大模型部署Ollama和vLLM

Ollama是一款专注于简化大型语言模型本地部署和运行的开源框架，基于Go语言实现，支持跨平台运行，并以“开箱即用”为核心理念，适合个人开发者和轻量化场景。

而vLLM是一个高效的大模型推理与服务引擎，基于PyTorch构建，创新性地引入了PagedAttention技术，旨在解决大模型服务中的显存效率与吞吐量瓶颈，支持张量并行和流水线并行，可横向扩展至多机多卡集群。

一、Ollama

Ollama是什么？Ollama 是一个专注于本地运行大型语言模型（LLM）的工具，支持macOS/Linux/Windows，ARM架构设备友好，提供简洁的命令行接口，适合个人开发者和研究者快速体验模型。

Ollama以“开箱即用”为核心理念，专为个人开发者和轻量化场景设计。

Ollama基于Go语言实现，通过模块化封装将模型权重、依赖库和运行环境整合为统一容器。这种设计使得用户无需关注底层依赖，仅需一条命令行即可启动模型服务。

Ollama的优势在于开发友好性，但生产部署时面临性能、稳定性和运维能力的全方位挑战。对于关键业务系统，建议仅将其作为实验阶段的验证环节，而非最终部署方案。

# Linux/macOS 一键安装脚本curl -fsSL https://ollama.com/install.sh | sh
# 拉取 DeepSeek-R1 模型ollama pull DeepSeek-R1
# 启动 DeepSeek-R1 模型ollama run DeepSeek-R1  # 启动交互式对话
# 通过 API 调用 DeepSeek-R1 模型curl http://localhost:11434/api/generate -d '{  "model": "DeepSeek-R1",  "prompt": "为什么天空是蓝色的？"}'

二、vLLM

vLLM（Vectorized Large Language Model Serving System）是什么？vLLM 是一个高效的大模型推理与服务引擎，旨在解决大模型服务中的显存效率与吞吐量瓶颈，适合生产环境部署。

# 安装 vLLMpip install vllm  # 需要 Python 3.8+ 和 CUDA 11.8+
#启动 vLLM 推理服务，并使用 DeepSeek-R1 模型# 单卡启动 DeepSeek-R1python -m vLLM.entrypoints.api_server \  --model deepseek/DeepSeek-R1 \  --tensor-parallel-size 1
# 使用 curl 命令调用 DeepSeek-R1 模型的推理服务curl http://localhost:8000/generate \  -H "Content-Type: application/json" \  -d '{"prompt": "解释量子纠缠", "max_tokens": 200}'​​​​​​

# 使用 vLLM 的 Python SDK 调用 DeepSeek-R1 模型from vllm import LLMllm = LLM("deepseek/DeepSeek-R1")outputs = llm.generate(["AI 的未来发展方向是"])print(outputs)

分页注意力机制（PagedAttention）是什么？分页注意力机制借鉴了计算机操作系统中的内存分页管理，通过动态分配和复用显存空间，显著提升大模型推理的效率和吞吐量。

在传统的大模型推理中，注意力机制（Transformer的自注意力层）需要为每个请求的序列分配连续的显存块，存储以下数据：

（1）键值缓存（Key-Value Cache，KV Cache）：存储历史token的键值对，用于生成后续token。

（2）中间激活值：计算注意力权重时的中间结果。

vLLM基于PyTorch构建，创新性地引入了PagedAttention技术。该技术借鉴操作系统的虚拟内存分页机制，将注意力键值对（KV Cache）存储在非连续显存空间，显著提高了显存利用率。

PagedAttention通过分块管理显存、动态按需分配和跨请求共享内存，解决了传统方法中显存碎片化、预留浪费和并发限制三大瓶颈。