Ollama和vLLM大模型推理性能比较

在部署大模型推理服务的时候，选择合适的部署工具可以让我们事半功倍，怎么在对应的场景下选择合适的部署工具，用于平衡部署的成本和推理的性能？

Ollama和vLLM是目前最常见的两个大模型部署工具，我们先问问DeepSeek看看这两个部署工具的功能特性，分别适用于什么场景？

Ollama和vLLM特性比较

特性维度	Ollama	vLLM
设计定位	开发者友好的本地体验工具	生产级的高性能推理引擎
架构特点	单体应用，内置模型管理	专注推理后端，需要API封装
核心技术	基于GGML/GGUF优化，CPU+GPU混合	PagedAttention，连续批处理
易用性	⭐⭐⭐⭐⭐（极简）	⭐⭐⭐（需要集成）
性能	⭐⭐⭐（良好）	⭐⭐⭐⭐⭐（卓越）
生态系统	⭐⭐⭐⭐（丰富模型库）	⭐⭐⭐⭐（工业标准）
资源需求	相对较低	相对较高
适用场景	1. 个人开发与实验 2. 资源受限环境 3. 多模型管理需求	1. 高并发生产环境 2. 对吞吐量要求极高的场景 3. 企业级部署

这里选择英伟达的RTX 3090比较Ollama和vLLM这两个工具在大语言模型推理场景下性能表现，控制同样的模型、同样的API推理参数，并测试并发调用下的性能表现。

在GPU算力租用平台 晨涧云 分别租用3090显卡资源的Ollama和vLLM的云容器进行测试。

模型选择与参数控制

这里选择 Qwen3的模型进行测试，考虑到3090的显存是24GB，选择一个FP16精度的qwen3:8b模型进行测试。

借助 DeepSeek 生成测试脚本，调整脚本控制变量：

• 使用复杂度近似的N个prompts；

• MAX_TOKENS配置256，让每次请求需要一定的生成时长便于采样显卡的使用指标，减少波动；

• 选择[1, 4, 8, 16] 4种BATCH_SIZES测试不同并发度下的性能表现；

• 每轮测试执行3次推理，指标取平均；

• 同时需要模型预热，消除第一次推理响应延时过大的问题。

然后就可以执行推理性能测试脚本，查看输出结果。

Ollama推理性能

vLLM推理性能

测试结果解释

• Batch Size：一次推理调用的并发prompt数量

• 平均耗时 (s)：多次推理平均响应时长

• 平均吞吐量 (tokens/s)：多次推理平均Token生成速度

• 平均显存 (MB)：多次推理平均显存使用量

• 平均GPU使用率(%)：多次推理平均GPU使用率

vLLM的显存占用比Ollama略高，GPU使用率比较接近，主要比较平均响应时长及平均Token生成速度两个指标：

	Batch Size	1	8	16
响应时长(s)	Ollama	5.68	7.64	15.6
响应时长(s)	vLLM	5.44	5.82	6.42
响应时长(s)	差异	104.4%	131.3%	243.0%
Token生成速度(tokens/s)	Ollama	45.1	268.0	262.9
Token生成速度(tokens/s)	vLLM	47.1	351.9	638.4
Token生成速度(tokens/s)	差异	95.6%	76.2%	41.2%

——Ollama的并发数量超过8之后有明显的性能瓶颈，调整 OLLAMA_NUM_PARALLEL 参数还是上不去，不知道是不是需要调整其他参数。

总体来说，顺序调用场景（Batch Size=1）Ollama和vLLM性能接近；并发调用场景vLLM的性能完胜，而且并发度越高的场景下vLLM的性能优势越明显。

这个测试基于单卡的推理场景，多卡下面并发调用的性能表现可能又会有差异。