【vLLM 学习】Lora With Quantization Inference

大模型本地部署与微调实战:从Ollama、vLLM到LoRA的完整指南 大型语言模型(LLM)的本地部署与微调是当前AI工程实践的核心环节。其原理在于将预训练好的模型部署到本地硬件,通过优化推理和参数高效微调技术,使其适应特定任务。这一过程的技术价值在于保障数据隐私、实现模型可控并降低长期使用成本。在应用场景上,它广泛适用于企业私有化部署、垂直领域模型定制以及研究与开发测试。其中,Ollama以其开箱即用的特性简化了部署流程,而LoRA(Low-Rank Adaptation)作为一种高效的参数微调方法,能大幅降低计算资源需求。本文聚焦于大模型本地部署、推理加速与基础微调的实战 阅读详情

vLLM 是一款专为大语言模型推理加速而设计的框架,实现了 KV 缓存内存几乎零浪费,解决了内存管理瓶颈问题。

更多 vLLM 中文文档及教程可访问 →https://vllm.hyper.ai/

*在线运行 vLLM 入门教程:零基础分步指南

源码 examples/offline_inference/lora_with_quantization_inference.py

# SPDX-License-Identifier: Apache-2.0

"""
此示例显示了如何使用不同的量化技术使用 LoRA
用于离线推理。
需要 HuggingFace 凭证以访问。
"""

import gc
from typing import Optional

import torch
from huggingface_hub import snapshot_download

from vllm import EngineArgs, LLMEngine, RequestOutput, SamplingParams
from vllm.lora.request import LoRARequest


def create_test_prompts(
        lora_path: str
) -> list[tuple[str, SamplingParams, Optional[LoRARequest]]]:
    return [
        # 这是不使用 LoRA 的量化的示例
        ("My name is",
         SamplingParams(temperature=0.0,
                        logprobs=1,
                        prompt_logprobs=1,
                        max_tokens=128), None),
        # 接下来的三个示例使用 LoRA 的量化示例
        ("my name is",
         SamplingParams(temperature=0.0,
                        logprobs=1,
                        prompt_logprobs=1,
                        max_tokens=128),
         LoRARequest("lora-test-1", 1, lora_path)),
        ("The capital of USA is",
         SamplingParams(temperature=0.0,
                        logprobs=1,
                        prompt_logprobs=1,
                        max_tokens=128),
         LoRARequest("lora-test-2", 1, lora_path)),
        ("The capital of France is",
         SamplingParams(temperature=0.0,
                        logprobs=1,
                        prompt_logprobs=1,
                        max_tokens=128),
         LoRARequest("lora-test-3", 1, lora_path)),
    ]


def process_requests(engine: LLMEngine,
                     test_prompts: list[tuple[str, SamplingParams,
                                              Optional[LoRARequest]]]):
    "持续处理提示列表并处理输出"
    request_id = 0

    while test_prompts or engine.has_unfinished_requests():
        if test_prompts:
            prompt, sampling_params, lora_request = test_prompts.pop(0)
            engine.add_request(str(request_id),
                               prompt,
                               sampling_params,
                               lora_request=lora_request)
            request_id += 1

        request_outputs: list[RequestOutput] = engine.step()
        for request_output in request_outputs:
            if request_output.finished:
                print("----------------------------------------------------")
                print(f"Prompt: {request_output.prompt}")
                print(f"Output: {request_output.outputs[0].text}")


def initialize_engine(model: str, quantization: str,
                      lora_repo: Optional[str]) -> LLMEngine:
    """Initialize the LLMEngine."""

    if quantization == "bitsandbytes":
        # Qlora (https://arxiv.org/abs/2305.14314) 是一种量化技术。
        # 它在加载时量化模型,并带有一些配置信息
        # LoRA 适配器存储库。因此,需要设置 load_format 的参数和
        # qlora_adapter_name_or_path 如下。
        engine_args = EngineArgs(model=model,
                                 quantization=quantization,
                                 qlora_adapter_name_or_path=lora_repo,
                                 enable_lora=True,
                                 max_lora_rank=64)
    else:
        engine_args = EngineArgs(model=model,
                                 quantization=quantization,
                                 enable_lora=True,
                                 max_loras=4)
    return LLMEngine.from_engine_args(engine_args)


def main():
    """Main function that sets up and runs the prompt processing."""

    test_configs = [{
        "name": "qlora_inference_example",
        'model': "huggyllama/llama-7b",
        'quantization': "bitsandbytes",
        'lora_repo': 'timdettmers/qlora-flan-7b'
    }, {
        "name": "AWQ_inference_with_lora_example",
        'model': 'TheBloke/TinyLlama-1.1B-Chat-v0.3-AWQ',
        'quantization': "awq",
        'lora_repo': 'jashing/tinyllama-colorist-lora'
    }, {
        "name": "GPTQ_inference_with_lora_example",
        'model': 'TheBloke/TinyLlama-1.1B-Chat-v0.3-GPTQ',
        'quantization': "gptq",
        'lora_repo': 'jashing/tinyllama-colorist-lora'
    }]

    for test_config in test_configs:
        print(
            f"~~~~~~~~~~~~~~~~ Running: {test_config['name']} ~~~~~~~~~~~~~~~~"
        )
        engine = initialize_engine(test_config['model'],
                                   test_config['quantization'],
                                   test_config['lora_repo'])
        lora_path = snapshot_download(repo_id=test_config['lora_repo'])
        test_prompts = create_test_prompts(lora_path)
        process_requests(engine, test_prompts)

        # 清理下一个测试的 GPU 内存
        del engine
        gc.collect()
        torch.cuda.empty_cache()


if __name__ == '__main__':
    main()
TurboQuant如何实现Qwen 3.6 27B在vLLM上的300%推理加速 大语言模型推理中的KV Cache内存膨胀是长上下文(如128K tokens)场景下的核心瓶颈,尤其在Qwen系列等采用Grouped-Query Attention与高维RoPE的模型中更为突出。TurboQuant并非传统权重量化,而是专为动态KV Cache设计的时序感知压缩技术,通过Token-wise Dynamic Scaling Factor(TDSF)实现显存占用下降41%、端到端吞吐提升近300%。其技术价值在于将量化逻辑深度嵌入vLLM的PagedAttention内存管理流水线,在A 阅读详情

相关推荐

Agent Lightning:用VERL+GiGPO+vLLM构建可进化的智能体训练系统

智能体(Agent)作为大模型落地的核心形态,其本质是具备自主规划、反思与长期记忆的决策系统。传统基于规则或简单微调的方法难以支撑真实场景中的动态环境交互与长程任务泛化。VERL框架将强化学习重构为面向Agent特性的运行时抽象层,GiGPO算法通过群体对比实现无价值网络的细粒度信用分配,而vLLM则以PagedAttention和前缀缓存等技术提供毫秒级推理支撑。三者协同构成Agent训练的‘铁三角’,显著提升在ALFWorld、WebShop等非马尔可夫环境中的成功率与稳定性。本文聚焦于该技术栈的工程落

weixin_33805992的博客 397

LoRA实战指南:参数高效微调的产线级落地方法

LoRA(Low-Rank Adaptation)作为Parameter Efficient Fine-Tuning(PEFT)的核心技术,通过低秩矩阵分解在冻结大模型主干的前提下注入任务适配能力,兼顾知识保留与计算轻量。其原理简洁——在原始权重W上叠加ΔW=BA,仅训练少量B/A参数,显著降低显存占用与标注依赖。技术价值体现在工程可控性:支持r/α/dropout三参数精细化调控、无需修改模型结构、推理零开销。广泛应用于工业质检、金融文档处理、政务对话摘要等GPU受限、数据稀缺的真实场景。本文聚焦LoRA

快马扬鞭须努力! 438

大模型微调实战:从LoRA原理到LlamaFactory部署全流程指南

这次我们来看大模型微调。如果你关心如何让通用大模型适配你的业务场景、如何用有限的数据和算力训练出专用模型、如何通过微调提升模型在特定任务上的表现,这篇文章可以直接收藏。 大模型微调不是重新训练一个模型,而是在预训练好的大模型基础上,用特定领域或任务的数据进行二次训练,调整模型的部分参数,使其更“懂”你的需求。这就像给一个博学的通才进行专项培训,让他成为某个领域的专家。对于开发者而言,微调是连接通用大模型能力与具体业务需求的关键桥梁,其核心价值在于低成本、高效率地实现模型定制化。 本文将聚焦于大模型微调的核心

weixin_30321449的博客 395

vLLM Serve 参数详解

vLLM 服务启动参数详解 vLLM的serve命令用于将模型部署为OpenAI兼容的API服务,支持多种高级功能。主要参数包括: 基础运行参数 --host/--port:设置服务监听地址和端口 --api-key:API访问密钥,保障服务安全 --config:从YAML文件加载配置 模型配置参数 --model:指定模型名称或路径 --dtype:设置模型精度(如bfloat16/float16) --quantization:支持AWQ/GPTQ等量化方法 --max-model-len:限制上下文

小小黑的博客 1395

RTX 4090单卡部署大模型实战:性能实测与vLLM适配指南

大模型推理与微调正从数据中心走向桌面级GPU。RTX 4090凭借24GB GDDR6X显存、1008 GB/s带宽及优异的FP16/INT8算力,成为消费级设备中支撑7B至70B规模模型的关键硬件。其核心价值不在于替代A100,而在于通过vLLM的PagedAttention、QLoRA低秩微调等技术,实现高显存利用率与连续批处理,显著降低大模型本地化部署门槛。本文围绕Ubuntu 24.04系统下NVIDIA 535驱动、CUDA 12.2与vLLM 0.4.2的协同优化,解析显存带宽瓶颈、PCIe通道

weixin_34218579的博客 506

Qwen 3.8 27B大模型实战:从环境部署到LoRA微调全指南

大语言模型(LLM)作为人工智能领域的核心技术,通过海量数据预训练获得通用语言理解与生成能力。其核心原理基于Transformer架构,通过自注意力机制捕捉长距离依赖关系。在工程实践中,模型量化(如INT4/INT8)和参数高效微调(如LoRA)是降低部署门槛、实现领域适配的关键技术。这些技术能显著减少显存占用、提升推理速度,使像Qwen 3.8 27B这类中大型模型能在消费级GPU上运行,并快速适应代码生成、智能问答等具体应用场景。本文聚焦于通义千问最新开源模型,详细解析其部署、量化及微调的全流程实践。

weixin_34295316的博客 490

Efficient Inference 论文精读路线:KV Cache、Speculative Decoding、Quantization 和 Serving

Efficient Inference 研究的核心不是“让模型跑得快一点”,而是理解自回归生成的成本结构:prefill 阶段通常更像大矩阵计算,decode 阶段则被 KV cache 读写、显存带宽、调度和 batch 形态限制。KV cache、PagedAttention、continuous batching、speculative decoding、量化、prefix cache、prefill/decode disaggregation 和 serving runtime,都是围绕这条成本链条

weixin_44369324的博客 450

大模型微调实战指南:LoRA/QLoRA选型、数据清洗与生产部署

大模型微调是将通用语言能力转化为垂直领域生产力的关键技术,其本质并非知识灌输,而是对已训练模型的参数化适配,聚焦于任务特定的表达偏好与响应逻辑。基于低秩适应(LoRA)和4位量化(QLoRA)的轻量微调方法,显著降低显存与算力门槛,使单卡A10即可完成8B级模型的高效训练。该技术在医疗报告生成、法律条款分析、教育问答等需高专业性与格式一致性的场景中展现出突出价值,兼顾效果稳定性与工程落地可行性。本文结合SocraticChat等真实数据集,系统拆解从数据清洗、target_modules选择、packing

421

vLLM本地化部署与性能优化实战指南

大语言模型(LLM)推理引擎是AI基础设施的关键组件,其核心原理通过注意力机制优化和内存管理提升计算效率。vLLM作为开源推理框架,采用创新的PagedAttention技术,显著降低显存碎片化问题,在消费级GPU上即可实现70B参数模型的低延迟推理。该技术特别适合需要数据隐私保护的金融、医疗等行业场景,支持HuggingFace、GGUF等多种模型格式转换。通过动态批处理和KV Cache优化,Qwen-14B等主流模型在RTX 3090显卡上可达45 tokens/s的生成速度,相比传统方案提升8倍吞吐

weixin_34151004的博客 337

affymatrix探针转换 | GPL5175探针对应的基因转换

一般情况下,有一些比较成熟的对应平台的注释数据集的R包。但是这个注释平台,我在Bioconductor上找了一圈都没有找到。只能通过最原始也最可靠的方法,从GEO数据集上去下载这部分的注释文件。以下展示全过程。 我要检查的数据平台是:GPL5157。 数据集的注释集链接为:https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL5175 这个注释数据集比较难弄的地方在于,它的基因集注释的不太好。没有比较直接的可供提取的genesample的信息;在ge.

weixin_40640700的博客 7124

Docker篇——Docker常用命令大全!史上最全面的Docker命令,涵盖常规命令、镜像基本命令、容器基本命令以及常用其他命令,一篇文章速通!

本篇文章介绍的关于DOcker的命令非常全面,Docker常见的命令介绍完毕,涉及到的命令比较繁杂,希望大家可以收藏并坚持学习。后续还会持续更新相关技术点,敬请期待

我热爱学习,也乐于分享。无论是科技前沿的洞见,还是生活中的小技巧,我都会在这里与你分享。我相信,知识就是力量,而分享则能让这份力量得到更好的传递。 5746

Qwen微调实战:LoRA+QLoRA单卡高效定制大模型

大语言模型并非开箱即用的黑盒,而是需深度适配的智能系统。理解其底层原理——如参数更新机制、量化压缩与低秩适配(LoRA)——是实现业务落地的关键。QLoRA通过4-bit量化与低秩增量训练,在显著降低显存占用的同时保留模型能力,特别适合中小团队在单卡GPU(如RTX 4090)上开展多语言生成、长上下文理解与合规审核等高价值任务。本文聚焦Qwen系列模型的工程化微调路径,涵盖环境陷阱规避、chat template精准应用、学习率科学缩放及vLLM轻量部署,为从‘能跑’到‘真能用’提供可复现的技术闭环。

weixin_34280237的博客 383

西门子交换机环网冗余设置(实战篇2.2)

MRP的重组时间为 200ms 因此 PROFINET 通信必须选择大于 200ms 的看门狗时间,看门狗。ET200SP默认为 2ms*3=6ms) MRP 的重组时间为 200ms 故系统会报出看门狗超时。更新,默认是 3 个周期,超出设置的周期数就会报 IO 设备故障。时间不是直接配置的,而是作为没有 IO 数据可接受的更新周期,也就是允许几个周期没有数据。来达到大于 200ms 的看门狗时间的要求(看门狗时间 可接受更新周期数 更新时间)。是IO 控制器和 IO 设备)

weixin_42580591的博客 366

Swift模型合并工具:LoRA权重融合的生产级解决方案

在大模型轻量化训练后,你是否面临这样的困境:LoRA适配器权重无法直接部署到生产环境?Swift作为ModelScope推出的LLM训练推理工具箱,提供了工业级的模型合并解决方案,帮助开发者和研究者将LoRA微调权重无缝集成到基础模型中,实现从训练到部署的无缝衔接。 ## 为什么LoRA训练后还需要模型合并?🧠 LoRA技术通过冻结基础模型参数、仅训练低秩矩阵的方式大幅降低了显存和计算开销,

gitblog_01120的博客 503

国产化办公新选择:在银河麒麟V10上部署ToDesk远程桌面

本文详细介绍了在国产操作系统银河麒麟V10上部署ToDesk远程桌面的完整指南。作为国产远程控制工具,ToDesk在连接速度、系统适配性和用户体验方面表现优异,特别适合国产化办公场景。文章包含X86和ARM架构的安装步骤、常见问题排查及性能优化技巧,帮助用户高效实现远程办公。

weixin_33742618的博客 233

C# NX二次开发-查找连续倒圆角面

可以通过ufun函数 UF_MODL_ask_face_type 和 UF_MODL_ask_face_props 可判断处理选择相应的一组圆角面。在QQ群里有人问怎么通过一个选择一个倒圆角面来自动选中一组倒圆角面。这个是初步思路,如果有更好的思路可回复讨论一下。

fhqiwmc的博客 618

基于LLaMA-Factory与Qwen2的垂直大模型LoRA微调实战指南

大语言模型(LLM)的微调(Fine-tuning)技术,是解决通用模型在垂直领域应用时出现专业术语理解偏差、回答格式不符等问题的核心方法。其原理在于,通过在预训练好的基座模型上,使用特定领域数据对少量参数进行额外训练,使模型在保留通用能力的同时,习得领域专精知识。参数高效微调(PEFT)方法,尤其是LoRA(Low-Rank Adaptation),因其能以极低的参数量(通常仅为原模型的0.1%-1%)和计算成本达到接近全参数微调的效果,成为当前技术落地的首选。这项技术的价值在于,能够快速、低成本地打造出

weixin_34341229的博客 390

芒果YOLO11改进17:即插即用 | 损失函数Repulsion Loss|Repulsion 解决目标遮挡场景下的目标检测,为解决密集人群检测中遮挡设计的损失函数,打造高效

即插即用 | 损失函数Repulsion Loss|Repulsion 解决目标遮挡场景下的目标检测,为解决密集人群检测中遮挡设计的损失函数,打造高效

包括YOLOv5、YOLOv7、YOLOv8等模型改进 484

收藏必备!小白程序员轻松入门大模型:vLLM架构深度解析

核心机制一句话把 KV Cache 当虚拟内存管——按需分块、共享前缀、引用计数回收请求粒度动态调度,GPU 永不空转统一调度抽象没有 prefill/decode 之分,只有"token 差"需要追OpenAI 兼容 API改一行 URL 就能迁移,继承整个生态五大加速绝招每个绝招瞄准一个瓶颈,按需组合vLLM 的设计哲学可以总结为一句话:把操作系统的智慧搬到 GPU 上。虚拟内存、按需分页、共享内存、调度队列——这些经典思想在 LLM 推理场景中焕发了新生。

m0_48891301的博客 242

【学习系列】SAP RAP 3:添加多层级的子节点

本文详细介绍了在SAP ABAP RAP开发中如何创建多层级业务对象。主要内容包括:1)创建明细和计划行层级的数据库表及CDS视图;2)使用association和composition关键字建立父子关联关系;3)创建各层级的投影视图并设置层级关系;4)更新行为定义,添加关联、操作权限等控制;5)更新服务定义公开新增视图;6)创建元数据扩展优化UI展示。通过这一系列步骤,实现了从抬头到明细再到计划行的完整业务对象层级结构,为后续UI功能扩展奠定了基础。

DeveloperMrMeng的博客 588

180.在 Vue3 中使用 OpenLayers 实现多个多边形的绘制、编辑、删除与清空

【摘要】本文介绍如何在Vue3+TypeScript环境下使用OpenLayers实现多边形地图交互功能。通过Composition API封装核心逻辑,实现了多边形绘制、编辑、删除及清空等操作。关键技术包括:使用VectorLayer管理图形数据,Draw/Modify/Select交互控制,以及通过ref()管理交互状态。文中提供了完整代码示例,并解决了交互对象叠加问题,为开发GIS应用提供了基础模块。该方案支持扩展为数据库存储、后端交互等高级功能。

小彭的博客 770

LoRA轻量微调实战:大语言模型定制化落地指南

LoRA(低秩适应)是一种面向大语言模型的高效参数高效微调技术,其核心原理是通过低秩矩阵分解在不修改原始权重的前提下注入任务特定知识,兼具显存节省、训练快速与部署兼容等优势。相比全参数微调、QLoRA、Adapter等方案,LoRA以极小模型增量(通常<0.5%)实现领域适配,在客服、医疗、法律等垂直场景中显著提升任务指标并保障推理稳定性。它特别适用于小样本(数百至数千条)、单卡GPU(如3090/4090)、两周内交付的工程化需求,已成为当前大模型轻量定制的事实标准。本文聚焦LoRA在真实生产环境中的全流

weixin_30819085的博客 458

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

大模型时代程序员转型的三大方向与实战指南

大模型技术正推动AI工程化进入新阶段,其核心在于Transformer架构衍生的生成能力。从技术原理看,通过自注意力机制实现长序列建模,结合提示工程(Prompt Engineering)和检索增强生成(RAG)等关键技术,开发者能快速构建智能应用。在工程实践中,大模型部署优化涉及vLLM框架、KV Cache等推理加速技术,而垂直领域微调则需要掌握LoRA等参数高效方法。这些技术已在金融客服、医疗问答等场景验证价值,其中RAG架构通过结合向量数据库实现知识实时更新,成为企业落地的热门选择。对于开发者转型,

weixin_29046035的博客 313

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

LLM微调实操地基:算力、数据与LoRA方法论三支柱

大语言模型微调(Fine-tuning)并非简单调整权重,而是面向特定任务重建模型的执行基础——它本质是工程化适配过程,涉及硬件资源瓶颈识别、领域数据语义空间校准及轻量适配方法(如LoRA)的边界控制。理解GPU间互联带宽(NVLink/PCIe)、数据清洗中的意图锚定与分布对齐、以及LoRA秩(r)与缩放系数(α)的动态平衡关系,直接决定下游任务性能上限。这些能力广泛应用于智能客服、金融报告生成、法律条款抽取等需高精度垂域落地的场景。本文聚焦真实产线中可复用的参数配置、监控指标与避坑策略,覆盖从环境初始化

weixin_34128839的博客 448

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

大模型微调实战:从LoRA/QLoRA原理到LLaMA-Factory工程实践

大模型微调是自然语言处理中的关键技术,其核心原理是在预训练模型的基础上,使用特定领域数据对模型参数进行有目的的调整,从而实现从通用能力到垂直领域专精的转变。这项技术的核心价值在于,它能以相对较低的成本,显著提升模型在特定业务场景下的准确性、专业性和可控性,是企业级AI应用落地的关键环节。在工程实践中,高效微调方法如LoRA和QLoRA已成为主流,它们通过仅训练少量新增参数或结合量化技术,在保证效果的同时大幅降低了计算和存储开销。本文以流行的LLaMA-Factory框架为例,系统性地展示了从环境配置、数据准

weixin_33796177的博客 325

LoRA微调LLaMA 3云端实战:低成本、高效率、可落地的垂直领域大模型定制

LoRA(低秩适应)是一种高效的大语言模型参数高效微调技术,通过在原始权重上叠加低秩增量矩阵实现知识注入,显著降低显存占用与训练成本。其核心原理是冻结主干参数,仅训练少量适配器权重(如QKV投影层),兼顾模型能力保留与领域适配性。该技术已成为企业级大模型落地的关键路径,尤其适用于法律、医疗、制造等垂直场景的私有知识增强。结合LLaMA 3架构特性(如RMSNorm、NTK-aware RoPE、专用特殊token),需针对性优化Tokenizer处理、RoPE插入位置、DDP梯度同步及云端IO策略。本文聚焦

weixin_30621959的博客 297
上一篇: 在线教程丨仅需极少量医学影像数据,MediCLIP 在异常检测与定位任务中刷新 SOTA
下一篇: 在线教程丨Qwen-Image 刷新图像编辑 SOTA,实现精准中文渲染
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值