当前位置：首页 > news >正文

一文从零部署vLLM+qwen0.5b（mac本地版，不可以实操GPU单元）

news 2025/9/6 6:04:30

第一步：下载anaconda for mac
https://zhuanlan.zhihu.com/p/350828057 知乎保姆级教程
https://www.anaconda.com/docs/getting-started/anaconda/install#macos-linux-installation 下载地址

第二步：部署vllm的虚拟环境
https://www.53ai.com/news/OpenSourceLLM/2025040116542.html

注意⚠️ vllm不支持python 3.13及以上版本，所以配置时得指定
https://docs.vllm.ai/en/latest/getting_started/installation/gpu.html
conda create -n usingvllm python=3.10 jupyter
conda activate usingvllm
git clone https://github.com/vllm-project/vllm.git 已经clone
pip install torch torchvision
一次性安装所有 vLLM 的依赖
pip install -e .
如果报了error可能是没有install成功。

检查
du -sh ~/.cache/huggingface/hub/models–tiiuae–falcon-7b-instruct
删除
rm -rf ~/.cache/huggingface/hub/models–tiiuae–falcon-7b-instruct

第三步：从offline_inference+qwen3入手
快速开始：本地推理从examples/offline_inference/basic/basic.py开始
● LLM 是用于运行 vLLM 引擎离线推理的主类。
● SamplingParams 指定了采样过程的参数。
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)
● 采样温度（输出的随机程度）：越小越保守（0.1），越高越创造性（1.0-1.2）
● 核心采样概率top_p（nucleus sampling）：采样时候选词概率总和，表示模型会从累计概率为前 95% 的候选词中选一个（对比top-k 选前k个词）
llm = LLM(model=“facebook/opt-125m”)
● 模型从https://huggingface.co/Qwen/Qwen3-0.6B

在线服务从examples/online_serving/openai_completion_client.py开始
第四步：本地跑serve出错及解决

Load and run the model:

vllm serve “Qwen/Qwen3-0.6B”

● 解决——不选择默认的=4，调整最大maxlen：
export VLLM_CPU_KVCACHE_SPACE=8
vllm serve “Qwen/Qwen3-0.6B” --max-model-len 2048

已上在vsc部署成功（约等于把自己电脑当成服务器了）

另起终端
//Call the server using curl:
curl -X POST “http://localhost:8000/v1/chat/completions”
-H “Content-Type: application/json”
–data ‘{
“model”: “Qwen/Qwen3-0.6B”,
“messages”: [
{
“role”: “user”,
“content”: “What is the capital of France?”
}
]
}’
输出：

对应“服务器”输出：即为部署成功。

分析：

WARNING [cpu.py:248] Pin memory is not supported on CPU.使用的是 CPU 环境（Mac M3 Pro 无 CUDA），这个警告是预期的，不会影响结果，只是说不能做 pinned memory 提速（只有 GPU 可用）。
INFO [metrics.py:417] Avg prompt throughput: 3.0 tokens/s
INFO [metrics.py:417] Avg generation throughput: 10.5 tokens/s
模型每秒处理平均 3 个 prompt token，生成 token 平均 10.5 个/s，对于 Mac CPU 跑的模型来说，这个速度是完全合理的（0.6B 的 Qwen 模型）
INFO: 127.0.0.1:58210 - “POST /v1/chat/completions HTTP/1.1” 200 OK
响应状态码 200，说明接口调用完全成功，用 curl 或 Python requests.post() 调用的 API 得到了返回结果