A10服务器使用vllm推理框架成功运行Qwen3大模型

1.下载Qwen3大模型：

git clone https://www.modelscope.cn/Qwen/Qwen3-1.7B.git

放在服务器的/mnt/workspace/Qwen3-1.7B目录下。

2.创建python虚拟环境：

python3 -m venv venv1
source venv1/bin/activate

3.安装vllm推理框架

pip install vllm 

4.启动vllm服务

CUDA_VISIBLE_DEVICES=0 \
python3 -m vllm.entrypoints.openai.api_server \
        --model /mnt/workspace/Qwen3-1.7B \
        --served-model-name qwen3 \
        --gpu-memory-utilization=0.85 \
        --tensor-parallel-size 1 \
        --trust-remote-code

注意以下几点：

（1）如果不指定端口，则vllm默认端口是8000；

（2）参数gpu-memory-utilization必须加上，不然可能会报oom显存不足的错误；

（3）tensor-parallel-size的个数，取决于使用的GPU数量。

启动需加载1-2分钟左右，启动结果如下：

5.查询大模型

curl http://localhost:8000/v1/models

查询到名字为qwen3的模型：

6.调用大模型服务

curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{
  "model": "qwen3",
  "messages": [
    {"role": "user", "content": "介绍一下你自己"}
  ],
  "temperature": 0.7,
  "top_p": 0.8,
  "top_k": 20,
  "max_tokens": 128,
  "presence_penalty": 1.5,
  "chat_template_kwargs": {"enable_thinking": false}
}'

返回结果：

7.显卡使用情况