1. 背景
vLLM是一个快速且易于使用的LLM推理和服务库。企业级应用比较普遍，尝试安装相关环境，尝试使用。
2. 环境
| 模块 | 版本 |
|---|---|
| python | 3.10 |
| CUDA | 12.6 |
| torch | 2.5.1 |
| xformers | 0.0.28.post3 |
| flash_attn | 2.7.4 |
| vllm | 0.6.4.post1 |
2.1 安装flash_attn
具体选择什么版本，可参考：flash-attention保姆级安装教程
基于cuda跟torch的版本考虑，笔者选择如下版本
flash_attn-2.7.4.post1+cu12torch2.5cxx11abiFALSE-cp310-cp310-linux_x86_64.whl
安装命令
wget https://github.com/Dao-AILab/flash-attention/releases/download/v2.7.4.post1/flash_attn-2.7.4.post1+cu12torch2.5cxx11abiFALSE-cp310-cp310-linux_x86_64.whl
MAX_JOBS=4
pip install flash_attn-2.7.4.post1+cu12torch2.5cxx11abiFALSE-cp310-cp310-linux_x86_64.whl
2.2 安装vllm
参考：vLLM环境安装与运行实例【最新版（0.6.4.post1）】
pip3 install vllm==0.6.4.post1 --extra-index-url https://download.pytorch.org/whl/cu121 -i https://pypi.tuna.tsinghua.edu.cn/simple
2.2.1 坑1: 报错：libcudart.so.11.0: cannot open shared object file: No such file or directory
这个文件应该指向的是cuda的文件。到cuda的路径看看【笔者cuda的路径为：/usr/local/cuda/lib64】
发现确实只有libcudart.so.12。没有libcudart.so.11。
那么这里只有两种解决方案，要么重装cuda，要么重装vllm。
借鉴楼上大佬的经验参考，将vllm 版本降至0.6.4.post1即可解决。
3. 启动服务
3.1 vllm启动服务
使用vllm启动模型/root/Qwen2.5-7B-Instruct。
参考文章：使用 vllm 搭建推理加速大模型服务
python -m vllm.entrypoints.openai.api_server --model /root/Qwen2.5-7B-Instruct --served-model-name Qwen2.5-7B-Instruct --max-model-len=2048
3.2 vllm一次性调用
# vllm_model.py
from vllm import LLM, SamplingParams
from transformers import AutoTokenizer
import os
import json# 自动下载模型时，指定使用modelscope。不设置的话，会从 huggingface 下载
os.environ['VLLM_USE_MODELSCOPE']='True'def get_completion(prompts, model, tokenizer=None, max_tokens=512, temperature=0.8, top_p=0.95, max_model_len=2048):stop_token_ids = [151329, 151336, 151338]# 创建采样参数。temperature 控制生成文本的多样性，top_p 控制核心采样的概率sampling_params = SamplingParams(temperature=temperature, top_p=top_p, max_tokens=max_tokens, stop_token_ids=stop_token_ids)# 初始化 vLLM 推理引擎llm = LLM(model=model, tokenizer=tokenizer, max_model_len=max_model_len,trust_remote_code=True)outputs = llm.generate(prompts, sampling_params)return outputsif __name__ == "__main__": # 初始化 vLLM 推理引擎model='/root/Qwen2.5-7B-Instruct' # 指定模型路径# model="qwen/Qwen2-7B-Instruct" # 指定模型名称，自动下载模型tokenizer = None# 加载分词器后传入vLLM 模型，但不是必要的。# tokenizer = AutoTokenizer.from_pretrained(model, use_fast=False) text = ["你好，帮我介绍一下什么是大语言模型。","可以给我将一个有趣的童话故事吗？"]# messages = [# {"role": "system", "content": "你是一个有用的助手。"},# {"role": "user", "content": prompt}# ]# 作为聊天模板的消息，不是必要的。# text = tokenizer.apply_chat_template(# messages,# tokenize=False,# add_generation_prompt=True# )outputs = get_completion(text, model, tokenizer=tokenizer, max_tokens=512, temperature=1, top_p=1, max_model_len=2048)# 输出是一个包含 prompt、生成文本和其他信息的 RequestOutput 对象列表。# 打印输出。for output in outputs:prompt = output.promptgenerated_text = output.outputs[0].textprint(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")
效果如下：
4. 模型调用
curl http://localhost:8000/v1/completions \-H "Content-Type: application/json" \-d '{"model": "Qwen2.5-7B-Instruct","prompt": "请基于如下的知识点，帮忙总结一下该病例的关键信息点。","max_tokens": 50,"temperature": 0}'
python调用
import requestsheaders = {'Content-Type': 'application/json',
}base_prompt = [{"role": "system","content": "You are a helpful Assistant.",},{"role": "user", "content": "你好"},
]json_data = {'model': 'Qwen2.5-14B-Instruct','prompt': base_prompt,'top_p': '0.9','temperature': '0.7',
}response = requests.post('http://localhost:8002/v1/completions', headers=headers, json=json_data)print(response.json())参考文章：
1.flash-attention保姆级安装教程
2.vLLM环境安装与运行实例【最新版（0.6.4.post1）】
3.使用 vllm 搭建推理加速大模型服务
4.[大模型]Qwen2-7B-Instruct vLLM 部署调用
以上，结束。
