最近在用本地大模型跑实验，一开始选择了ollama,分别部署了Qwen2.5-14B和Qwen2.5-32B，发现最后跑出来的实验效果很差，一开始一直以为prompt的问题，尝试了不同的prompt，最后效果还是一直不好。随后尝试了vllm部署Qwen2.5-14B，竟然发现指标提升了好多【不太清楚为什么最终效果能差这么多】…也有点迷惑，所以这篇文章就分析一下ollama和vllm有什么不同
Ollama
基本介绍
Ollama是一个支持在Windows、Linux和MacOS上本地运行大语言模型的工具。它允许用户非常方便地运行和使用各种大语言模型,比如Qwen模型等。用户只需一行命令就可以启动模型。
主要特点
- 跨平台支持Windows、Linux、MacOS系统。
- 提供了丰富的模型库,包括Qwen、Llama等1700+大语言模型,可以在官网model library中直接下载使用。
- 支持用户上传自己的模型。用户可以将huggingface等地方的ggml格式模型导入到ollama中使用。也可以将基于pytorch等格式的模型转换为ggml格式后导入。
- 允许用户通过编写modelfile配置文件来自定义模型的推理参数,如temperature、top_p等,从而调节模型生成效果。
- 支持多GPU并行推理加速。在多卡环境下,可以设置环境变量来指定特定GPU。
总的来说Ollama降低了普通开发者使用大语言模型的门槛,使得本地部署体验大模型变得简单易行。对于想要搭建自己的AI应用,或者针对特定任务调优模型的开发者来说,是一个非常有用的工具。它的一些特性,如允许用户自定义模型参数,对模型进行个性化适配提供了支持。
官网
-
Ollama 下载：https://ollama.com/download
-
Ollama 官方主页：https://ollama.com
-
Ollama 官方 GitHub 源代码仓库：https://github.com/ollama/ollama/
安装
安装方法官网已经说的很详细了
- Linux 安装
Ollama提供了一键安装脚本,可以快速在Linux系统上安装Ollama。
安装步骤如下:
打开终端,执行以下命令下载安装脚本:
curl -fsSL https://ollama.com/install.sh | sh
等待安装完成。安装脚本会自动下载所需的组件,并完成Ollama的安装与配置。
安装完成后,可以通过以下命令启动Ollama:
ollama serve
下载模型
ollama下载模型很简单，直接一行命令完成了，比如我下载qwen:14b，直接运行
ollama run qwen2.5:14b
Vllm
vLLM（virtual Large Language Model）是一个专门为大规模语言模型设计的高效推理框架，它通过多种技术手段显著提高了推理性能和可扩展性。vLLM对Linux系统兼容性相对来说更好一点。
基本介绍
主要特点
- 效内存管理：采用了高效的内存管理策略，能够在有限的硬件资源上运行更大规模的模型。利用分布式内存管理技术和优化的数据流处理，有效降低了内存占用。
- 并行计算：借助并行计算技术，vLLM 可以在多 GPU、多节点的环境下进行高效的模型推理，大幅提高了处理大规模数据集的速度。
- 动态批处理：支持动态批处理，能够根据输入数据的不同自动调整批处理大小和计算资源的分配，从而优化推理效率。
- 模型压缩：为进一步提高效率，vLLM 还支持多种模型压缩技术，如量化、剪枝等。这些技术在不显著降低模型性能的前提下，减少了模型的计算复杂度和内存占用。
官网
- vLLM 官方主页：https://docs.vllm.ai/en/latest/
- vLLM 源码地址：https://github.com/vllm-project/vllm/stargazers
安装
# (Recommended) Create a new conda environment.
conda create -n myenv python=3.10 -y
conda activate myenv
# Install vLLM with CUDA 12.1.
pip install vllm
ollama vs vllm
| 特性 | Ollama | VLLM |
|---|---|---|
| 安装配置 | 使用 Docker 容器进行部署，简化安装流程。 | 推荐 Python 安装，需要安装 Python 环境和相关依赖，对技术要求较高。 |
| 模型支持 | 支持多种大模型，包括 Qwen2.5 等，支持从 huggingface/modelscope 等平台下载的模型文件。 | |
| 性能 | GPU 环境下推理速度优于 CPU，支持接入 OneAPI 提升性能。 | 采用 PagedAttention 技术，提高内存利用率，支持高并发处理。 |
| 资源占用 | 显存占用相对较低，例如 Qwen2.5:7b 模型仅需 6GB 显存。 | 显存占用相对较高，例如单卡 16GB 显存可能不足以运行 Qwen2.5:7b 模型。 |
| 成本 | 本地部署，需要本地硬件支持，成本取决于硬件配置。 | |
| 应用场景 | 更适合高并发、多检索点的复杂企业场景，在需要大量推理、并发任务处理以及复杂模型适配的场景中表现更为突出。 | 采用的是一种高效的 Token-Level 并行（Token Swapping）机制，使其在处理生成任务时达到更低的延迟，尤其是在需要处理较长文本生成的 RAG 场景中具有明显优势。 |
| 易用性 | 提供统一的 API 接口，支持多种编程语言 SDK，易于集成至业务应用。 | 需要一定的 Python 编程基础 |
| 扩展性 | 设计上考虑了未来模型的扩展性，易于添加新模型或更新现有模型。 | 支持多种并行推理方式和多种硬件平台。 |
显存占用对比
ollama
- ollama qwen2.5:14b 模型权重大小 9GB，运行需要 11G 显存。
vllm
vllm我运行使用的命令是
CUDA_VISIBLE_DEVICES=1 nohup python -m vllm.entrypoints.openai.api_server --model Qwen2.5-14B --max-model-len 20000 --trust-remote-code --api-key tcc123 > output.log 2>&1 &
- vllm qwen2.5:14b 模型权重大小 9GB，运行竟然需要 39G 显存。竟然差别这么大！
推理速度对比
我们来看下ollama和vllm部署的qwen2.5:14b在执行相同代码下的推理速度的差异
vllm 第0次的执行时间为:6.737669229507446s
vllm 第1次的执行时间为:2.704115152359009s
vllm 第2次的执行时间为:6.883824110031128s
vllm 第3次的执行时间为:6.743424654006958s
vllm 第4次的执行时间为:6.750691890716553s
ollma 第0次的执行时间为:3.759061336517334s
ollma 第1次的执行时间为:3.660386323928833s
ollma 第2次的执行时间为:3.1638340950012207s
ollma 第3次的执行时间为:3.298168420791626s
ollma 第4次的执行时间为:3.5439224243164062s
ollama相对来说更快一点
