侧边栏壁纸
  • 累计撰写 84 篇文章
  • 累计创建 89 个标签
  • 累计收到 0 条评论

目 录CONTENT

文章目录

vLLM 生产级部署完全指南

温馨提示:
部分素材来自网络,若不小心影响到您的利益,请联系我们删除。

vLLM 0.24.x | 生产就绪 | 2026-07 更新

从本地开发到大规模集群,覆盖参数配置、容器化、监控、安全与性能调优的全流程手册

一、概述与核心优势

vLLM 是加州大学伯克利分校开发的高性能大语言模型推理引擎,核心创新 PagedAttention 借鉴操作系统虚拟内存分页机制管理 KV 缓存,将显存碎片浪费控制在 4% 以内,配合连续批处理(Continuous Batching)技术,吞吐量可达 HuggingFace Transformers 的 10-24 倍。

1.1 核心技术架构

flowchart TD
    A["客户端请求"] --> B["API Server<br/>(OpenAI兼容)"]
    B --> C["调度器 Scheduler"]
    C --> D["连续批处理引擎"]
    D --> E["PagedAttention<br/>KV Cache管理"]
    E --> F["GPU执行器"]
    F --> G["模型权重"]
    E --> H["CPU Swap<br/>显存卸载"]
    style C fill:#dbeafe,stroke:#2563eb
    style E fill:#fef3c7,stroke:#f59e0b

图 1:vLLM 核心架构流程图

1.2 与其他推理框架对比

特性 vLLM TGI (HF) TensorRT-LLM Text Generation Inference
开源协议 Apache 2.0 Apache 2.0 Apache 2.0 Apache 2.0
PagedAttention ✅ 原生支持 ⚠️ 有限支持
连续批处理
多卡张量并行
LoRA 动态加载 ⚠️
推测解码
前缀缓存
多模态支持 ⚠️ 有限
OpenAI API 兼容
易用性 ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐ ⭐⭐⭐⭐
性能 ⭐⭐⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐

💡 选型建议:追求极致性能且愿意投入工程成本选择 TensorRT-LLM;快速落地、生态丰富、灵活度高首选 vLLM;HuggingFace 生态深度绑定可考虑 TGI。

1.3 v0.24 新特性与重要变更

vLLM 从 v0.6 到 v0.24 经历了 18 个大版本迭代,以下是需要重点关注的变化:

⚠️ v0.24 Breaking Changes(破坏性变更)

  • 设备选择变更:vLLM 不再内部设置 CUDA_VISIBLE_DEVICES,改用新的 --device-ids 参数指定 GPU。旧的环境变量方式在 ROCm 上已弃用,NVIDIA 端虽仍兼容但推荐迁移。
  • Transformers v4 弃用:v0.24 目标 Transformers v5,v4 支持已弃用。升级时需同步升级 transformers 库。
  • 已移除模型:ERNIE、Xverse、Dots1、Bamba、Mono-InternVL 等模型已从代码库移除。
  • 已弃用模型:第一代 Qwen/QwenVL 已标记弃用。

核心新特性

特性 引入版本 说明
Model Runner V2 (MRv2) v0.22+ 新一代执行引擎,现为 Llama/Mistral/Qwen3/DeepSeek 等模型的默认后端,支持可中断 CUDA Graph、流水线气泡消除
DeepSeek-V4 支持 v0.22 稀疏 MLA、TRTLLM-gen 注意力内核、EPLB 专家负载均衡
DFlash 推测解码 v0.23 新一代推测解码框架,支持因果 DFlash、前缀缓存防损
多层级 KV Cache 卸载 v0.23 支持对象存储二级层、按请求卸载策略、滑动窗口选择性卸载
统一解析器引擎 v0.23 推理和工具调用解析统一到单一 Parser.parse() 接口
Rust 前端 v0.23+ 实验性高性能前端,支持流式生成、动态 LoRA、API Key 认证
DeepEP v2 专家并行 v0.24 新一代 MoE 专家并行通信库
扩散大模型支持 v0.24 新增 DiffusionGemma,支持 CPU 路径和结构化输出
EPLB 专家负载均衡 v0.23 异步默认开启,支持 Nixl 零拷贝传输
安全加固 v0.24 音频解压炸弹防护、推测解码 DoS 防护、正则超时防护

二、快速开始

2.1 环境要求

硬件要求:

  • NVIDIA GPU:计算能力 ≥ 7.0(V100 及以上)
  • 显存:8B 模型 ≥ 16GB,70B 模型 ≥ 80GB(多卡)
  • CPU:≥ 16 核,内存 ≥ 32GB
  • 存储:SSD,模型文件 ≥ 模型大小 × 2

软件要求:

  • CUDA:12.1+(推荐 12.4+ / 13.0)
  • Python:3.9 - 3.12
  • PyTorch:2.7+(v0.24 推荐 2.11+)
  • Transformers:v5.x(v4 已弃用)
  • 操作系统:Linux(推荐 Ubuntu 22.04)
  • NVIDIA 驱动:≥ 535.xx(CUDA 12.4+需 ≥ 550.xx)

2.2 安装方式

# 方式一:pip 安装(推荐生产环境)
pip install vllm==0.24.0

# 方式二:conda 安装
conda install -c conda-forge vllm

# 方式三:源码编译(最新特性)
git clone https://github.com/vllm-project/vllm.git
cd vllm
pip install -e .

# 验证安装
python -c "import vllm; print(vllm.__version__)"

2.3 最小启动示例

# 本地开发快速启动
vllm serve meta-llama/Llama-3.1-8B-Instruct \
  --host 127.0.0.1 \
  --port 8000 \
  --dtype bfloat16

启动后访问 http://localhost:8000/docs 查看自动生成的 OpenAPI 文档。

三、基础配置参数

vLLM 提供 100+ 启动参数,本章详解最核心的基础配置项。

3.1 网络与服务参数

参数 默认值 说明 生产建议
--host 127.0.0.1 监听地址 0.0.0.0(配合防火墙)
--port 8000 监听端口 根据规划设置
--api-key - API 密钥认证 生产环境必须设置
--ssl-keyfile - HTTPS 私钥路径 公网服务必须配置
--ssl-certfile - HTTPS 证书路径 公网服务必须配置
--cors-allow-origins - CORS 允许来源 设置具体域名,避免*
--allowed-origins - WebSocket 允许来源 同 CORS 配置
--root-path - 应用根路径(反向代理用) 如 /vllm
--middleware - 自定义 ASGI 中间件 用于限流、审计等
--uvicorn-log-level info 日志级别 warning 减少日志量

3.2 模型加载参数

参数 默认值 说明 注意事项
--model - 模型名称或本地路径 本地路径优先,避免重复下载
--tokenizer 同 model 分词器路径 微调模型需指定对应 tokenizer
--revision main 模型版本分支 生产环境固定版本
--dtype auto 模型精度 A100/H100 用 bfloat16,其他用 float16
--quantization - 量化方法 awq/gptq/fp8/squeezellm
--max-model-len 自动探测 最大上下文长度 根据显存手动设置,避免OOM
--load-format auto 权重加载格式 safetensors(推荐)/ pt / np
--download-dir ~/.cache/huggingface 模型下载目录 生产环境挂载大容量存储
--trust-remote-code False 信任远程代码 非官方模型需开启,注意安全
--task auto 任务类型 generate/embedding/classify

3.3 精度选择指南

精度选择决策树

  • A100/H100/H200/L40 → bfloat16(首选)
  • V100/RTX 3090/4090/A10 → float16
  • 显存不足 → 优先 AWQ 4bit 量化 → 其次 FP8 KV Cache
  • 仅调试用 float32,显存翻倍无性能收益

3.4 量化方法对比

量化方式 显存节省 精度损失 推理速度 硬件要求 推荐场景
FP16/BF16 0% ⭐⭐⭐⭐ 通用 显存充足时首选
FP8 (E4M3) ~50% 极小 ⭐⭐⭐⭐⭐ H100/RTX40系 新硬件首选
AWQ 4bit ~60% 极小 ⭐⭐⭐⭐ 通用 通用量化首选
GPTQ 4bit ~60% ⭐⭐⭐⭐ 通用 已有 GPTQ 模型时
BitsAndBytes 4bit ~75% 中等 ⭐⭐⭐ 通用 显存极度紧张
SqueezeLLM ~60% ⭐⭐⭐ 通用 特定场景

四、并行与分布式部署

当模型规模超过单卡显存容量或需要更高吞吐量时,需要使用并行策略。

4.1 三种并行策略详解

张量并行 (TP)--tensor-parallel-size N-tp N

  • 将单层模型的权重切分到 N 张卡
  • 每张卡持有部分权重,同层计算同步
  • 通信量大,需 NVLink 高速互联
  • 适合模型层内并行,单节点内使用
  • 推荐 N:2/4/8(2的幂次)

流水线并行 (PP)--pipeline-parallel-size N-pp N

  • 将模型按层切分到 N 组卡
  • 不同组计算不同层,流水线执行
  • 通信量小,适合跨节点
  • 存在气泡开销,需配合微批处理
  • 推荐:100B+ 模型跨节点使用

数据并行 (DP)--data-parallel-size N-dp N

  • 复制 N 份完整模型,每份处理不同请求
  • 无通信开销,线性提升吞吐量
  • 显存占用 N 倍,需 N 倍 GPU 数
  • 适合高并发场景,单副本延迟不变
  • 注意:vLLM 的 DP 需配合 Ray

专家并行 (EP)--enable-expert-parallel

  • MoE 模型专用,将专家分布到多卡
  • Mixtral、DeepSeek-V2 等 MoE 必开
  • 通常与 TP 配合使用
  • 减少单卡专家权重显存占用

4.2 并行策略选择参考

模型规模 典型模型 推荐配置 GPU 数量
1B - 7B Qwen2.5-7B, Llama3-8B 单卡 1×24GB/40GB
8B - 14B Llama3-13B, Qwen2.5-14B 单卡 40GB 或 TP=2 1×40GB / 2×24GB
30B - 70B Llama3-70B, Qwen2.5-72B TP=4(80GB)或 TP=8(40GB) 4×80GB / 8×40GB
100B - 200B DeepSeek-V4, Qwen3-110B TP=8 + PP=2 16×80GB
400B+ Llama3-405B, DeepSeek-V4-Max TP=8 + PP=4 + Ray 32×80GB
MoE 8x7B Mixtral-8x7B TP=2 + EP 2×40GB
MoE 8x22B Mixtral-8x22B TP=4 + EP 4×80GB
超大 MoE DeepSeek-V4 (671B) TP=8 + EP + EPLB 8×80GB+

4.3 分布式后端配置

# 单机多卡(默认,使用 multiprocessing)
vllm serve meta-llama/Llama-3-70b -tp 4

# 多机多卡(使用 Ray 后端)
# 1. 在所有节点启动 Ray
ray start --head --node-ip-address=192.168.1.100  # 主节点
ray start --address=192.168.1.100:6379             # 工作节点

# 2. 启动 vLLM(在主节点)
vllm serve meta-llama/Llama-3-405b \
  -tp 8 -pp 4 \
  --distributed-executor-backend ray \
  --pipeline-parallel-size 4

⚠️ NCCL 网络配置

多机部署时必须配置 NCCL 网络接口,否则可能 hang 住:export NCCL_SOCKET_IFNAME=eth0(替换为实际高速网卡名),InfiniBand 环境设置 export NCCL_IB_DISABLE=0

五、KV Cache 与显存优化

KV Cache 是影响 vLLM 性能和显存占用的最关键因素,PagedAttention 是 vLLM 的核心竞争力。

5.1 PagedAttention 工作原理

传统推理框架为每个请求预分配连续的 KV Cache 显存,导致严重的内部碎片和外部碎片。PagedAttention 将 KV Cache 分割成固定大小的块(Block),每个块存储固定数量 token 的 K/V 向量,通过页表记录逻辑位置到物理块的映射,与操作系统虚拟内存管理思路一致。

flowchart LR
    subgraph 传统方式
        A["请求1<br/>预留2048token"] --> A1["已用512<br/>剩余1536<br/>(浪费)"]
        B["请求2<br/>预留2048token"] --> B1["已用1024<br/>剩余1024<br/>(浪费)"]
    end
    subgraph PagedAttention
        C["请求1<br/>512token"] --> C1["块1<br/>16token"]
        C1 --> C2["块2<br/>16token"]
        C2 --> C3["..."]
        D["请求2<br/>1024token"] --> D1["块N<br/>16token"]
        D1 --> D2["..."]
        style C1 fill:#d1fae5
        style C2 fill:#d1fae5
        style D1 fill:#dbeafe
    end

图 2:传统连续分配 vs PagedAttention 分页分配

5.2 KV Cache 核心参数

参数 默认值 说明 调优建议
--block-size 16 KV 块大小(token 数) 前缀缓存场景用 16,高吞吐用 32
--gpu-memory-utilization 0.9 GPU 显存使用比例 0.85(稳定)~ 0.95(极限)
--kv-cache-dtype auto KV 缓存精度 fp8(省 50% 显存,精度损失小)
--swap-space 4 CPU Swap 大小(GB) 大模型建议 16~32GB
--cpu-offload-gb 0 CPU 卸载显存(GB) 显存差 10GB 内可临时用
--enable-prefix-caching False 启用全局前缀缓存 多轮对话、RAG 场景必开
--max-num-batched-tokens - 单步最大 token 数 根据模型和显存调整

💡 v0.23+ 多层级 KV Cache 卸载

新版本引入了多层级 KV Cache 卸载框架,除了传统的 CPU Swap,还支持对象存储二级层(如 S3)、按请求粒度的卸载策略(on_new_request 生命周期钩子)、以及滑动窗口选择性卸载。大模型可通过 KV Connectors(NixlConnector、LMCache、Mooncake)实现跨实例 KV Cache 传输,支撑分离式 Prefill-Decode 架构。

5.3 前缀缓存(Prefix Caching)

当多个请求共享相同前缀(如系统提示词、RAG 检索的文档开头、多轮对话历史)时,启用前缀缓存可直接复用已计算的 KV 块,避免重复计算,多轮对话场景首字延迟可降低 30%-70%。

# 前缀缓存优化配置
vllm serve meta-llama/Llama-3.1-8B-Instruct \
  --enable-prefix-caching \
  --block-size 16 \
  --kv-cache-dtype fp8 \
  --gpu-memory-utilization 0.9

💡 前缀缓存适用场景

  • 多轮对话机器人(共享系统提示词)
  • RAG 应用(多个请求共享相同文档前缀)
  • 代码补全(共享代码仓库上下文)
  • 批量处理任务(共享相同前缀模板)

不适用场景:每个请求完全独立(如独立句子翻译)。

5.4 显存调优步骤

显存调优四步法

  1. 设置安全基准:从 --gpu-memory-utilization 0.85 开始,确保服务稳定
  2. 逐步提升:每次增加 0.02,观察 10 分钟是否有 preemption 或 OOM
  3. 开启 FP8 KV:新硬件加 --kv-cache-dtype fp8,再适当提升利用率
  4. 限制并发:如仍不足,调小 --max-num-seqs 限制并发序列数

监控关键指标:vllm:gpu_cache_usage_perc 保持在 80%-95% 为最佳区间。

六、调度与批处理策略

调度器决定请求如何组批执行,直接决定了吞吐量和延迟表现。vLLM 默认使用 连续批处理(Continuous Batching),这是相比静态批处理的核心优势。

6.1 连续批处理 vs 静态批处理

静态批处理需等批次中所有请求生成结束才能返回,导致"尾巴拖慢整个批次";连续批处理在每个迭代步都可以加入新请求、结束旧请求,GPU 利用率从 30%-50% 提升到 90%+。

6.2 调度核心参数

参数 默认值 说明 调优方向
--max-num-batched-tokens 自动 单步迭代总 token 上限 高吞吐→大,低延迟→小
--max-num-seqs 256 最大并发序列数 短对话→大,长文本→小
--enable-chunked-prefill False 分块预填充 长 prompt 场景必开
--max-num-partial-prefills 1 并发预填充数 2-4,平衡 TTFT 和生成
--scheduling-policy fcfs 调度策略 fcfs(公平)/ priority(优先级)
--long-prefill-token-threshold 4% 上下文 长 prompt 阈值 根据业务调整
--max-long-partial-prefills 1 长 prompt 并发数 1,让短请求插队

6.3 分块预填充(Chunked Prefill)

长 prompt 场景下,传统做法需等整个 prompt 预填充完成才开始生成第一个 token,导致首字延迟(TTFT)过高。分块预填充将长 prompt 分成多个块,每块预填充后穿插执行生成阶段,显著降低首字延迟。

# 长文本场景配置(长文档总结、RAG)
vllm serve Qwen/Qwen2.5-72B-Instruct \
  -tp 4 \
  --max-model-len 131072 \
  --enable-chunked-prefill \
  --max-num-batched-tokens 16384 \
  --max-num-seqs 16 \
  --max-num-partial-prefills 2

6.4 吞吐量 vs 延迟权衡

🚀 高吞吐量配置(适用:离线批处理、批量推理、非实时任务)

--max-num-batched-tokens 32768
--max-num-seqs 512
--gpu-memory-utilization 0.95

特点:GPU 利用率高,单请求延迟高。

⚡ 低延迟配置(适用:实时对话、交互场景、API 服务)

--max-num-batched-tokens 8192
--max-num-seqs 64
--enable-chunked-prefill
--max-num-partial-prefills 2

特点:TTFT 低,用户体验好。

七、高级功能配置

7.1 LoRA 动态适配器

vLLM 支持在同一基础模型上动态加载多个 LoRA 适配器,无需为每个微调模型启动独立服务,显著节省 GPU 资源。

vllm serve meta-llama/Llama-3.1-8B-Instruct \
  --enable-lora \
  --max-loras 4 \
  --max-lora-rank 64 \
  --max-cpu-loras 16 \
  --lora-modules \
    medical=/data/lora/medical_lora \
    legal=/data/lora/legal_lora \
    code=/data/lora/code_lora

调用时通过 model 参数指定使用哪个 LoRA:

curl http://localhost:8000/v1/chat/completions \
  -H "Authorization: Bearer sk-xxx" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "medical",
    "messages": [{"role": "user", "content": "头疼怎么办?"}]
  }'

7.2 推测解码(Speculative Decoding)

使用小模型作为"草稿模型"快速猜测多个 token,大模型一次性验证,可在不损失精度的前提下将生成速度提升 2-3 倍。v0.23+ 引入了 DFlash 推测解码框架,支持因果 DFlash 和前缀缓存防损,进一步提升了推测解码的稳定性。

# 推测解码示例
vllm serve meta-llama/Llama-3.1-70B-Instruct \
  -tp 4 \
  --speculative-model meta-llama/Llama-3.2-1B-Instruct \
  --num-speculative-tokens 5 \
  --speculative-max-model-len 4096 \
  --dtype bfloat16

⚠️ 推测解码注意事项

  • 草稿模型必须与目标模型使用相同 tokenizer
  • 草稿模型越小、越准,加速效果越好
  • 建议 --num-speculative-tokens 设为 3-7
  • 会增加少量显存占用(草稿模型 + 投机 KV)
  • v0.24 新增推测解码 token 注入 DoS 防护,提升了安全性

7.3 多模态模型支持

vLLM 支持主流多模态模型:LLaVA、Qwen-VL、Phi-3-Vision、LLaVA-NeXT 等。

# Qwen2-VL 部署示例
vllm serve Qwen/Qwen2-VL-7B-Instruct \
  --dtype bfloat16 \
  --max-model-len 8192 \
  --limit-mm-per-prompt image=4,video=1 \
  --mm-processor-kwargs '{"num_crops": 4}'

多模态请求支持两种图片传递方式:URL 和 base64。

7.4 工具调用(Function Calling)

vLLM 0.5+ 原生支持 OpenAI 格式的工具调用,支持经过 function calling 微调的模型(如 Qwen2.5、Llama3.1、FireFunction 等)。

# 支持工具调用的模型无需特殊启动参数,正常启动即可
vllm serve Qwen/Qwen2.5-14B-Instruct \
  --dtype bfloat16 \
  --max-model-len 32768

启动后即可使用标准 OpenAI tools 格式调用。

7.5 编译优化与 Model Runner V2

vLLM 提供编译优化选项,通过 CUDA Graph 和 Torch Compile 减少 kernel launch 开销,长期运行服务可显著提升性能。v0.22+ 引入了 Model Runner V2 (MRv2) 新一代执行引擎,现为 Llama、Mistral、Qwen3 等主流模型的默认后端,支持可中断 CUDA Graph(breakable CUDA graphs)和流水线气泡消除。

优化级别 说明 启动时间 运行性能 适用场景
-O0 无优化 最快 基准 调试、快速测试
-O1 基础 CUDA Graph 中等 +10-15% 默认,平衡启动和性能
-O2 更多 CUDA Graph 尺寸 较慢 +15-25% 生产服务推荐
-O3 Torch Compile + 全 CUDA Graph 最慢(编译几分钟) +25-40% 长期稳定运行服务
# O3 极致优化配置
vllm serve meta-llama/Llama-3.1-8B-Instruct \
  -O3 \
  --compilation-config '{"mode": 3, "cudagraph_capture_sizes": [1,2,4,8,16,32,64,128]}'

💡 Model Runner V2 说明

v0.24 中 MRv2 已扩展到支持量化模型,并默认启用 GraniteMoE,迁移了 Qwen/DeepSeek-V2 MoE 模型。MRv2 支持 DFlash 推测解码和 FlashInfer 采样器。对于 Llama/Mistral dense 模型,MRv2 自动启用,无需额外配置。如遇兼容性问题,可通过 VLLM_USE_V1=0 环境变量临时回退到旧版执行器。

八、Docker 容器化部署

生产环境强烈推荐使用 Docker 部署,避免环境差异问题。

8.1 官方镜像

# 拉取官方镜像(替换对应 CUDA 版本)
docker pull vllm/vllm-openai:v0.24.0

# 支持的镜像标签:
# v0.24.0 (CUDA 12.4)
# latest (跟踪最新 release)

8.2 docker-compose.yml 模板

version: '3.8'

services:
  vllm:
    image: vllm/vllm-openai:v0.24.0
    container_name: vllm-server
    runtime: nvidia
    ipc: host
    ports:
      - "8000:8000"
    environment:
      - VLLM_DEVICE_IDS=0,1,2,3
      - NCCL_SOCKET_IFNAME=eth0
      - VLLM_WORKER_MULTIPROC_METHOD=spawn
    volumes:
      - /data/models:/root/.cache/huggingface/hub
      - /data/lora:/app/lora
    command: >
      --model /root/.cache/huggingface/hub/models--meta-llama--Llama-3.1-70b
      -tp 4
      --dtype bfloat16
      --max-model-len 32768
      --gpu-memory-utilization 0.9
      --kv-cache-dtype fp8
      --enable-prefix-caching
      --enable-chunked-prefill
      --api-key sk-your-production-key
      --host 0.0.0.0
      --port 8000
      -O2
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    restart: unless-stopped
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:8000/health"]
      interval: 30s
      timeout: 10s
      retries: 3
      start_period: 120s
    logging:
      driver: json-file
      options:
        max-size: "100m"
        max-file: "5"

8.3 自定义 Dockerfile

FROM vllm/vllm-openai:v0.24.0

# 安装自定义依赖
RUN pip install --no-cache-dir \
    prometheus-client \
    langchain \
    sentence-transformers

# 复制自定义配置
COPY config.yaml /app/config.yaml

# 健康检查脚本
COPY healthcheck.sh /app/healthcheck.sh
RUN chmod +x /app/healthcheck.sh

EXPOSE 8000

ENTRYPOINT ["vllm", "serve"]
CMD ["--config", "/app/config.yaml"]

九、Kubernetes 部署

大规模生产环境使用 Kubernetes 编排,配合 NVIDIA GPU Operator 实现 GPU 调度。

9.1 前置要求

  • Kubernetes 集群 1.26+
  • NVIDIA GPU Operator 已安装
  • (可选)KubeRay Operator 用于 Ray 集群
  • (可选)Prometheus + Grafana 监控栈

9.2 Deployment YAML 示例

apiVersion: apps/v1
kind: Deployment
metadata:
  name: vllm-llama3-70b
  namespace: llm
spec:
  replicas: 1
  strategy:
    type: Recreate
  selector:
    matchLabels:
      app: vllm-llama3-70b
  template:
    metadata:
      labels:
        app: vllm-llama3-70b
      annotations:
        prometheus.io/scrape: "true"
        prometheus.io/port: "8000"
        prometheus.io/path: "/metrics"
    spec:
      containers:
      - name: vllm
        image: vllm/vllm-openai:v0.24.0
        command: ["vllm", "serve"]
        args:
        - "meta-llama/Llama-3.1-70B-Instruct"
        - "-tp"
        - "4"
        - "--dtype"
        - "bfloat16"
        - "--max-model-len"
        - "32768"
        - "--gpu-memory-utilization"
        - "0.9"
        - "--api-key"
        - "$(API_KEY)"
        - "--host"
        - "0.0.0.0"
        - "--port"
        - "8000"
        - "-O2"
        ports:
        - containerPort: 8000
        env:
        - name: API_KEY
          valueFrom:
            secretKeyRef:
              name: vllm-secrets
              key: api-key
        - name: NCCL_SOCKET_IFNAME
          value: eth0
        - name: VLLM_WORKER_MULTIPROC_METHOD
          value: spawn
        - name: VLLM_DEVICE_IDS  # v0.24+ 推荐方式(替代 CUDA_VISIBLE_DEVICES)
          value: "0,1,2,3"
        resources:
          limits:
            nvidia.com/gpu: 4
            cpu: "32"
            memory: "128Gi"
          requests:
            nvidia.com/gpu: 4
            cpu: "16"
            memory: "64Gi"
        volumeMounts:
        - name: model-cache
          mountPath: /root/.cache/huggingface
        livenessProbe:
          httpGet:
            path: /health
            port: 8000
          initialDelaySeconds: 180
          periodSeconds: 30
          timeoutSeconds: 10
        readinessProbe:
          httpGet:
            path: /health
            port: 8000
          initialDelaySeconds: 120
          periodSeconds: 10
      volumes:
      - name: model-cache
        persistentVolumeClaim:
          claimName: model-cache-pvc
      terminationGracePeriodSeconds: 300
---
apiVersion: v1
kind: Service
metadata:
  name: vllm-llama3-70b
  namespace: llm
spec:
  selector:
    app: vllm-llama3-70b
  ports:
  - port: 80
    targetPort: 8000
  type: ClusterIP

9.3 HPA 弹性伸缩(基于请求队列)

vLLM 暴露 vllm:num_requests_waiting 指标,可配合 Prometheus Adapter 实现基于队列长度的自动扩缩容。

十、生产环境安全加固

10.1 网络安全

🔒 生产环境安全检查清单

  1. ✅ 始终设置 --api-key,使用强随机密钥
  2. ✅ 公网服务必须配置 HTTPS(--ssl-keyfile + --ssl-certfile
  3. ✅ 配置 CORS 时指定具体域名,避免使用 *
  4. ✅ 不要直接暴露 8000 端口到公网,通过 Nginx/Ingress 反向代理
  5. ✅ 配置 IP 白名单或网络策略限制访问来源
  6. ✅ 启用防火墙仅放行必要端口

10.2 Nginx 反向代理配置

server {
    listen 443 ssl http2;
    server_name llm-api.yourcompany.com;

    ssl_certificate /etc/nginx/ssl/fullchain.pem;
    ssl_certificate_key /etc/nginx/ssl/privkey.pem;
    ssl_protocols TLSv1.2 TLSv1.3;

    # 限流配置
    limit_req_zone $binary_remote_addr zone=llm:10m rate=10r/s;
    limit_conn_zone $binary_remote_addr zone=llm_conn:10m;

    location / {
        limit_req zone=llm burst=20 nodelay;
        limit_conn llm_conn 50;

        proxy_pass http://127.0.0.1:8000;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;

        # SSE 和长连接支持
        proxy_http_version 1.1;
        proxy_set_header Connection "";
        proxy_buffering off;
        proxy_cache off;
        proxy_read_timeout 300s;
    }
}

10.3 认证与授权

除了内置的 API Key,生产环境建议:

  • 在反向代理层集成统一认证(OAuth2、JWT、企业 SSO)
  • 不同业务线使用不同 API Key 并设置限流策略
  • 开启请求日志审计 --enable-log-requests
  • 敏感场景添加请求/响应内容过滤

10.4 v0.24 内置安全加固

v0.24 引入了多项协同安全加固,无需额外配置即可生效:

安全特性 防护场景 说明
音频解压炸弹防护 多模态音频输入 防止恶意构造的音频文件耗尽内存
推测解码 DoS 防护 推测解码场景 防止通过 token 注入进行拒绝服务攻击
正则超时防护 工具调用解析 防止恶意正则表达式导致 ReDoS
非有限 temperature 拒绝 API 请求 拒绝 NaN/Inf 等非法 temperature 值
Starlette ≥ 1.0.1 Web 框架 修复 CVE-2026-48710 安全漏洞

十一、可观测性与监控

11.1 Prometheus 指标

vLLM 默认在 /metrics 端点暴露 Prometheus 格式指标,无需额外配置。

指标名 类型 说明 告警阈值建议
vllm:num_requests_running Gauge 正在处理的请求数 > max_num_seqs × 0.9
vllm:num_requests_waiting Gauge 等待队列长度 > 10 持续 5 分钟
vllm:gpu_cache_usage_perc Gauge KV 缓存使用率 > 0.98 或 < 0.3
vllm:num_preemptions_total Counter 抢占次数 增长率 > 1/秒
vllm:time_to_first_token_seconds Histogram 首字延迟 P95 > 2s
vllm:time_per_output_token_seconds Histogram 每 token 生成时间 P95 > 0.1s
vllm:prompt_tokens_total Counter 处理的 prompt token 总数 用于统计吞吐
vllm:generation_tokens_total Counter 生成的 token 总数 用于统计吞吐
vllm:avg_prompt_throughput_toks_per_s Gauge Prompt 处理吞吐 -
vllm:avg_generation_throughput_toks_per_s Gauge 生成吞吐 -

11.2 OpenTelemetry 链路追踪

vllm serve ... \
  --otlp-traces-endpoint http://jaeger:4317/v1/traces

11.3 日志配置

  • --disable-log-stats:关闭控制台详细统计日志(自动化部署建议开启)
  • --enable-log-requests:记录每个请求的详细信息(调试/审计用)
  • --log-level:日志级别(debug/info/warning/error)

十二、性能压测与调优

12.1 官方压测工具

vLLM 提供内置压测工具 vllm bench,可准确测量服务性能。

# 基础压测:随机请求
vllm bench serve \
  --host localhost \
  --port 8000 \
  --model meta-llama/Llama-3.1-8B-Instruct \
  --num-prompts 1000 \
  --random-input-len 1024 \
  --random-output-len 256 \
  --max-concurrency 64 \
  --api-key sk-xxx

# ShareGPT 数据集压测(更贴近真实对话)
vllm bench serve \
  --backend openai \
  --host localhost \
  --port 8000 \
  --dataset-name sharegpt \
  --dataset-path ./ShareGPT_V3_unfiltered_cleaned_split.json \
  --max-concurrency 128

12.2 压测关键指标

指标 说明
TTFT 首字延迟,用户最敏感
TPOT 每输出 token 时间
tok/s 总吞吐量
RPS 每秒请求数

12.3 系统性调优方法论

性能调优五步法

  1. 建立基线:默认配置下压测,记录 TTFT、TPOT、吞吐量作为基准
  2. 显存优化:调整 gpu-memory-utilization,开启 FP8 KV,开启前缀缓存
  3. 批处理调优:调整 max-num-batched-tokens 和 max-num-seqs 平衡吞吐延迟
  4. 开启长文本优化:长 prompt 场景开启 Chunked Prefill
  5. 编译优化:稳定后开启 O2/O3 编译优化,再次压测对比

十三、YAML 配置文件

生产环境推荐使用 YAML 配置文件管理参数,便于版本控制和环境区分。

13.1 完整配置文件示例

# config.yaml - 生产环境配置示例 (v0.24.x)
model: meta-llama/Llama-3.1-70B-Instruct
tokenizer: null
revision: main

# 设备选择 (v0.24 新参数,替代 CUDA_VISIBLE_DEVICES)
device_ids: 0,1,2,3

# 模型配置
dtype: bfloat16
max_model_len: 32768
quantization: null
load_format: auto
trust_remote_code: false
task: generate

# 并行配置
tensor_parallel_size: 4
pipeline_parallel_size: 1
data_parallel_size: 1
distributed_executor_backend: mp
enable_expert_parallel: false

# KV Cache
block_size: 16
gpu_memory_utilization: 0.9
kv_cache_dtype: fp8
swap_space: 16
cpu_offload_gb: 0
enable_prefix_caching: true

# 调度器
max_num_batched_tokens: 16384
max_num_seqs: 128
enable_chunked_prefill: true
max_num_partial_prefills: 2
scheduling_policy: fcfs

# 网络
host: 0.0.0.0
port: 8000
api_key: sk-your-production-key-change-me
cors_allow_origins:
  - https://your-app.com
  - https://admin.your-app.com
ssl_keyfile: null
ssl_certfile: null
root_path: null

# LoRA
enable_lora: false
max_loras: 4
max_lora_rank: 64
max_cpu_loras: 16
lora_modules: {}

# 推测解码
speculative_model: null
num_speculative_tokens: 5

# 编译优化
optimization_level: 2
compilation_config:
  mode: 2

# 日志
uvicorn_log_level: warning
disable_log_stats: true
enable_log_requests: false

# 可观测性
otlp_traces_endpoint: http://jaeger.monitoring:4317/v1/traces

启动时指定配置文件:

vllm serve --config config.yaml

十四、API 使用与集成

vLLM 完全兼容 OpenAI API 格式,现有基于 OpenAI SDK 的应用几乎无需修改即可切换。

14.1 Chat Completions 接口

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="sk-xxx"
)

# 普通对话
response = client.chat.completions.create(
    model="meta-llama/Llama-3.1-8B-Instruct",
    messages=[
        {"role": "system", "content": "你是一个有用的助手。"},
        {"role": "user", "content": "你好,请介绍一下自己。"}
    ],
    temperature=0.7,
    max_tokens=512,
    stream=True  # 流式输出
)

for chunk in response:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

14.2 工具调用示例

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名称"}
                },
                "required": ["city"]
            }
        }
    }
]

response = client.chat.completions.create(
    model="Qwen/Qwen2.5-14B-Instruct",
    messages=[{"role": "user", "content": "北京今天天气怎么样?"}],
    tools=tools,
    tool_choice="auto"
)

14.3 Embeddings 接口

# 启动嵌入模型
# vllm serve BAAI/bge-m3 --task embedding

# 调用
response = client.embeddings.create(
    model="BAAI/bge-m3",
    input=["这是一段测试文本", "这是另一段文本"]
)

for emb in response.data:
    print(f"文本 {emb.index} 向量维度: {len(emb.embedding)}")

十五、国产 NPU 适配

国产 AI 芯片生态快速成熟,vLLM 已适配主流国产 NPU。

15.1 华为昇腾(Ascend)

适配状态:

  • 官方插件:vllm-ascend
  • 支持型号:昇腾 910B/950
  • 核心功能:PagedAttention、TP、AWQ
  • 推荐 CANN 版本:8.0.RC1+

启动示例:

pip install vllm-ascend
vllm serve Qwen/Qwen2.5-7B \
  --device npu \
  -tp 1 \
  --dtype float16 \
  --gpu-memory-utilization 0.85 \
  --max-model-len 8192

15.2 寒武纪(Cambricon)

  • 适配项目:vLLM-MLU(寒武纪官方定制)
  • 支持型号:MLU370、MLU590
  • 通信库:CNCL(对应 NCCL)
  • 注意事项:部分自定义算子需用 BANG C 重写

15.3 海光 DCU

  • 技术路线:基于 ROCm 生态,CUDA 兼容性较好
  • 支持型号:海光 Z100/Z100L
  • 部署方式:使用海光定制 ROCm 编译 vLLM
  • 建议:先在测试环境验证所有算子正确性

15.4 其他国产平台

厂商 产品 适配状态 备注
百度昆仑芯 昆仑芯 XPU 定制版适配 百度生态内完善
阿里平头哥 真武系列 逐步适配中 主流模型已支持
摩尔线程 MTT S80 适配中 基于 CUDA 兼容层
沐曦 MX 系列 适配中 支持主流大模型
天数智芯 天垓系列 定制版本 支持多种框架

十六、故障排查手册

16.1 常见问题诊断

问题现象 可能原因 排查步骤与解决方案
CUDA OOM 1. 并发太高 2. max-model-len 过大 3. KV 缓存不足 1. 降低 --max-num-seqs 2. 减小 --max-model-len 3. 开启量化/FP8 KV 4. 降低 --gpu-memory-utilization
首次启动极慢 1. 模型下载中 2. CUDA Graph 编译 3. 权重格式转换 1. 提前下载模型到本地 2. 降低 optimization-level 3. 首次启动属正常现象,预热后性能稳定
401 Unauthorized 1. 未传 API Key 2. Key 错误 3. Header 格式不对 检查 Authorization 头格式:Authorization: Bearer sk-xxx
无法外网访问 1. host 绑定 127.0.0.1 2. 防火墙拦截 3. 云安全组 1. --host 0.0.0.0 2. 检查防火墙/安全组放通端口 3. 确认 Nginx 反向代理配置
量化模型报错 1. 量化格式不匹配 2. 缺少依赖 3. 权重损坏 1. 确认模型与 --quantization 参数匹配 2. 安装 autoawq/gptqmodel 等对应库 3. 重新下载模型
频繁 preemption KV 缓存不足 1. 调高 gpu-memory-utilization 2. 减小 max-num-seqs 3. 开启 kv-cache-dtype fp8
多卡启动 hang 住 1. NCCL 网络配置错误 2. 显卡 P2P 不通 3. 共享内存不足 1. 设置 NCCL_SOCKET_IFNAME 2. 检查 nvidia-smi topo -m 3. Docker 加 --ipc=host
生成结果乱码/重复 1. tokenizer 不匹配 2. 模型精度问题 3. 量化损失过大 1. 确认 tokenizer 与模型对应 2. 尝试 dtype float32 对比 3. 换用精度损失更小的量化方式
TTFT 首字延迟高 1. 长 prompt 未开 Chunked Prefill 2. 批处理参数过大 3. 显存不足导致频繁抢占 1. 开启 --enable-chunked-prefill 2. 减小 max-num-batched-tokens 3. 检查 preemption 指标
invalid device ordinal 1. v0.24 设备选择变更 2. CUDA_VISIBLE_DEVICES 不生效 1. 使用 --device-ids 参数替代环境变量 2. 或设置 VLLM_DEVICE_IDS 环境变量 3. 确认 GPU 编号与 nvidia-smi 一致
模型不支持报错 1. 使用了已移除的模型(ERNIE/Xverse 等) 2. Transformers 版本不兼容 1. 检查模型是否在 v0.24 移除列表中 2. 升级 transformers 到 v5+ 3. 使用替代模型或旧版 vLLM

16.2 常用诊断命令

# 检查 GPU 状态
nvidia-smi
nvidia-smi topo -m  # 检查 GPU 拓扑

# 检查 NCCL
python -c "import torch; print(torch.cuda.nccl.version())"

# 检查 vLLM 版本
python -c "import vllm; print(vllm.__version__)"

# 测试模型加载
python -c "
from vllm import LLM
llm = LLM(model='meta-llama/Llama-3.1-8B-Instruct', dtype='bfloat16')
output = llm.generate('Hello, my name is')
print(output[0].outputs[0].text)
"

# 健康检查
curl http://localhost:8000/health
curl http://localhost:8000/v1/models

16.3 HTTP 错误码说明

状态码 含义 常见原因
200 成功 -
400 请求参数错误 参数格式错误、缺少必填字段
401 未认证 API Key 缺失或错误
404 模型不存在 model 参数错误,或模型未加载
422 参数验证失败 max_tokens 超过上下文限制等
429 请求过多 触发限流(需自行配置中间件)
500 服务器内部错误 模型推理异常,查看日志
503 服务不可用 模型正在加载中

十七、场景化配置模板

17.1 智能客服/对话机器人

# 智能客服场景:低延迟 + 多轮对话 + LoRA
vllm serve meta-llama/Llama-3.1-8B-Instruct \
  --dtype bfloat16 \
  --quantization awq \
  --max-model-len 8192 \
  --gpu-memory-utilization 0.9 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --block-size 16 \
  --enable-chunked-prefill \
  --max-num-batched-tokens 8192 \
  --max-num-seqs 128 \
  --max-num-partial-prefills 2 \
  --enable-lora \
  --max-loras 4 \
  --api-key sk-chatbot-prod \
  -O2 \
  --host 0.0.0.0 --port 8000

17.2 RAG/长文档处理

# RAG 场景:长上下文 + 分块预填充 + 前缀缓存
vllm serve Qwen/Qwen2.5-72B-Instruct \
  -tp 4 \
  --dtype bfloat16 \
  --max-model-len 131072 \
  --gpu-memory-utilization 0.85 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --enable-chunked-prefill \
  --max-num-batched-tokens 32768 \
  --max-num-seqs 8 \
  --max-num-partial-prefills 2 \
  --max-long-partial-prefills 1 \
  -O2 \
  --host 0.0.0.0 --port 8000

17.3 代码补全/生成

# 代码场景:长上下文 + 前缀缓存(代码文件重复度高)
vllm serve deepseek-ai/DeepSeek-Coder-V2-Lite-Instruct \
  -tp 2 \
  --dtype bfloat16 \
  --max-model-len 16384 \
  --gpu-memory-utilization 0.9 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --block-size 16 \
  --enable-chunked-prefill \
  --max-num-batched-tokens 16384 \
  --max-num-seqs 64 \
  -O2 \
  --host 0.0.0.0 --port 8000

17.4 离线批处理/批量推理

# 高吞吐场景:最大化批处理,不关注单请求延迟
vllm serve meta-llama/Llama-3.1-70B-Instruct \
  -tp 4 \
  --dtype bfloat16 \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.95 \
  --kv-cache-dtype fp8 \
  --max-num-batched-tokens 65536 \
  --max-num-seqs 512 \
  -O3 \
  --disable-log-stats \
  --host 0.0.0.0 --port 8000

17.5 嵌入模型服务

# Embedding 服务:高并发
vllm serve BAAI/bge-m3 \
  --task embedding \
  --dtype float16 \
  --max-model-len 8192 \
  --gpu-memory-utilization 0.9 \
  --max-num-batched-tokens 32768 \
  --max-num-seqs 512 \
  --enforce-eager \
  --host 0.0.0.0 --port 8001

17.6 多模态服务

# 多模态:图文理解
vllm serve Qwen/Qwen2-VL-72B-Instruct \
  -tp 4 \
  --dtype bfloat16 \
  --max-model-len 32768 \
  --limit-mm-per-prompt image=8,video=2 \
  --mm-processor-kwargs '{"num_crops": 8}' \
  --gpu-memory-utilization 0.9 \
  --enable-prefix-caching \
  --enable-chunked-prefill \
  --max-num-seqs 32 \
  -O2 \
  --host 0.0.0.0 --port 8000

17.7 消费级显卡(RTX 4090)

# RTX 4090 24GB 运行 8B 模型
vllm serve meta-llama/Llama-3.1-8B-Instruct \
  --dtype float16 \
  --quantization awq \
  --max-model-len 8192 \
  --gpu-memory-utilization 0.88 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --max-num-seqs 64 \
  --host 0.0.0.0 --port 8000

17.8 MoE 模型(Mixtral/DeepSeek-V4)

# Mixtral 8x22B(经典 MoE)
vllm serve mistralai/Mixtral-8x22B-Instruct-v0.1 \
  -tp 4 \
  --enable-expert-parallel \
  --dtype bfloat16 \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.9 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  -O2 \
  --host 0.0.0.0 --port 8000

# DeepSeek-V4(v0.24 新增支持,含 EPLB + DeepEP v2)
vllm serve deepseek-ai/DeepSeek-V4 \
  -tp 8 \
  --enable-expert-parallel \
  --dtype bfloat16 \
  --max-model-len 131072 \
  --gpu-memory-utilization 0.9 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --enable-chunked-prefill \
  -O2 \
  --host 0.0.0.0 --port 8000

💡 MoE 模型新特性

v0.23+ 为 MoE 模型引入了 EPLB(专家负载均衡),默认异步开启,支持 Nixl 零拷贝传输;v0.24 集成了 DeepEP v2 专家并行通信库,大幅提升大规模 MoE 模型的通信效率。DeepSeek-V4 还支持稀疏 MLA 元数据、TRTLLM-gen 注意力内核等深度优化。

文档说明:本指南基于 vLLM v0.24.x 版本编写。vLLM 迭代极快(约每月一个版本),部分参数在新版本中可能调整或弃用,请以官方文档为准。建议生产环境升级前先在测试环境验证。

vLLM 生产级部署完全指南 | 2026 年 7 月更新

1

评论区