松江城乡建设委员会的网站自媒体发布软件app

本文基于下面的文章进行在探索，请最好先阅读下面文章。

超详细VLLM框架部署qwen3-4B加混合推理探索！！！-CSDN博客

一、模型选择和下载

通义千问3-8B-FP8 · 模型库

modelscope download --model Qwen/Qwen3-8B --local_dir /root/lanyun-tmp/modle/Qwen3-8B

modelscope download --model Qwen/Qwen3-4B --local_dir /root/lanyun-tmp/modle/Qwen3-4B

modelscope download --model Qwen/Qwen3-8B-FP8 --local_dir /root/lanyun-tmp/modle/Qwen3-8B-FP8

我的云服务器

二、模型的说明

 2.1 这三个模型有什么区别？

这里就需要知道大模型是什么？大模型本质上是一堆浮点数数字组成的矩阵，可以在模型的配置中看到。比如Qwen3-8B的8B是指，这个矩阵的浮点数字有80亿个，而每个参数（浮点数字）又是bfloat16的。可以简单理解成，模型的能力 = 模型参数量 * 模型的精度，但是模型的精度的影响较小，比如参数圆周率，精度是16位小数还是8位小数，对于我们计算圆的面积来说，误差是差不多的。但是16位的参数圆周率，我们计算的难度就会更大（显存消耗大），但是精度也会更精确。

所以Qwen3-8B等价于Qwen3-8B-FP16，Qwen3-4B等价于Qwen3-4B-FP16，我们把模型的每个参数的精度都从16位变成8位的过程就叫模型量化，我们一方面可以用模型微调框架LLama-factory进行模型量化，另一方面也可以直接在魔塔社区下载别人已经量化压缩好的模型Qwen3-8B-FP8

三、VLLM框架推理三个模型的显存消耗情况

显存怎么计算看一看前面的博客如何计算VLLM本地部署Qwen3-4B的GPU最小配置应该是多少？多人并发访问本地大模型的GPU配置应该怎么分配？-CSDN博客

情况一：Qwen3-8B-FP8：8.8GB+2.8GB = 11.6GB显存

vllm serve /root/lanyun-tmp/modle/Qwen3-8B-FP8 --max-model-len 10000

情况二： Qwen3-8B：15.2GB+1.3GB = 16.5GB显存

vllm serve /root/lanyun-tmp/modle/Qwen3-8B --max-model-len 10000

情况二： Qwen3-4B：7.55GB+1.3GB = 8.85GB显存

vllm serve /root/lanyun-tmp/modle/Qwen3-4B --max-model-len 10000

基于上述显存消耗情况，我们可以手动分配显存给到VLLM服务，比如我要部署推理 Qwen3-8B-FP8，我已经知道了模型推理的显存消耗是11.6GB，那我给12GB就够用了，我们服务器是24GB的，所以分配0.55的GPU(13.2GB)就可以。

vllm serve /root/lanyun-tmp/modle/Qwen3-8B-FP8 --max-model-len 10000 --gpu-memory-utilization 0.55

四、小结

基于企业的预算，还有模型的能力。

1.我们可以用16GB显存的显卡来部署推理，Qwen3-8B-FP8和Qwen3-4B模型，如果后续涉及到模型的微调训练，这个16GB就不够用，但是可以单独组几天的显卡来专门微调大模型，如果涉及到多人并发的话导致推理响应太慢，可以添加显卡的方法或者像VLLM框架一样做好访问列队的设计。这个方案性价比最高。

2.如果企业追求回答效果好的话选择Qwen3-8B-FP8好一点，但是后面的模型微调就比Qwen3-4B模型更难微调。

3.后续要考虑到词嵌入模型也要消耗GPU资源的话，最好还是部署一个24GB的显卡（控制利用率在0.9）差不多21.6GB，然后词嵌入的模型还有5GB用。