大模型部署该选谁？Ollama、vLLM 和 LMDeploy，各有千秋！

一、Ollama、vLLM 和 LMDeploy介绍

Ollama、vLLM 和 LMDeploy 都是与大语言模型相关的工具或框架，以下是它们的具体介绍：

Ollama

• 简介：一个轻量级的模型托管框架，可在本地环境中运行和管理 LLM 模型。基于 Go 语言开发，集成了模型管理与交互界面，采用 MIT 许可。

  
  

• 适用场景：适用于个人开发者测试、教育场景以及轻量应用，比如在 MacBook Pro（M3 芯片）等移动设备上调试，快速构建原型应用，或者在树莓派 5 + 外置 GPU 扩展坞等低功耗场景下使用。

vLLM

• 简介4：高效的大型语言模型推理和部署框架，由加州大学伯克利分校开发，采用 Apache 2.0 许可，以 Python/PyTorch 为基础，优化了显存管理与批处理。

  
  

• 适用场景：适用于高并发在线服务，如智能客服、批量生成等场景，以及单节点多 GPU 推理或中小规模云原生部署，对社区模型（如 LLaMA 系列）兼容性更优。

LMDeploy

LMDeploy 是一个高效且友好的 LLMs 模型部署工具箱，功能涵盖了量化、推理和服务。上海一家企业开发。LMDeploy 工具箱提供以下核心功能：

• 高效的推理： LMDeploy 开发了 Persistent Batch(即 Continuous Batch)，Blocked K/V Cache，动态拆分和融合，张量并行，高效的计算 kernel等重要特性。推理性能是 vLLM 的 1.8 倍

• 可靠的量化： LMDeploy 支持权重量化和 k/v 量化。4bit 模型推理效率是 FP16 下的 2.4 倍。量化模型的可靠性已通过 OpenCompass 评测得到充分验证。

• 便捷的服务： 通过请求分发服务，LMDeploy 支持多模型在多机、多卡上的推理服务。

• 有状态推理： 通过缓存多轮对话过程中 attention 的 k/v，记住对话历史，从而避免重复处理历史会话。显著提升长文本多轮对话场景中的效率。

• 卓越的兼容性: LMDeploy 支持 KV Cache 量化, AWQ 和 Automatic Prefix Caching 同时使用。

二、Ollama部署大模型

ollama一般是在个人电脑、服务器显存等配置较低的环境中，部署量化后的大模型。部署简单，但大模型都是量化后的（阉割版），其效果不怎么好。所以，一般来说，企业中不会采用Ollama部署大模型。

下载和安装

下载地址：https://ollama.com/

服务器环境：支持windows,Linux,MacOS 。Linux服务器首推 Ubuntu 。

windows环境的部署方法请看文章《DeepSeek本地安装太简单了，人人都会操作》

三、vLLM部署大模型

vLLM和LMDeploy是企业级部署大模型最常用的。 社区都很活跃。vLLM对服务器显存版本有很高的要求。

官网文档：

https://docs.vllm.ai/en/latest/

中文文档（非官方）：

https://vllm.hyper.ai/docs/getting-started/installation

cuda要求

vLLM contains pre-compiled C++ and CUDA (12.1) binaries.

软件环境要求

• OS: Linux

• Python: 3.9 – 3.12

• GPU: compute capability 7.0 or higher (e.g., V100, T4, RTX20xx, A100, L4, H100, etc.)

创建Python环境

#Create a new conda environment.conda create -n vllm python=3.12 -yconda activate vllm

安装vLLM

#Install vLLM with CUDA 12.4.pip install vllm # If you are using pip.

运行本地大模型

1、下载NLP大模型。

推荐大模型 qwen,llama,glm 。我们拿qwen2.5-0.5b来做测试。使用python语言调用模塔社区的大模型。

大模型网址：

 https://modelscope.cn/models/Qwen/Qwen2.5-0.5B-Instruct/

# pip install modelscope#模型下载到本地。from modelscope import snapshot_downloadmodel_dir = snapshot_download('Qwen/Qwen2.5-0.5B-Instruct',cache_dir="/root/autodl-tmp/llm")

cache_dir一定要指定绝对路径。

2、vLLM运行大模型

sh命令：

vllm serve /root/autodl-tmp/llm/Qwen/Qwen2.5-0.5B-Instruct

测试：

from openai import OpenAIclient = OpenAI(    base_url="http://localhost:8000/v1",    api_key="token-abc123",)completion = client.chat.completions.create(  model="/root/autodl-tmp/llm/Qwen/Qwen2.5-0.5B-Instruct",  messages=[    {"role": "user", "content": "请使用java编写冒泡排序!"}  ])print(completion.choices[0].message)

其中vLLM的端口号是8000，model的值为模型的绝对路径。

四、LMDeploy部署大模型

LMDeploy是后起之秀，个人非常推荐这款软件。功能全面强大，符合国人使用习惯。对硬件的要求比vLLM低。

github地址：

https://github.com/InternLM/lmdeploy

官方文档：

https://lmdeploy.readthedocs.io/zh-cn/latest/

安装LMDeploy

conda create -n lmdeploy python=3.8 -yconda activate lmdeploypip install lmdeploy

运行本地大模型

sh命令：

pip install partial_json_parser

lmdeploy serve api_server /root/autodl-tmp/llm/Qwen/Qwen2.5-0.5B-Instruct --server-port 23333

--server-port 23333 指明端口号是23333 ，大模型路径要是绝对路径。

api_server 启动时的参数可以通过命令行lmdeploy serve api_server -h查看。 比如，--tp 设置张量并行，--session-len 设置推理的最大上下文窗口长度，--cache-max-entry-count 调整 k/v cache 的内存使用比例等等。

五、使用远程算力服务器

一般来说，我们都会使用算力云服务器进行部署大模型，以及训练、微调大模型。而本地的开发工具一般推荐使用VSCode 。VSCode有一个特强好用的端口转发功能，方便将服务器上的端口映射到本地。