Ollama，单用户可能要2-3秒得到回复。而vLLM通过continuous batching并行处理请求，多个用户同时查询也能在1秒内得到回复。

内存

  • • Ollama：使用标准内存分配，对大模型效率较低。13B模型至少需要16GB RAM或GPU内存，每个序列完全分配内存，限制并发。
  • • vLLM：使用PagedAttention，将key/value缓存分成小块，内存浪费降到4%以下。这让vLLM能在相同硬件上处理更大模型或更多并发请求。
    例子：在NVIDIA A100 GPU上运行Llama 3 8B，vLLM因动态内存分配能处理更多并发请求，而Ollama为每个请求预留整块内存，限制吞吐量。

可扩展性

  • • Ollama：适合单机设置，高并发时（比如超过32个同时请求）延迟增加，吞吐量无提升。
  • • vLLM：专为可扩展性设计，支持tensor parallelism（模型权重分布在多个GPU上）和pipeline parallelism（计算阶段分布）。适合多GPU云虚拟机。
    例子：一个初创公司用单GPU服务器运行Ollama，服务小团队内部工具。而一家处理百万用户的科技公司用vLLM在多GPU上每分钟处理数千请求。

性能对比表：

  1. 使用场景：什么时候用vLLM，什么时候用Ollama

什么时候用Ollama

  • • 原型开发：在笔记本上测试新聊天机器人或代码助手。
  • • 隐私敏感应用：在隔离环境（比如政府、医疗或法律）运行模型。
  • • 低流量工作负载：小型团队或个人项目，少量用户。
  • • 资源受限硬件：在没有CUDA的CPU或低端GPU上运行。
    例子：学生用Ollama在MacBook上运行Llama 3做研究项目，保持敏感数据离线。

什么时候用vLLM

  • • 高流量服务：聊天机器人或API同时服务数千用户。
  • • 大型模型：部署像DeepSeek-Coder-V2（236B参数）这样的大模型，跨多GPU。
  • • 生产环境：需要低延迟和高吞吐量的应用。
  • • 可扩展部署：多NVIDIA GPU的云设置。
    例子：公司用vLLM在8个A100 GPU的云虚拟机上建实时翻译服务，每分钟处理数千次翻译。

使用场景决策矩阵：

  1. 开始使用Ollama：一步步指南

我们来在本地机器上设置Ollama运行Mistral 7B。假设你从零开始。

步骤1：安装Ollama

  • • 下载：访问Ollama官网，下载适用于你的操作系统的安装程序（macOS、Windows或Linux）。

  • • 安装：运行安装程序。对于Linux，使用：```plaintext
    curl -fsSL https://ollama.ai/install.sh | sh

步骤2：拉取模型

下载Mistral 7B：

ollama pull mistral:7b

输出：模型（4GB）下载并存储在/.ollama/models。

步骤3：运行模型

启动模型：

ollama run mistral:7b

输出：打开交互式提示。输入：

讲个笑话。

回复：

为什么稻草人成了励志演讲家？因为他在自己的领域里太出色了！

步骤4：使用REST API

Ollama提供与OpenAI兼容的API，方便集成。以下是Python示例：

import requestsresponse = requests.post("http://localhost:11434/api/generate", json={    "model": "mistral",    "prompt": "讲个笑话"})print(response.json()['response'])

输出：

为什么程序员不用暗黑模式？因为亮色模式会吸引bug。

步骤5：验证设置

检查运行中的模型：

ollama ps

输出：

NAME            ID              SIZE    PROCESS         PORTmistral:7b      abc123          4.1 GB  running         11434

工作流图表：

  1. 开始使用vLLM：一步步指南

vLLM需要更多设置，但在GPU支持的系统上性能更优。我们来运行Llama 3 8B。

步骤1：准备工作

  • • 硬件：NVIDIA GPU支持CUDA（比如A100、RTX 4090）。
  • • 软件：Python 3.8+、NVIDIA驱动、CUDA 11.8+和pip。

步骤2：安装vLLM

通过pip安装vLLM：

pip install vllm

输出：vLLM及依赖（如PyTorch、transformers）安装完成。

步骤3：运行模型

服务Llama 3 8B：

vllm serve meta-llama/Llama-3-8b --gpu-memory-utilization 0.9

输出：服务器启动，地址为http://localhost:8000。

步骤4：查询模型

用Python与vLLM交互：

from vllm import LLMllm = LLM(model="meta-llama/Llama-3-8b")output = llm.generate("vLLM是什么？")print(output)

输出：

vLLM是一个开源库，用于高效LLM推理，通过PagedAttention优化GPU内存，continuous batching实现高吞吐量。

步骤5：测试API

使用curl查询OpenAI兼容API：

curl -X POST http://localhost:8000/v1/completions \-H "Content-Type: application/json" \-d '{"model": "meta-llama/Llama-3-8b", "prompt": "你好，世界！", "max_tokens": 50}'

输出：

{  "choices": [    {      "text": "你好！今天我能帮你什么？世界充满可能性，我们一起探索吧！"    }  ]}

工作流图表：

  1. 使用Docker Compose设置vLLM

Docker Compose能简化vLLM的生产部署。以下是设置方法。

步骤1：创建Docker Compose文件

创建docker-compose.yml：

version: '3.8'services:vllm:    image:vllm/vllm-openai:latest    deploy:      resources:        reservations:          devices:            -driver:nvidia              count:1              capabilities: [gpu]    ports:      -"8000:8000"    environment:      -MODEL_NAME=meta-llama/Llama-3-8b      -GPU_MEMORY_UTILIZATION=0.9    volumes:      - ./models:/models

步骤2：运行Docker Compose

docker-compose up -d

输出：vLLM服务器在分离模式下启动，可通过http://localhost:8000访问。

步骤3：测试API

curl -X POST http://localhost:8000/v1/completions \-H "Content-Type: application/json" \-d '{"model": "meta-llama/Llama-3-8b", "prompt": "Docker是什么？", "max_tokens": 50}'

输出：

{  "choices": [    {      "text": "Docker是一个容器化平台，让应用在不同环境中以隔离依赖的方式一致运行。"    }  ]}

步骤4：监控容器

检查容器状态：

docker-compose ps

输出：

Name                 Command               State           Portsvllm_vllm_1          /usr/bin/vllm serve ...   Up      0.0.0.0:8000->8000/tcp

Docker Compose工作流图表：

  1. 处理故障和调整

部署LLM可能会遇到问题。以下是Ollama和vLLM的常见问题及解决方法。

Ollama故障

  • • 内存不足：在<16GB RAM系统上运行13B模型会导致崩溃。
    解决：使用更小模型（比如7B）或启用交换空间：```plaintext
    sudo fallocate -l 8G /swapfilesudo chmod 600 /swapfilesudo mkswap /swapfilesudo swapon /swapfile

  • • GPU不兼容：老旧GPU可能不支持Ollama的CUDA要求。
    解决：切换到CPU模式（OLLAMA_NO_GPU=1 ollama run mistral）或升级硬件。

  • • 模型下载问题：网络慢或服务器超时。
    解决：重试ollama pull mistral或换其他模型。

vLLM故障

  • • CUDA错误：缺少或不兼容的NVIDIA驱动。
    解决：用nvidia-smi检查驱动版本（确保CUDA 11.8+）。从NVIDIA官网更新驱动。
  • • 高内存使用：大模型耗尽GPU内存。
    解决：降低--gpu-memory-utilization（比如0.8）或使用quantization（见第12节）。
  • • API超时：高并发压垮服务器。
    解决：增加批次大小（--max-num-batched-tokens 4096）或添加更多GPU。
    示例修复：如果vLLM因CUDA错误崩溃，验证驱动：
nvidia-smi

输出：

+-----------------------------------------------------------------------------+| NVIDIA-SMI 525.60.13    Driver Version: 525.60.13    CUDA Version: 12.0     ||-----------------------------------------------------------------------------|| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC || Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. ||===============================+======================+======================||   0  NVIDIA A100 40GB   Off  | 00000000:00:04.0 Off |                    0 || N/A   35C    P0    43W / 300W |      0MiB / 40536MiB |      0%      Default |+-----------------------------------------------------------------------------+
  1. 多GPU内存共享 vs. NGINX负载均衡

为高吞吐量应用扩展vLLM，需要选择多GPU内存共享还是NGINX负载均衡。我们来比较这两种方式。

多GPU内存共享

vLLM的tensor parallelism和pipeline parallelism将模型权重和计算分布到多个GPU上，共享内存以处理大模型或高并发。

工作原理：Tensor parallelism将模型层分配到不同GPU，pipeline parallelism分割计算阶段。PagedAttention确保高效内存分配。

优点：

  • • 处理超大模型（比如236B参数）。
  • • 最大化GPU利用率，内存浪费极低。
    缺点：
  • • 需要高速GPU互连（比如NVLink）。
  • • 设置和配置复杂。
    例子：在8个A100 GPU上部署DeepSeek-Coder-V2（236B）：
vllm serve DeepSeek/DeepSeek-Coder-V2-Instruct --tensor-parallel-size 8

输出：模型跨所有GPU运行，处理请求并行，高吞吐量。

NGINX负载均衡

NGINX将请求分发到多个vLLM实例，每个实例运行在单独的GPU或服务器上。

工作原理：NGINX作为反向代理，根据负载或轮询策略将请求路由到可用vLLM服务器。

优点：

  • • 设置比tensor parallelism简单。
  • • 通过添加更多服务器实现水平扩展。
    缺点：
  • • 每个vLLM实例需要自己的模型副本，增加内存使用。
  • • 对超大模型效率较低。
    NGINX配置示例（nginx.conf）：
http {  upstream vllm_servers {    server vllm1:8000;    server vllm2:8000;  }  server {    listen 80;    location / {      proxy_pass http://vllm_servers;    }  }}

启动NGINX：

nginx -c /path/to/nginx.conf

输出：NGINX将请求路由到vllm1:8000和vllm2:8000，平衡负载。

比较表：

推荐：对于大模型（比如>70B参数）在带NVLink的多GPU服务器上使用内存共享。对于较小模型或通过加服务器扩展更可行时用NGINX。

工作流图表：

  1. 其他考虑：安全性、社区和生态系统

安全性

  • • Ollama：本地运行，数据暴露风险小。适合无网络连接的隔离系统（比如政府）。检查后台服务（ollama serve）以确保敏感环境安全。
  • • vLLM：支持安全部署，但云设置需小心配置。使用HTTPS和API认证配合NGINX：
server {  listen 443 ssl;  ssl_certificate /etc/nginx/ssl/cert.pem;  ssl_certificate_key /etc/nginx/ssl/key.pem;  location / {    proxy_pass http://vllm_servers;  }}

社区和支持

  • • Ollama：社区活跃，文档丰富，模型注册表用户友好。适合初学者和小型项目。
  • • vLLM：社区在增长，由UC Berkeley和Red Hat支持。更技术化但适合企业，GitHub讨论活跃。

生态系统

  • • Ollama：可与OpenWebUI集成，提供类似ChatGPT的界面。支持多模态模型（比如Llama 3.2 Vision处理文本和图像）。
  • • vLLM：与Hugging Face集成，支持高级解码（比如beam search），优化用于LangChain或LlamaIndex等生产管道。
  1. 高级话题：量化和多模态模型

量化

量化通过降低数值精度（比如从FP16到INT8）减少模型大小和内存使用。两个框架都支持，但有差异：

  • • Ollama：支持通过gguf文件进行4位和8位量化。示例：```plaintext
    ollama pull mistral:7b-q4

  • • vLLM：支持AWQ、GPTQ等量化方式加速GPU：```plaintext
    vllm serve meta-llama/Llama-3-8b --quantization awq

多模态模型

  • • Ollama：支持视觉语言模型，如Llama 3.2 Vision。示例：```plaintext
    ollama run llama3.2:vision

  • • vLLM：多模态支持有限，但扩展中（比如LLaVA模型）。示例：```plaintext
    vllm serve llava-hf/llava-13b --trust-remote-code

量化比较表：

  1. 结论：为LLM需求做出正确选择

从Ollama过渡到vLLM就像从家里厨房搬到商业厨房。Ollama适合本地实验、注重隐私的应用和资源受限环境。它的简单性和跨平台支持非常适合初学者和小型项目。vLLM凭借PagedAttention和continuous batching，专为高吞吐量、生产级应用打造，速度和可扩展性至关重要。

  • • 选择Ollama：用于原型开发、离线应用或基于CPU的设置。
  • • 选择vLLM：用于高流量服务、大型模型或多GPU部署。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

  • 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
  • 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
  • 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
  • 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

在这里插入图片描述

  • 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
  • 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
  • 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
  • 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：


三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

在这里插入图片描述

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

img

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

img

L5阶段：专题集丨特训篇 【录播课】

img
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！

# 开源 # 人工智能 # vLLM
Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

我用 Codex API + Codex++ 搭建了一个 AI 编程助手

从 API 接入到工具链搭建，分享我如何使用 Codex API、Codex++ 启动工具和 Codex++ 管理工具构建 AI 编程助手的完整经历

avatar AI编程社区

现在CC Switch一开，Claude Code随便玩

ClaudeCode是Anthropic推出的AI命令行编程助手，支持终端内交互，可读写代码文件、分析项目结构、执行Shell命令，并集成VSCode扩展。安装需Git、Node.js环境，通过npm一键部署。配套工具CCSwitch可统一管理多AI编程工具的配置与API调用。

avatar AI编程社区

DeepSeek 多模态 API 接入踩坑实录：vision 请求与文本请求的差异及 Cursor / Cline 配置全流程

最近我在改项目里的图片理解模块，尝试接入 DeepSeek 的多模态识图功能。结果发现直接把旧的文本 API 代码拿来改一改根本跑不通——vision 请求的image_url传参格式、content字段结构，这些地方和纯文本 API 存在差异。这篇把我踩过的坑记下来，供参考。：本文基于个人实测经验整理，部分细节（如具体限制数值、定价）请以为准，官方文档更新可能比本文更及时。

avatar AI编程社区