在上一篇文章中，我们详细介绍了如何通过 vLLM 加速部署开源模型 GLM-4-9B-Chat，并提供了简单验证代码。在企业真实场景中，开发接口通常需要针对具体需求进行定制化处理，以更好地适配 RAG 应用系统的实际需求。相关代码后续会以 Git 仓库的形式分享。

本章将继续探讨开源大模型的部署。在 RAG 系统的架构中，大模型扮演着至关重要的角色，是整个流程的“最后一环”。知识库的构建、检索，以及知识的排序与整合，都是为了为大模型提供准确、完整的上下文知识。这种知识支撑可以显著降低大模型生成过程中的幻觉问题（如生成不可靠或错误答案）。因此，大模型的生成能力直接决定了 RAG 系统的服务质量，特别是在为用户问题生成答案时，精准性与可靠性尤为关键。

目前可商用的开源大模型主要包括：

  • GLM-4-9B-Chat
  • Qwen2.5-7B
  • DeepSeek-7B-Chat

DeepSeekV3 近期备受瞩目，其多项测试指标超越了其他开源模型，甚至在某些方面达到或超过部分闭源大模型的水平。V3 模型体量巨大，尽管 vLLM、SGLang 和 LMDeploy 等加速框架已支持其部署，但仍有许多优化空间。此外，部署所需的 GPU 资源极为庞大，对企业硬件条件提出了较高要求。因此，我们计划在未来合适的时间分享其具体的部署实践与优化策略。

本篇主要介绍阿里Qwen2.5-7B模型的vLLM的部署与示例。

Qwen2.5介绍

Qwen2.5是Qwen家族的新成员，发布已经几个月了，具有以下特点：

  • 密集、易于使用、仅解码器的语言模型，有0.5B、1.5B、3B、7B、14B、32B和72B大小以及基本和指示变体。
  • 在我们最新的大规模数据集上进行预训练，涵盖多达18T 个标记。
  • 在指令跟踪、生成长文本（超过 8K 个标记）、理解结构化数据（例如表格）以及生成结构化输出（尤其是 JSON）方面有显著改进。
  • 更能适应系统提示的多样性，增强聊天机器人的角色扮演实现和条件设定。
  • 上下文长度最多支持128K个token，最多可生成8K个token。
  • 支持超过29种语言，包括中文、英语、法语、西班牙语、葡萄牙语、德语、意大利语、俄语、日语、韩语、越南语、泰语、阿拉伯语等。

vLLM介绍

接下来，将详细介绍如何通过 vLLM 部署 Qwen2.5 的具体步骤，以及在vLLM加速下验证聊天接口。

硬件与环境配置建议

企业可根据成本和业务需求选择硬件设备，以下是推荐配置：

  1. GPU建议

  • 建议使用 NVIDIA 3090 或 4090 显卡。

  • 若仅用于功能验证，一块 GPU 即可满足需求；实际部署可根据业务规模决定 GPU 数量。

  1. 操作系统
  • Ubuntu 20.04 或更高版本。
  1. CUDA版本
  • 需安装 CUDA 12.1 或更高版本。
  1. 深度学习框架
  • PyTorch 2.1.0 或更高版本。
  1. Python版本
  • 使用 Python 3.10 或更高版本（推荐使用 Conda 环境管理工具）。

确保环境与硬件兼容，是大模型高效运行的关键。

vLLM的安装

执行以下命令：conda的创建及依赖的安装

conda create -n vllm_qwen python=3.10``conda activate vllm_qwen``# 升级pip``python -m pip install --upgrade pip``pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple``   ``pip install vllm``pip install modelscope[framework]

直接安装 vLLM，默认会安装 支持CUDA 12.1及以上版本的vLLM，

如果我们需要在 CUDA 11.8 的环境下安装 vLLM，指定 vLLM 版本和 python 版本下载安装。

模型的下载

模型的下载可以使用以下两种方式：

  • 使用ModelScope下载，执行以下命令，将模型下载到/qwen目录下。
git clone https://www.modelscope.cn/Qwen/Qwen2.5-7B-Instruct.git
  • 使用HF国内的镜像下载，执行以下命令，将模型下载到/qwen目录下。
git clone https://hf-mirror.com/Qwen/Qwen2.5-7B-Instruct

下载完成后可以看到目录结构如下：

qwen/Qwen2.5-7B-Instruct/``|-- LICENSE``|-- README.md``|-- config.json``|-- configuration.json``|-- generation_config.json``|-- merges.txt``|-- model-00001-of-00004.safetensors``|-- model-00002-of-00004.safetensors``|-- model-00003-of-00004.safetensors``|-- model-00004-of-00004.safetensors``|-- model.safetensors.index.json``|-- tokenizer.json``|-- tokenizer_config.json````-- vocab.json `

代码准备

简单示例Python文件

在/qwen目录下创建vllm-run.py，创建完目录结构如下：

/qwen/``|-- Qwen2.5-7B-Instruct``|   |-- LICENSE``|   |-- README.md``|   |-- config.json``|   |-- configuration.json``|   |-- generation_config.json``|   |-- merges.txt``|   |-- model-00001-of-00004.safetensors``|   |-- model-00002-of-00004.safetensors``|   |-- model-00003-of-00004.safetensors``|   |-- model-00004-of-00004.safetensors``|   |-- model.safetensors.index.json``|   |-- tokenizer.json``|   |-- tokenizer_config.json```|   `-- vocab.json`````-- vllm_run.py `

vllm_run代码如下，通过示例代码可以快速熟悉 vLLM 引擎的使用方式。

from transformers import AutoTokenizer``from vllm import LLM, SamplingParams``   ``max_model_len, tp_size = 2048, 1``model_name = "./Qwen2.5-7B-Instruct"``prompt = [{"role": "user", "content": "你好，讲讲你是谁？"}]``   ``tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)``llm = LLM(`    `model=model_name,`    `tensor_parallel_size=tp_size,`    `max_model_len=max_model_len,`    `trust_remote_code=True,`    `enforce_eager=True,`    `enable_chunked_prefill=True,`    `max_num_batched_tokens=2048``)``stop_token_ids = [151329, 151336, 151338]``sampling_params = SamplingParams(temperature=0.95, max_tokens=1024, stop_token_ids=stop_token_ids)``   ``inputs = tokenizer.apply_chat_template(prompt, tokenize=False, add_generation_prompt=True)``outputs = llm.generate(prompts=inputs, sampling_params=sampling_params)``   ``print(outputs[0].outputs[0].text)

执行以下命令：

# export CUDA_VISIBLE_DEVICES=3 ，如果不指定卡号，默认使用0卡``python vllm-run.py

执行结果：

INFO 01-11 04:21:12 model_runner.py:1099] Loading model weights took 14.2487 GB``INFO 01-11 04:21:13 worker.py:241] Memory profiling takes 0.69 seconds``INFO 01-11 04:21:13 worker.py:241] the current vLLM instance can use total_gpu_memory (23.64GiB) x gpu_memory_utilization (0.90) = 21.28GiB``INFO 01-11 04:21:13 worker.py:241] model weights take 14.25GiB; non_torch_memory takes 0.12GiB; PyTorch activation peak memory takes 1.40GiB; the rest of the memory reserved for KV Cache is 5.51GiB.``INFO 01-11 04:21:13 gpu_executor.py:76] # GPU blocks: 6443, # CPU blocks: 4681``INFO 01-11 04:21:13 gpu_executor.py:80] Maximum concurrency for 2048 tokens per request: 50.34x``INFO 01-11 04:21:17 llm_engine.py:431] init engine (profile, create kv cache, warmup model) took 4.89 seconds``Processed prompts: 100%|█████████████████████████████████████████| 1/1 [00:00<00:00,  1.01it/s, est. speed input: 36.52 toks/s, output: 53.76 toks/s]``你好！我是Qwen，我是由阿里云开发的一种超大规模语言模型。我被设计用来回答问题、提供信息、参与对话，旨在帮助用户获得所需的知识和信息。如果你有任何问题或需要帮助，都可以尝试和我交流。``

构建与 OpenAI 兼容的 API 服务

使用 vLLM 来构建与 OpenAI 兼容的 API 服务，包括工具使用支持。使用聊天模型启动服务器。

例如：在/qwen目录下执行以下命令：

export CUDA_VISIBLE_DEVICES=3 //指定GPU默是0卡``vllm serve Qwen2.5-7B-Instruct

通过 curl 命令查看当前API Server的模型列表。

curl http://localhost:8000/v1/models

查看结果如下：

{`	`"object": "list",`	`"data": [{`		`"id": "Qwen2.5-7B-Instruct",`		`"object": "model",`		`"created": 1736570004,`		`"owned_by": "vllm",`		`"root": "Qwen2.5-7B-Instruct",`		`"parent": null,`		`"max_model_len": 32768,`		`"permission": [{`			`"id": "modelperm-62acae496e714754b5d8866fff32f0cb",`			`"object": "model_permission",`			`"created": 1736570004,`			`"allow_create_engine": false,`			`"allow_sampling": true,`			`"allow_logprobs": true,`			`"allow_search_indices": false,`			`"allow_view": true,`			`"allow_fine_tuning": false,`			`"organization": "*",`			`"group": null,`			`"is_blocking": false`		`}]`	`}]``}

聊天对话接口，curl使用prompt调用

curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{`    `"model": "Qwen2.5-7B-Instruct",`    `"messages": [`        `{"role": "system", "content": "You are Qwen, created by Alibaba Cloud. You are a helpful assistant."},`        `{"role": "user", "content": "告诉我一些关于大型语言模型的事情。"}`    `],`    `"temperature": 0.7,`    `"top_p": 0.8,`    `"repetition_penalty": 1.05,`    `"max_tokens": 512``}'

查看结果如下：

{`	`"id": "chatcmpl-c774bbba1c5c47579a77dec6ef87d987",`	`"object": "chat.completion",`	`"created": 1736570396,`	`"model": "Qwen2.5-7B-Instruct",`	`"choices": [{`		`"index": 0,`		`"message": {`			`"role": "assistant",`			`"content": "当然，我很乐意为您介绍一些关于大型语言模型的知识！\n\n大型语言模型是一种深度学习模型，它通过处理大量的文本数据来学习人类语言的结构和规律。这些模型通常包含数以亿计甚至更多参数，因此被称为“大型”。它们能够生成连贯的文本、回答问题、翻译语言、创作故事等多种任务。\n\n### 1. 应用领域\n\n- **自然语言处理**：包括机器翻译、情感分析、文本分类等。\n- **对话系统**：如智能客服、虚拟助手等。\n- **内容生成**：包括文章写作、故事创作、诗歌生成等。\n- **代码生成**：帮助编程人员生成代码片段或完成代码补全。\n- **教育辅助**：提供个性化学习建议和教学材料。\n\n### 2. 技术原理\n\n大型语言模型主要基于神经网络架构，如Transformer模型。这些模型通过训练大量文本数据来学习语言模式，并使用复杂的算法优化其性能。训练过程需要大量的计算资源和时间，但现代云计算技术使得这一过程变得可行。\n\n### 3. 挑战与限制\n\n尽管大型语言模型在许多方面表现出色，但也存在一些挑战和限制：\n\n- **偏见问题**：模型可能会反映出训练数据中的偏见。\n- **安全性问题**：不当使用可能导致隐私泄露或生成有害信息。\n- **能耗问题**：训练和运行这些模型消耗大量能源。\n- **解释性不足**：模型内部的工作机制难以完全理解或解释。\n\n### 4. 发展趋势\n\n随着技术的进步，研究人员正在努力改进大型语言模型，使其更加高效、安全和可靠。这包括开发新的训练方法、优化模型结构以及增强对模型输出的控制能力。\n\n希望这些信息能帮助您更好地了解大型语言模型！如果您有任何具体的问题或需要更详细的信息，请随时告诉我。",`			`"tool_calls": []`		`},`		`"logprobs": null,`		`"finish_reason": "stop",`		`"stop_reason": null`	`}],`	`"usage": {`		`"prompt_tokens": 37,`		`"total_tokens": 424,`		`"completion_tokens": 387,`		`"prompt_tokens_details": null`	`},`	`"prompt_logprobs": null``}

使用vLLM加速后模型的性能如下：

图片来源于网络

从这个性能对比中可以看到，vllm加速的能力相当可以，基本可以提升30%多。

写在最后

开源模型在应对 RAG 生成任务时表现不错，单卡 4090 足以支持单企业的多人并发 RAG 问答需求。如果业务量较大，可以采用多 GPU 部署，并结合 vLLM 提供的 Nginx 方案实现高效负载均衡。

然而，目前开源模型在知识图谱识别能力上仍有局限。对于 RAG 系统中知识图谱的建立功能，建议引入各大模型厂商的 API 服务进行调用，这样能够显著提升效果，确保数据更精准地满足业务需求。

重要说明：这些开源大模型还可以支持企业内部各种应用的接入，Qwen2.5典型的应用包括：客服聊天、文案生成、ppt文案生成等。

在这里插入图片描述

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

在这里插入图片描述

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

在这里插入图片描述

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

在这里插入图片描述

# AI # 产品经理 # RAG
Logo
中德AI开发者社区

2万人民币佣金等你来拿，中德社区发起者X.Lab，联合德国优秀企业对接开发项目，领取项目得佣金！！！

更多推荐

cover

模糊神经网络的基础原理剖析(附DeepSeek行业解决方案100+)

avatar 中德AI开发者社区
cover

X.Lab的AI报告丨巴黎上演AI巅峰对话！GOSIM大会首日狂掀技术风暴！

avatar 中德AI开发者社区
cover

国际AI工程师齐聚！携手X.Lab，共筑中德AI合作新桥梁！

avatar 中德AI开发者社区