目标
在一台有 GPU 的机器上,30 分钟内把一个 7B 模型跑起来。
环境要求
步骤
1. 安装
pip install vllm
2. 单 GPU 启动
vllm serve Qwen/Qwen2.5-7B-Instruct \ --host 0.0.0.0 \ --port 8000
3. 测试推理
curl http://localhost:8000/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "Qwen/Qwen2.5-7B-Instruct", "messages": [ {"role": "system", "content": "你是一个助手"}, {"role": "user", "content": "解释一下什么是 KV Cache?"} ], "max_tokens": 200 }'
4. 观察显存
watch -n 1 nvidia-smi
注意观察:
关键配置
vllm serve Qwen/Qwen2.5-7B-Instruct \ --gpu-memory-utilization 0.90 \ --max-model-len 4096 \ --max-num-seqs 256 \ --enforce-eager false \ --host 0.0.0.0 \ --port 8000
验证成功
思考题