你应该懂得AI大模型（十三） 之 推理框架

在大语言模型（LLM）技术爆发的今天，从 ChatGPT 到开源的 LLaMA、Qwen 系列，模型能力不断突破，但将这些 "智能大脑" 落地到实际业务中，却面临着效率、成本和部署复杂度的三重挑战。此时，大模型推理框架成为了连接理论与实践的关键桥梁。

一、什么是大模型推理框架

大模型推理框架是专门优化预训练大模型 "推理阶段" 的工具集，专注于解决模型部署中的效率、成本和工程化问题。与训练框架（如 PyTorch、TensorFlow）不同，推理框架不参与模型参数的学习过程，而是聚焦于如何让训练好的模型在生产环境中更快速、更经济、更稳定地响应请求。​

简单来说，训练框架负责 "教会模型思考"，而推理框架负责 "让模型高效地回答问题"。

二、推理框架的核心作用

推理框架的核心作用​

1、提升响应速度​

未经优化的大模型推理可能需要数秒甚至数十秒才能生成结果，而推理框架通过注意力机制优化（如 PagedAttention）、动态批处理等技术，可将延迟压缩至毫秒级，满足实时交互场景需求​

2、降低资源消耗​

大模型动辄数十亿甚至千亿参数，原生推理需占用数十 GB 显存。推理框架通过量化技术（如 INT4/INT8）、KV 缓存优化等手段，可将显存占用降低 50%-75%，同时支持单 GPU 部署更大模型。​

3、简化工程落地​

提供开箱即用的 API 服务（REST/gRPC）、负载均衡、动态扩缩容等功能，将复杂的分布式推理逻辑封装成简单接口，让开发者无需深入底层优化即可部署高可用服务。​

4、适配多样化场景​

支持云服务器、边缘设备、端侧终端等多环境部署，兼容 NVIDIA GPU、AMD GPU、CPU 甚至专用 AI 芯片（如昇腾），满足不同企业的硬件条件。

三、主流大模型推理框架

目前市场上的推理框架可分为 "通用型"（适配多模型和硬件）和 "专用型"（针对特定场景深度优化），以下是企业级项目中最常用的几种：​

1. vLLM：高吞吐量的开源明星​

由 UC Berkeley 团队开发的 vLLM，凭借其创新的PagedAttention 技术（借鉴操作系统内存分页机制管理 KV 缓存）成为开源社区的焦点。​

核心优势：​

• 支持动态批处理（Continuous Batching），吞吐量是原生 Hugging Face Transformers 的 10-20 倍；​

• 无缝兼容 Hugging Face 模型格式，LLaMA、Mistral、Qwen 等主流模型可直接部署；​

• 轻量级设计，单条命令即可启动服务，适合快速测试和生产部署。​

适用场景：高并发 API 服务（如客服机器人、内容生成平台），尤其适合 NVIDIA GPU 环境。​

2. Text Generation Inference（TGI）：Hugging Face 生态的官方选择​

作为 Hugging Face 推出的推理框架，TGI 深度集成了 Transformers、Tokenizers 等工具链，是开源模型部署的 "嫡系" 方案。​

核心优势：​

• 支持张量并行（多 GPU 拆分模型），轻松部署 13B/70B 等大模型；​

• •

  内置日志、监控和 A/B 测试工具，便于企业级运维；​

• 原生支持流式输出（Stream），优化对话交互体验。​

适用场景：依赖 Hugging Face 生态的企业，或需要快速部署开源模型进行验证的场景。​

3. TensorRT-LLM：NVIDIA 硬件的性能王者​

NVIDIA 官方推出的 TensorRT-LLM 是基于 TensorRT 引擎的大模型推理优化框架，专为 NVIDIA GPU 打造。​

核心优势：​

• 采用编译型优化（将模型转为 TensorRT 引擎），延迟比 vLLM 低 30%-50%；​

• 支持 INT4/INT8 量化和稀疏性优化，在 H100/A100 等高端 GPU 上性能极致；​

• 提供 C++/Python 接口，支持多模型并行策略。​

适用场景：对延迟敏感的工业级场景（如金融风控、实时对话），需依赖 NVIDIA GPU。​

4. LMDeploy：轻量高效的多场景适配者​

、 LMDeploy 以 "轻量、高效、多场景兼容" 为特色，尤其对国产模型支持友好。​

核心优势：​

• 支持 INT4/INT8/FP16 多种精度，可在消费级 GPU（如 RTX 3090）甚至 CPU 上部署；​

• 提供模型转换、量化、服务部署全链路工具，降低工程门槛；​

• 适配 Qwen、LLaMA、Baichuan 等主流模型，国产模型优化更精细。​

适用场景：资源受限的边缘设备、多模型混合部署场景，或国产模型优先的企业。​

5. DeepSpeed-Inference：超大规模模型的分布式专家​

由 Microsoft 和华盛顿大学联合开发的 DeepSpeed-Inference，专为千亿级参数模型设计。​

核心优势：​

• 支持张量并行、管道并行等多种分布式策略，可拆分 100B + 参数模型；​

• 集成 ZeRO 优化技术，减少多 GPU 通信开销；​

• 兼容 PyTorch 生态，便于与训练流程衔接。​

适用场景：需要部署超大规模模型（如 GPT-3 175B、LLaMA 70B）的企业，需多 GPU 集群支持。

四、推理框架的核心差异与选型维度

不同框架的差异主要体现在技术路线、硬件适配和功能侧重上，企业选型时需关注以下维度：​

1. 性能指标：延迟 vs 吞吐量​

• 低延迟优先：TensorRT-LLM（编译优化）> vLLM（PagedAttention）> TGI；​

• 高吞吐量优先：vLLM（动态批处理）> TGI > LMDeploy；​

• 显存效率：LMDeploy（量化优化）> TensorRT-LLM（INT4）> vLLM。​

2. 硬件兼容性​

• NVIDIA GPU 专属：TensorRT-LLM（性能最佳）、vLLM（兼容性好）；​

• 跨硬件支持：LMDeploy（CPU/GPU/ 边缘设备）、ONNX Runtime（多芯片适配）；​

• 国产芯片适配：LMDeploy（昇腾支持）、ONNX Runtime（寒武纪 / 地平线插件）。​

3. 模型兼容性​

• 开源模型全覆盖：TGI（Hugging Face 生态）、vLLM（主流模型）；​

• 国产模型优化：LMDeploy（Qwen/Baichuan）> TGI > TensorRT-LLM；​

• 超大规模模型：DeepSpeed-Inference（100B + 参数）> TensorRT-LLM（张量并行）。​

4. 部署复杂度​

• 快速上手：vLLM（单命令启动）、TGI（Docker 一键部署）；​

• 工业级部署：TensorRT-LLM（需编译模型）、DeepSpeed-Inference（分布式配置）；​

• 轻量部署：LMDeploy（资源占用低）、ONNX Runtime（跨平台打包）。

五、使用LMdeploy部署模型

笔者使用的是Autodl服务器，因此需要做个SSH隧道。

5.1配置Conda环境--javascripttypescriptshellbashsqljsonhtmlcssccppjavarubypythongorustmarkdown

conda create -n lmdeploy python=3.10 -y
conda activate lmdeploy
pip install lmdeploy  modelscope gradio partial-json-parser
export LMDEPLOY_USE_MODELSCOPE=True

验证lmdeploy安装--

lmdeploy --version

5.2下载模型

#这些库大家缺啥装啥就可以，不是都得装，看服务器提示缺什么。
pip install modelscope
pip install openai.
pip install tqdm.
pip install transformers
pip install vllm

#模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('Qwen/Qwen3-4B',cache_dir="/root/autodl-tmp/ddq")

5.3模型转换

LMDeploy 推荐使用 convert 命令将模型转换为高效推理格式：

lmdeploy convert qwen3 Qwen3-7B-Chat --dst-path qwen3-7b-chat-lmdeploy

转换后的模型将存储在 qwen3-7b-chat-lmdeploy 目录，包含优化后的权重和配置文件。

此项非必选。

5.4启动推理服务

lmdeploy serve api_server /root/autodl-tmp/ddq/Qwen/Qwen3-4B --reasoning-parser qwen-qwq --server-port 23333 --session-len 8192

• mdeploy serve api_server：LMDeploy 的核心命令，用于启动 API 服务端

• /tmp/code/models/Qwen3-0.6B：指定 Qwen3-0.6B 模型的本地路径

• --reasoning-parser qwen-qwq：指定使用 Qwen 系列的 qwq 推理解析器，适配 Qwen 模型的对话格式和推理逻辑

• --server-port 23333：设置 API 服务监听的端口为 23333（默认通常是 8000）

• --session-len 8192：设置会话上下文长度为 8192 tokens，控制模型能处理的历史对话 + 当前查询的总长度

  执行这条命令后，LMDeploy 会加载指定的 Qwen3-0.6B 模型，并在本地 23333 端口启动一个 HTTP API 服务，你可以通过发送 HTTP 请求与模型进行交互。

5.4.1 生产环境部署（本文实验未使用这种部署方式）

1、docker部署

# 拉取 LMDeploy 镜像
docker pull kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/lmdeploy:latest

# 启动容器
docker run -d --gpus all \
  -p 8000:8000 \
  -v /path/to/qwen3-7b-chat-lmdeploy:/model \
  kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/lmdeploy \
  lmdeploy serve api_server /model --server-port 8000

2、在 Kubernetes 中部署（使用 Arena）

arena serve custom \
  --name=lmdeploy-qwen3 \
  --version=v1 \
  --gpus=1 \
  --replicas=1 \
  --restful-port=8000 \
  --readiness-probe-action="tcpSocket" \
  --readiness-probe-action-option="port: 8000" \
  --readiness-probe-option="initialDelaySeconds: 60" \  # Qwen3启动较慢，延长初始检查时间
  --readiness-probe-option="periodSeconds: 30" \
  --image=kube-ai-registry.cn-shanghai.cr.aliyuncs.com/kube-ai/lmdeploy:latest \
  --data=qwen3-model:/model/Qwen3-7B-Chat \  # 挂载模型数据卷
  "lmdeploy serve api_server /model/Qwen3-7B-Chat --server-port 8000"

5.4.2 通过MobaXterm建立SSH隧道

笔者喜欢在vscode中使用remote插件直接进行端口转发，因为笔者没有那么多服务器管理的需求，这个习惯因人而已。

5.4.3 在CherryStudio中测试隧道效果