- • 前面已经介绍了 Ollama、本地模型 + API 调用 + 插件集成。
- • 但对于希望大规模 / 高并发 / 推理效率 /服务器部署的人来说，单纯用 Ollama 可能不够。
- • vLLM 是一个强调高性能推理、批处理 / 并发 / GPU 利用率 / 适合生产 / 服务器部署的框架。
- • 本文目的：
- 帮助读者从头下载开源模型 + 用 vLLM 启动 + 调用。
- 对比 vLLM 与 Ollama 的优缺点 / 适合场景。
- 如果你想搭“研究环境 / 服务 /工具” —— 给出实际参考。
适合读者：对 LLM 有一定基础、愿意折腾服务器 / 本地部署、关注性能 / 并发 /效率 的学生 / 开发者 /科研者。
一、为什么要考虑 vLLM？
- • 简单说目前 LLM 部署如果只是“单用户 + 交互 + 少量请求”，用 Ollama 足够。
- • 但如果你有：批量推理 / 多任务 / 接口服务 / 并发请求 / 服务器部署—— 就更适合 vLLM。
- • vLLM 在并发吞吐上优势明显，根据 benchmark，在高并发时 tokens / second (TPS) 远高于 Ollama，而且 latency（响应时延）在大流量下更低。
- • 而且 vLLM 支持 GPU 加速、动态批处理 (batching)、更好的资源与显存管理、pipeline / tensor / multi-GPU 等多种并行策略。
总结一句：vLLM 是“走向工程 / 服务 /高负载 /规模化”的桥梁，而 Ollama 更偏向“个人 / 原型 / 轻量 /易上手”。
二、如何下载开源模型
1.两大主流模型下载／共享平台：Hugging Face vs ModelScope
Hugging Face
https://huggingface.co/spaces
- • Hugging Face 是一家总部在美国的 AI 公司，从 2016 年起开始走开源 + 社区路线，推出了著名的
transformers库、datasets库，以及一个面向全球的模型 + 数据集 + 应用生态平台。 - • 在 Hugging Face 的 “Model Hub” 上，你几乎可以找到你需要的任何预训练模型／大模型：语言模型、编码器、视觉模型、多模态模型……覆盖范围非常广。用户和研究者遍布全球。(Hugging Face)
- • 下载很方便：支持 CLI、官方
huggingface_hub库、transformers/diffusers等主流库。一行命令即可下载模型权重，也可以通过 Python API 把模型直接 load 到程序里。(Hugging Face) - • 如果你国际网络条件没问题、想用最新、最多样化、社区活跃的模型库，Hugging Face 是“首选”。
优点：全球最大模型库、模型/任务覆盖广、社区资源丰富、下载／集成工具成熟。
注意事项：如果你在大陆，下载大模型可能会比较慢，或者因为网络 / 防火墙问题而不稳定（有不少用户反馈国外模型下载速度或连接问题）(GitHub)
ModelScope（魔搭社区）
https://www.modelscope.cn/models
- • ModelScope 是一个由国内（阿里云 + 通义 / 魔搭团队）支持 /推动的开源 / 模型共享平台，目标是为中文环境／国内开发者提供方便、易用的模型 + 数据 + 推理 /部署／服务支持。
- • 它不仅有语言模型（LLM、中文大模型等），还有视觉、语音、多模态模型等，覆盖了 NLP / CV / 多模态 等任务，是一个比较全面的国内模型生态平台。
- • 下载模型一般也比较方便 —— 多数模型公开、网页可直接下载，或通过官方提供的
modelscope库／Git 仓库获取。(GitHub) - • 对于在大陆、关注中文任务、希望网络稳定、减少“翻墙 / 下载慢”的同学，ModelScope 是一个非常实用的选择。
优点：对中文 /国内网络友好；模型／任务覆盖多，包括中文大模型／多模态／视觉／语言；下载／访问通常较快、稳定。
注意事项：相比 Hugging Face，国际社区 /模型资源数量可能少一些；对于某些非常前沿 /国际化模型，可能先在 Hugging Face 出，再被国内同步到 ModelScope（或可能不一定同步）。
2.对比总结与适用建议
| 如果你是 | 建议用 | 理由 |
|---|---|---|
| 想用最新、最前沿、国际社区贡献最多的模型／数据 | Hugging Face | 模型库最大，覆盖最广，社区资源、例子丰富 |
| 想做中文 NLP／多模态／视觉／语音任务，且网络条件受限 | ModelScope | 更适合国内网络／中文模型资源丰富／下载稳定 |
| 希望快速下载大模型做本地部署 / 实验 /测试 | ModelScope | 下载更快、访问稳定，适合国内开发环境 |
| 想最大化兼容各种开源库 & 与国际同步 | 以 Hugging Face 为主 | 官方库支持最好，社区文档、教程多，容易复现别人代码 |
实际上，很多团队 /项目是「Ollama for 开发 & 原型，vLLM for 部署 & 服务」。这是很多人的常见组合。
3.实践建议
- • 如果你主要做中文任务／在国内环境：优先从 ModelScope 下载模型，稳定且方便。
- • 如果你要做国际通用任务（英文 LLM、multi-lang、多模态、国际数据集）：优先 Hugging Face。
- • 建议下载模型时，可以先用 Hugging Face，如果发现下载慢／失败，再切换 ModelScope，看是否有镜像版本（不少模型会同时在两边发布）—— 有些模型例如某些大模型就同时在两边可获取。
- • 保留两个平台账号 /访问方式，对未来研究／项目有帮助 —— 万一一个平台模型更新 / 下架 / 网络不稳定，还有备用来源。
三、用 vLLM 启动 (从零到运行，用ModelScope下载模型为例)
1.下载模型（示例）
打开ModelScope官网，进入模型库，搜索DeepSeek，点击DeepSeek-R1-Distill-Qwen-1.5B。
终端下载模型
# 安装 modelscopepip install modelscope# 下载模型（下载时间会有些长）modelscope download --model deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B \ --local_dir ./path/to/your/model/ # 指定路径出现Successfully即下载成功，如果指定路径，就会出现在你的路径里。
下载vLLM（推荐GPU）
- • 虽然 vLLM 支持 CPU 推理／服务，但如果在 CPU 上运行大模型，即使是中等规模（几亿／十几亿参数），也很容易耗费大量 RAM／CPU 计算资源，运行速度慢、响应延迟高。
- • 因此，如果环境允许（有 NVIDIA-CUDA GPU 或兼容设备），使用 GPU 启动 vLLM 能显著提升推理速度与吞吐量，兼顾性能和资源利用率。
# 安装 vLLM（假设 Python 环境可用）pip install vllm# 从 HuggingFace / 本地模型路径拉模型# 假设你已经下载了开源模型，例如上面下载的DeepSeek-R1。2.启动 vLLM 服务 — 两种典型方式
以下是两种常见启动方式，供你根据硬件／需求选。
方式一：推荐 GPU + 加速模式（优先推荐）
# 终端启动 vLLM 服务，指定模型路径vllm serve --model /path/to/your/model/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B \ # 替换为你的模型下载路径 --host 127.0.0.1 \ # 替换为你的IP，一般默认为127.0.0.1 --port 8080 \ --served-model-name deepseek-r1-1.5b \ # 给模型起个名字 # 可选参数： --gpu-memory-utilization 0.9 # 使用 GPU 显存比例，默认 0.9，视显存和需求可下调 --dtype half # 模型 dtype成功启动的日志
(APIServer pid=5873) INFO: Started server process [5873](APIServer pid=5873) INFO: Waiting for application startup.(APIServer pid=5873) INFO: Application startup complete. ``` * • 这样 vLLM 会使用 GPU 加速推理 / 服务，效率和吞吐量远大于 CPU。 * • 如果你使用多块 GPU，并希望同时充分利用所有GPU，可以加类似参数（例如 data parallel / tensor parallel 等，多 GPU 启动模式） — 具体参照 vLLM 文档。vLLM Forums+2红帽文档+2 **方式二：CPU 模式（仅适合测试／轻量模型／资源受限情形）\*\*\*\*不推荐** * • **vLLM 目前（0.4.x / 多数 2024–2025 版本）对 CPU serve 支持并不完整** * • **DeepSeek-R1-Distill-Qwen-1.5B 在 CPU 上用 vLLM serve ≈ 不可行** * • 需要 vLLM 老版本 + 强制 CPU ```plaintext # 卸掉当前 vLLMpip uninstall -y vllm# 安装对 CPU 最“友好”的旧版本pip install vllm==0.3.3 --no-depspip install torch transformers pydantic==2.6.1# 强制环境变量（很关键）export VLLM_DEVICE=cpuexport CUDA_VISIBLE_DEVICES=""export VLLM_USE_TRITON=0export VLLM_ENABLE_CUDA=0export VLLM_ATTENTION_BACKEND=torch# 启动（必须加 --device cpu）vllm serve \ --model /path/to/your/model/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B \ --device cpu \ --dtype float32 \ --host 127.0.0.1 \ --port 8080⚠️ 注意事项
- • CPU 模式下推理速度明显慢很多，延迟高，不适合高频调用或大批量任务。
- • 如果模型较大（比如几亿 + 参数、context 长、生成多 tokens），很可能因为内存 / CPU 资源不足导致失败或非常慢。
3.本地启动并调用（Python / HTTP API）
import requestsurl = "http://127.0.0.1:8080/v1/chat/completions"resp = requests.post( url, json={ # ✅ 关键：model 名字要和 serve 时一致 "model": deepseek-r1-1.5b, "messages": [ {"role": "user", "content": "你好，今天是几月几号，适合做什么。"} ], "temperature": 0.7, "max_tokens": 50, }, timeout=60,)print(resp.json())输出结果
说明：
- • 这样你就有了一个本地 / 私有 / GPU 加速 / 支持并发的大模型服务。
- • 适合做批量推理、文档处理、代码生成、服务封装等。
四、推荐使用场景 & 如何选
| 框架 | Ollama | vLLM |
|---|---|---|
| 优点 | - 极易安装、开箱即用（命令几条就能上） - 适合个人电脑 / 本地 / 隐私 /离线环境 - 对 CPU 或小显存友好 非常适合研究、学习、快速原型 | - 高吞吐、高并发、低延迟，适合服务 / API / 批量推理 / 部署环境 - 支持多 GPU / 分布式 / 动态批处理 / 显存优化 - 当你需要处理大量请求 / 大模型 / 长上下文 / 高并发时表现更好 |
| 缺点 / 使用成本 | - 对于大型模型 / 多请求 /并发场景可能性能不够 - 不如 vLLM 那样适合「服务 + 批量 + 负载」场景 | - 安装 / 配置 /部署稍复杂，需要一定技术基础 - 对硬件要求更高（GPU / 显存 /多卡 /稳定服务器） - 更适合 Linux / GPU 环境，有一定门槛 |
| 适合场景 | 学习 / 研究 /本地测试 /原型 | 服务部署 / 批量推理 /企业 / 多用户 /项目交付 |
- •你只是想快速试验模型 / 本地调试 / 写论文 /写代码 /做小项目→ 用 Ollama，轻松简单。
- •你想部署一个服务 / API / 后端 / 多请求 / 批量处理 / 文档生成 / 代码生成 / 长文本处理→ 用 vLLM 更稳定、高效。
- •如果你有服务器 / 多 GPU /打算长期运行→ 推荐 vLLM。
- •如果你资源有限，只想在笔记本 / 单 GPU / 研究用途→ 推荐 Ollama。
也可以在同一个系统里混合使用：开发阶段用 Ollama，服务上线用 vLLM。
后面我会继续更新：大模型在工作/科研中的具体应用，包括代码模板、实战案例和踩坑记录。
如果你也在折腾本地大模型、API 调用或者 AI 编程工具，欢迎在评论区交流 👇
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
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：
- 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！
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。
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。
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。
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。
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。
L5阶段：专题集丨特训篇 【录播课】
![]()
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”！
