在 vLLM Production Serving 上部署 Llama 3.1 70B

概述

在 vLLM Production Serving 上直接运行 Llama 3.1 70B，实现高吞吐量服务。本地推理提供隐私、零延迟和无持续 API 成本。

规格：NVIDIA A100 · 80GB VRAM

安装

bash
安装 Ollama — 最简单的本地推理运行时
curl -fsSL https://ollama.com/install.sh | sh
验证安装
ollama --version

下载模型

bash
拉取 Llama 3.1 70B（自动下载 GGUF 量化权重）
ollama pull llama-31-70b
运行交互式聊天
ollama run llama-31-70b
启动 API 服务器
ollama serve
API 地址：http://localhost:11434

Python 集成

python
import httpx
from typing import Iterator
class LocalAI:
    """本地 Llama 3.1 70B 接口，运行在 vLLM Production Serving 上"""
    
    BASE_URL = "http://localhost:11434"
    MODEL = "llama-31-70b"
    
    def chat(self, message: str, system: str = "") -> str:
        """单轮聊天"""
        resp = httpx.post(
            f"{self.BASE_URL}/api/chat",
            json={
                "model": self.MODEL,
                "messages": [
                    {"role": "system", "content": system},
                    {"role": "user", "content": message}
                ],
                "stream": False
            },
            timeout=120
        )
        resp.raise_for_status()
        return resp.json()["message"]["content"]
    
    def stream(self, message: str) -> Iterator[str]:
        """流式聊天，实时输出"""
        with httpx.stream(
            "POST",
            f"{self.BASE_URL}/api/chat",
            json={"model": self.MODEL, "messages": [{"role": "user", "content": message}], "stream": True},
            timeout=120
        ) as r:
            for line in r.iter_lines():
                if line:
                    import json
                    chunk = json.loads(line)
                    if not chunk.get("done"):
                        yield chunk["message"]["content"]
使用示例
ai = LocalAI()
response = ai.chat("帮我处理高吞吐量服务")
print(response)
流式输出
for token in ai.stream("逐步解释高吞吐量服务"):
    print(token, end="", flush=True)

自定义 Modelfile

bash
创建针对高吞吐量服务的优化配置
cat > Modelfile << 'MODELEOF'
FROM llama-31-70b
PARAMETER num_ctx 4096
PARAMETER temperature 0.7
PARAMETER top_p 0.9
SYSTEM "你是一个专门处理高吞吐量服务的 AI 助手。你在 vLLM Production Serving 上本地运行。请保持简洁、准确、有帮助。"
MODELEOF
ollama create high-throughput-serving-assistant -f Modelfile
ollama run high-throughput-serving-assistant

性能概况

指标值

硬件NVIDIA A100 内存80GB VRAM 速度10-40 tokens/秒 (CPU) / 40-100+ tok/s (GPU) 首 token<200ms (GPU) / <1s (CPU) 上下文4096-32768 tokens 成本$0（硬件成本后）

使用 FastAPI 的生产设置

python
from fastapi import FastAPI
from pydantic import BaseModel
app = FastAPI(title="vLLM Production Serving AI API")
ai = LocalAI()
class ChatRequest(BaseModel):
    message: str
    system: str = ""
class ChatResponse(BaseModel):
    response: str
    model: str
    device: str
@app.post("/chat", response_model=ChatResponse)
async def chat_endpoint(req: ChatRequest):
    response = ai.chat(req.message, req.system)
    return ChatResponse(response=response, model="Llama 3.1 70B", device="vLLM Production Serving")
@app.get("/health")
async def health():
    return {"status": "ok", "model": "Llama 3.1 70B", "device": "vLLM Production Serving"}

故障排除

推理速度慢：切换到 Q4_K_M 量化，减小上下文窗口 内存不足：使用更小的模型或 Q3_K_S 量化 未使用 GPU：安装 CUDA/Metal 驱动，检查 ollama logs 高延迟：启动时发送一个虚拟请求预热模型

资源