大模型

AI大模型部署：Ollama与vLLM部署对比：哪个更合适？

优质文章学习记录

06 Feb 2025 — 8 min read

前言

近年来，大语言模型（LLM）的应用日益广泛，而高效的部署方案至关重要。Ollama和vLLM作为两种流行的LLM部署工具，各有优劣。本文将深入比较Ollama和vLLM的部署方式，帮助选择最合适的方案。

Ollama：简单易用的LLM部署工具

Ollama以其简洁的安装和易于使用的特性而闻名。其官方文档清晰易懂，即使是新手也能快速上手。Ollama支持多种LLM模型，并提供便捷的命令行界面进行管理和运行。其核心优势在于：

简单安装： Ollama的安装过程非常简单，只需几条命令即可完成，无需复杂的配置。
易于使用： Ollama提供友好的用户界面和命令行工具，方便用户管理和运行LLM模型。
跨平台支持： Ollama支持macOS、Windows和Linux系统，具有良好的跨平台兼容性。
内存占用少： 相较于其他一些部署方案，Ollama对内存的占用相对较少，这对于资源受限的设备来说非常友好。

然而，Ollama也存在一些不足之处：

并发限制： Ollama的并发处理能力相对有限，需要根据实际需求调整最大并发数。
国内网络环境： 由于服务器在国外，国内用户在下载和使用过程中可能会遇到网络速度慢的问题。

Ollama安装示例（Linux）：

curl -fsSL https://ollama.com/install.sh | sh

Ollama运行示例：

ollama run qwen2.5:32b-instruct

如果遇到网络问题的解决办法,可以修改****下载源

打开 ollama_install.sh，找到以下两个下载地址：

https://ollama.com/download/ollama-linux-${ARCH}${VER_PARAM}
https://ollama.com/download/ollama-linux-amd64-rocm.tgz${VER_PARAM}

我们要将这两个地址替换成 GitHub 的下载链接。但直接使用 GitHub 可能依旧缓慢，因此我们推荐使用 GitHub 文件加速服务。

使用以下脚本来修改下载源：

#!/bin/bash

# 文件路径
FILE="ollama_install.sh"

# 修改 URL
sed -i 's|https://ollama.com/download/ollama-linux-${ARCH}${VER_PARAM}|https://github.moeyy.xyz/https://github.com/ollama/ollama/releases/download/v0.3.4/ollama-linux-amd64|g' $FILE
sed -i 's|https://ollama.com/download/ollama-linux-amd64-rocm.tgz${VER_PARAM}|https://github.moeyy.xyz/https://github.com/ollama/ollama/releases/download/v0.3.4/ollama-linux-amd64-rocm.tgz|g' $FILE

最终，把下载地址改为：

https://github.moeyy.xyz/https://github.com/ollama/ollama/releases/download/v0.3.4/ollama-linux-amd64
https://github.moeyy.xyz/https://github.com/ollama/ollama/releases/download/v0.3.4/ollama-linux-amd64-rocm.tgz

vLLM：高性能LLM推理引擎

vLLM是一个专注于高性能LLM推理的工具。它能够有效地利用多核CPU和GPU资源，显著提升LLM的推理速度。vLLM的主要优势在于：

高推理速度： vLLM在推理速度方面表现出色，能够快速生成LLM的输出。
资源利用率高： vLLM能够充分利用多核CPU和GPU资源，提升资源利用率。
灵活配置： vLLM允许用户根据实际需求灵活配置参数，例如模型路径、端口号等。

但是，vLLM的上手难度相对较高：

配置复杂： vLLM的配置相对复杂，需要用户具备一定的技术基础。
显存占用更大： 相比于ollama的显存占用,vLLM占用的更大。

vLLM安装示例：

pip install vllm

vLLM运行示例：

vllm serve --host 0.0.0.0 --port 8080 --model-path /path/to/model

总结

Ollama和vLLM各有千秋，选择哪种方案取决于具体需求。如果需要一个简单易用、快速部署的LLM解决方案，并且对推理速度要求不高，那么Ollama是不错的选择。如果追求高性能的LLM推理，并且具备一定的技术基础，那么vLLM更适合。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉👈

www.zeeklog.com - AI大模型部署：Ollama与vLLM部署对比：哪个更合适？

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。

内容：

L1.1 人工智能简述与大模型起源
L1.2 大模型与通用人工智能
L1.3 GPT模型的发展历程
L1.4 模型工程
L1.4.1 知识大模型
L1.4.2 生产大模型
L1.4.3 模型工程方法论
L1.4.4 模型工程实践
L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

内容：

L2.1 API接口
L2.1.1 OpenAI API接口
L2.1.2 Python接口接入
L2.1.3 BOT工具类框架
L2.1.4 代码示例
L2.2 Prompt框架
L2.3 流水线工程
L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

内容：

L3.1 Agent模型框架
L3.2 MetaGPT
L3.3 ChatGLM
L3.4 LLAMA
L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

内容：

L4.1 模型私有化部署概述
L4.2 模型私有化部署的关键技术
L4.3 模型私有化部署的实施步骤
L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉👈