AI大模型从入门到精通，一文搞懂大模型的部署（Ollama和vLLM），零基础小白建议收藏！！

Ollama是一款专注于简化大型语言模型本地部署和运行的开源框架，基于Go语言实现，支持跨平台运行，并以“开箱即用”为核心理念，适合个人开发者和轻量化场景。而vLLM是一个高效的大模型推理与服务引擎，基于PyTorch构建，创新性地引入了PagedAttention技术，旨在解决大模型服务中的显存效率与吞吐量瓶颈，支持张量并行和流水线并行，可横向扩展至多机多卡集群。

健忘的派大星

1098人浏览 · 2025-06-12 10:37:54

健忘的派大星 · 2025-06-12 10:37:54 发布

前言

Ollama是一款专注于简化大型语言模型本地部署和运行的开源框架，基于Go语言实现，支持跨平台运行，并以“开箱即用”为核心理念，适合个人开发者和轻量化场景。

而vLLM是一个高效的大模型推理与服务引擎，基于PyTorch构建，创新性地引入了PagedAttention技术，旨在解决大模型服务中的显存效率与吞吐量瓶颈，支持张量并行和流水线并行，可横向扩展至多机多卡集群。

vLLM vs Ollama: Key Differences

一、Ollama

Ollama是什么？Ollama 是一个专注于本地运行大型语言模型（LLM）的工具，支持macOS/Linux/Windows，ARM架构设备友好，提供简洁的命令行接口，适合个人开发者和研究者快速体验模型。

Ollama以“开箱即用”为核心理念，专为个人开发者和轻量化场景设计。

Ollama基于Go语言实现，通过模块化封装将模型权重、依赖库和运行环境整合为统一容器。这种设计使得用户无需关注底层依赖，仅需一条命令行即可启动模型服务。

Ollama的优势在于开发友好性，但生产部署时面临性能、稳定性和运维能力的全方位挑战。对于关键业务系统，建议仅将其作为实验阶段的验证环节，而非最终部署方案。

# Linux/macOS 一键安装脚本curl -fsSL https://ollama.com/install.sh | sh
# 拉取 DeepSeek-R1 模型ollama 
pull DeepSeek-R1
# 启动 DeepSeek-R1 模型ollama 
run DeepSeek-R1  # 启动交互式对话
# 通过 API 调用 DeepSeek-R1 模型curl http://localhost:11434/api/generate -d '{  "model": "DeepSeek-R1",  "prompt": "为什么天空是蓝色的？"}'

二、vLLM

**vLLM（Vectorized Large Language Model Serving System）是什么？**vLLM 是一个高效的大模型推理与服务引擎，旨在解决大模型服务中的显存效率与吞吐量瓶颈，适合生产环境部署。

# 安装 vLLMpip 
install vllm  
# 需要 Python 3.8+ 和 CUDA 11.8+
#启动 vLLM 推理服务，并使用 DeepSeek-R1 模型
# 单卡启动 DeepSeek-R1python -m vLLM.entrypoints.api_server \  --model deepseek/DeepSeek-R1 \  --tensor-parallel-size 1
# 使用 curl 命令调用 DeepSeek-R1 模型的推理服务curl http://localhost:8000/generate \  -H "Content-Type: application/json" \  -d '{"prompt": "解释量子纠缠", "max_tokens": 200}'

# 使用 vLLM 的 Python SDK 调用 DeepSeek-R1 模型
from vllm import LLMllm = LLM("deepseek/DeepSeek-R1")
outputs = llm.generate(["AI 的未来发展方向是"])
print(outputs)

分页注意力机制（PagedAttention）是什么？分页注意力机制借鉴了计算机操作系统中的内存分页管理，通过动态分配和复用显存空间，显著提升大模型推理的效率和吞吐量。

Introduction to vLLM and PagedAttention

在传统的大模型推理中，注意力机制（Transformer的自注意力层）需要为每个请求的序列分配连续的显存块，存储以下数据：

（1）键值缓存（Key-Value Cache，KV Cache）：存储历史token的键值对，用于生成后续token。

（2）中间激活值：计算注意力权重时的中间结果。

vLLM基于PyTorch构建，创新性地引入了PagedAttention技术。该技术借鉴操作系统的虚拟内存分页机制，将注意力键值对（KV Cache）存储在非连续显存空间，显著提高了显存利用率。

PagedAttention通过分块管理显存、动态按需分配和跨请求共享内存，解决了传统方法中显存碎片化、预留浪费和并发限制三大瓶颈。

PagedAttention 算法

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。