地表最强SGLang部署本地Qwen3-32B大模型--实战教程，大模型入门到精通，收藏这篇就足够了！

原创最新推荐文章于 2026-09-14 13:51:00 发布 1.6k 阅读 AI写同款

Llama-Turbo

9901粉丝2022篇原创

关注

【Ai教程】Ollma安装 | 0代码本地运行Qwen大模型，保姆级教程来了！我们平时使用的ChatGPT、kimi、豆包等Ai对话工具，其服务器都是部署在各家公司的机房里，如果我们有一些隐私数据发到对话中，很难保证信息是否安全等问题，如何在保证数据安全的情况下，又可以使用大预言模型，Ollma（哦拉玛）可以告诉你答案！阅读详情

AI摘要

本文详细介绍了如何在本地部署Qwen3-32B大模型，包括下载模型、拉取镜像、启动服务及多种使用方式。重点讲解了Docker配置、参数设置和推理优化方法，适合初学者到进阶者参考。

前言

在企业中部署大模型，相信各位都有 ”数据不出库“ 的需求。
想用大模型的能力，又要保证数据安全。
有且只有一条出路：本地部署大模型。

本地部署大模型，只需三步：下载模型–选推理引擎–启动服务

硬件要求

• 显存：至少需 2*24GB（如 RTX 3090/4090）以支持 32B 模型的运行
• 内存：建议 32GB 以上，若使用混合推理（GPU+CPU）则需更高内存
• 存储：模型文件约 20GB，需预留 30GB 以上的硬盘空间

一、下载模型

[ModelScope / Huggingface] 两个方式，任君二选一

1.1 ModelScope

安装包

pip install -U modelscope

代码下载

from modelscope import snapshot_download
model_dir = snapshot_download('Qwen/Qwen3-32B',cache_dir='/NV/llm_models/Qwen/Qwen3-32B')

1.2 Huggingface

安装包

pip install -U huggingface_hub

添加环境变量，就不存在“需要科学”的问题

export HF_ENDPOINT=https://hf-mirror.com

代码下载

# 代码下载
from huggingface_hub import hf_hub_download
hf_hub_download(repo_id="Qwen/Qwen3-32B",local_dir='/NV/llm_models/Qwen/Qwen3-32B')

或命令行下载

huggingface-cli download Qwen/Qwen3-32B --local-dir /NV/models_hf/Qwen/QwQ-32B/

二、拉镜像

Docker-Hub官网搜 SGLang，找到合适的镜像
默认为

docker pull lmsysorg/sglang:latest

三、启动模型

SGLang官方文档查看参数

Docker 启动命令如下：

docker run -d --gpus all \
           --shm-size 32g \
           -p 8001:8001 \
           -v /NV/models_hf/Qwen/Qwen3-32B:/model \
           --ipc=host \
           lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
           --model /model \
           --tp 4 \
           --trust-remote-code \
           --port 8001

基本参数

• 启用显卡

• 启用全部显卡：--gpus all
• 启用指定几张卡： --gpus '"device=0,1,2,3"'

• 后台运行： -d

• 初次运行：验证是否正常启动了服务，先不使用-d

附加参数

• 允许外部访问：--host 0.0.0.0
• 指定模型名称：–served-model-name Qwen3-32B
• 开启最大上下文长度32768：--json-model-override-args '{"rope_scaling":{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}' --context-length 131072

四、使用Qwen3的三种方式🌐

4.1 Python调用本地Qwen3

import openai
client =openai.client(base_url="http://localhost:8001/v1",api_key="EMPTY" )

# Chat completion
response=client.chat.completions.create(
    model="default",
    messages=[
        {"role": "system","content": "You are a helpful AI assistant"},
        {"role":"user","content":"简要介绍RAG是什么？"},
    ],
    temperature=0,
    max_tokens=64,
)
print(response)

4.2 HTTP 接口请求本地Qwen3

curl --location --request POST 'http://127.0.0.1:8001/v1/chat/completions' \
--header 'Content-Type: application/json' \
--data-raw '{
    "model": "Qwen/Qwen3-32B",
    "messages": [
      {"role": "user", "content": "请用一句话介绍你自己"}
    ],
    "temperature": 0.7,
    "max_tokens": 512
  }'

4.3 客户端使用本地Qwen3

以CherryStudio为例

4.4 查看推理速度

找到你的容器id

sudo docker ps   # 如0d5faf88f505

查看容器的日志

sudo docker logs 0d5faf88f505  # 如需实时查看，加个-f

以下是 逐行解析 启动命令的含义和作用，按需查看。

🐳 `docker run` 是什么？

这是启动一个 Docker 容器的命令。你可以把它理解为“运行一个已经打包好的应用环境”。

🔧 参数详解

✅ --gpus all

• 启用所有 GPU（NVIDIA 显卡），让容器可以访问你的 CUDA 设备。
• 需要安装好 nvidia-docker2。

✅ --shm-size 32g

• 设置共享内存大小为 32GB。
• 某些模型推理需要较大的共享内存空间，特别是大规模模型（如 DeepSeek-V3）。
• 默认共享内存较小（64MB），不足以支持大模型推理。

✅ -p 8001:8001

• 将宿主机（也就是你当前系统的）端口 8001 映射到容器内部的 8001 端口。
• 用于通过浏览器或 API 访问服务：http://localhost:8001

✅ /NV/models_hf/Qwen/Qwen3-32B:/model

• 将宿主机上的 HuggingFace 缓存目录挂载到容器中的 /model。
• 目的是：

• 共享模型缓存，避免重复下载
• 加快下次加载模型的速度

示例路径说明：

• 宿主机路径：/NV/models_hf/Qwen/Qwen3-32B → 当前用户的HuggingFace 缓存目录
• 容器路径：/model → 容器中 root 用户的缓存路径

✅ --ipc=host

• 使用宿主机的 IPC（进程间通信）命名空间。
• 大模型推理时可能涉及多进程通信，使用这个参数可以避免 IPC 资源限制问题。

🖼️ lmsysorg/sglang:latest
这是你要运行的镜像名称和标签：

• lmsysorg/sglang: SGLang 的官方镜像
• latest: 最新版本的 tag

🚀 `python3 -m sglang.launch_server`

这部分是容器启动后执行的命令，用来启动 SGLang 服务。

参数解释

--model /model

• 加载 HuggingFace 上的模型 /model
• 如果本地没有这个模型，SGLang 会自动从 HF 下载并缓存到之前挂载的目录中

--tp 4

• tp = Tensor Parallelism（张量并行）
• 表示使用 4 个 GPU 并行推理（适用于多卡服务器）
• 如果你只有 2 张卡，请设置为 --tp 2

--trust-remote-code

• 允许加载远程代码（某些模型依赖自定义代码实现）
• 如不加此参数，可能会报错：This repository requires custom code

--port 8001

• 指定服务监听的端口号（与前面的 -p 对应）

📦 小结：整个命令的作用

功能	说明
使用 GPU	支持深度学习加速
共享内存 32G	支持大规模模型推理
挂载模型缓存	避免重复下载模型
映射端口	通过 REST API 访问模型服务
启动 SGLang 服务	加载 Qwen3-32B 模型并提供推理接口