pip3 install vllm==0.5.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

python -m vllm.entrypoints.openai.api_server --model Qwen/Qwen2-7B-Instruct

python3 -m vllm.entrypoints.openai.api_server -h
использование: api_server.py [-h] [--host HOST] [--port PORT] [--uvicorn-log-level {debug,info,warning,error,critical,trace}] [--allow-credentials] [--allowed-origins ALLOWED_ORIGINS] [--allowed-methods ALLOWED_METHODS] [--allowed-headers ALLOWED_HEADERS]
[--api-key API_KEY] [--lora-modules LORA_MODULES [LORA_MODULES ...]] [--chat-template CHAT_TEMPLATE] [--response-role RESPONSE_ROLE] [--ssl-keyfile SSL_KEYFILE] [--ssl-certfile SSL_CERTFILE] [--ssl-ca-certs SSL_CA_CERTS]
[--ssl-cert-reqs SSL_CERT_REQS] [--root-path ROOT_PATH] [--middleware MIDDLEWARE] [--model MODEL] [--tokenizer TOKENIZER] [--skip-tokenizer-init] [--revision REVISION] [--code-revision CODE_REVISION]
[--tokenizer-revision TOKENIZER_REVISION] [--tokenizer-mode {auto,slow}] [--trust-remote-code] [--download-dir DOWNLOAD_DIR] [--load-format {auto,pt,safetensors,npcache,dummy,tensorizer,bitsandbytes}]
[--dtype {auto,half,float16,bfloat16,float,float32}] [--kv-cache-dtype {auto,fp8,fp8_e5m2,fp8_e4m3}] [--quantization-param-path QUANTIZATION_PARAM_PATH] [--max-model-len MAX_MODEL_LEN]
[--guided-decoding-backend {outlines,lm-format-enforcer}] [--distributed-executor-backend {ray,mp}] [--worker-use-ray] [--pipeline-parallel-size PIPELINE_PARALLEL_SIZE] [--tensor-parallel-size TENSOR_PARALLEL_SIZE]
[--max-parallel-loading-workers MAX_PARALLEL_LOADING_WORKERS] [--ray-workers-use-nsight] [--block-size {8,16,32}] [--enable-prefix-caching] [--disable-sliding-window] [--use-v2-block-manager]
[--num-lookahead-slots NUM_LOOKAHEAD_SLOTS] [--seed SEED] [--swap-space SWAP_SPACE] [--gpu-memory-utilization GPU_MEMORY_UTILIZATION] [--num-gpu-blocks-override NUM_GPU_BLOCKS_OVERRIDE]
[--max-num-batched-tokens MAX_NUM_BATCHED_TOKENS] [--max-num-seqs MAX_NUM_SEQS] [--max-logprobs MAX_LOGPROBS] [--disable-log-stats]
[--quantization {aqlm,awq,deepspeedfp,fp8,marlin,gptq_marlin_24,gptq_marlin,gptq,squeezellm,compressed-tensors,bitsandbytes,None}] [--rope-scaling ROPE_SCALING] [--rope-theta ROPE_THETA] [--enforce-eager]
[--max-context-len-to-capture MAX_CONTEXT_LEN_TO_CAPTURE] [--max-seq-len-to-capture MAX_SEQ_LEN_TO_CAPTURE] [--disable-custom-all-reduce] [--tokenizer-pool-size TOKENIZER_POOL_SIZE] [--tokenizer-pool-type TOKENIZER_POOL_TYPE]
[--tokenizer-pool-extra-config TOKENIZER_POOL_EXTRA_CONFIG] [--enable-lora] [--max-loras MAX_LORAS] [--max-lora-rank MAX_LORA_RANK] [--lora-extra-vocab-size LORA_EXTRA_VOCAB_SIZE] [--lora-dtype {auto,float16,bfloat16,float32}]
[--long-lora-scaling-factors LONG_LORA_SCALING_FACTORS] [--max-cpu-loras MAX_CPU_LORAS] [--fully-sharded-loras] [--device {auto,cuda,neuron,cpu,openvino,tpu,xpu}] [--image-input-type {pixel_values,image_features}]
[--image-token-id IMAGE_TOKEN_ID] [--image-input-shape IMAGE_INPUT_SHAPE] [--image-feature-size IMAGE_FEATURE_SIZE] [--image-processor IMAGE_PROCESSOR] [--image-processor-revision IMAGE_PROCESSOR_REVISION]
[--disable-image-processor] [--scheduler-delay-factor SCHEDULER_DELAY_FACTOR] [--enable-chunked-prefill] [--speculative-model SPECULATIVE_MODEL] [--num-speculative-tokens NUM_SPECULATIVE_TOKENS]
[--speculative-draft-tensor-parallel-size SPECULATIVE_DRAFT_TENSOR_PARALLEL_SIZE] [--speculative-max-model-len SPECULATIVE_MAX_MODEL_LEN] [--speculative-disable-by-batch-size SPECULATIVE_DISABLE_BY_BATCH_SIZE]
[--ngram-prompt-lookup-max NGRAM_PROMPT_LOOKUP_MAX] [--ngram-prompt-lookup-min NGRAM_PROMPT_LOOKUP_MIN] [--model-loader-extra-config MODEL_LOADER_EXTRA_CONFIG] [--preemption-mode PREEMPTION_MODE]
[--served-model-name SERVED_MODEL_NAME [SERVED_MODEL_NAME ...]] [--qlora-adapter-name-or-path QLORA_ADAPTER_NAME_OR_PATH] [--otlp-traces-endpoint OTLP_TRACES_ENDPOINT] [--engine-use-ray] [--disable-log-requests]
[--max-log-len MAX_LOG_LEN]

vLLM RESTful с совместимостью с OpenAI API-сервер.

Дополнительные параметры:
  -h, --help            Показать это справочное сообщение и выйти
  --host HOST           имя хоста
  --port PORT           номер порта
  --uvicorn-log-level {debug,info,warning,error,critical,trace}
                        уровень журнала uvicorn
  --allow-credentials   Разрешить учетные данные
  --allowed-origins ALLOWED_ORIGINS
                        разрешенные источники
  --allowed-methods ALLOWED_METHODS
                        разрешенные методы
  --allowed-headers ALLOWED_HEADERS
                        Разрешенные заголовки
  --api-key API_KEY     Если он предоставлен, сервер запросит этот ключ в заголовке.
  --lora-modules LORA_MODULES [LORA_MODULES ...]
                        Конфигурация модуля LoRA, формат имя=путь. Можно указать несколько модулей.
  --chat-template CHAT_TEMPLATE
                        Путь к файлу шаблона чата или однострочный шаблон для указанной модели.
  --response-role RESPONSE_ROLE
                        Имя роли возвращается, если `request.add_generation_prompt=true`.
  --ssl-keyfile SSL_KEYFILE
                        Путь к файлу ключа SSL
  --ssl-certfile SSL_CERTFILE
                        Путь к файлу сертификата SSL
  --ssl-ca-certs SSL_CA_CERTS
                        Файл сертификата CA
  --ssl-cert-reqs SSL_CERT_REQS
                        Требуется ли сертификат клиента (см. модуль SSL стандартной библиотеки)
  --root-path ROOT_PATH
                        FastAPI, когда приложение находится за прокси-сервером маршрутизации на основе пути root_path
  --middleware MIDDLEWARE
                        Дополнительное промежуточное ПО ASGI, которое можно применить к вашему приложению. Мы принимаем несколько аргументов --middleware. Его значение должно быть путем импорта. Если функция предоставлена, vLLM добавит ее на сервер с помощью @app.middleware('http'). Если класс указан, vLLM добавляет его с помощью app.add_middleware().
  --model MODEL         Имя модели Huggingface или путь к использованию.
  --tokenizer TOKENIZER
                        Имя или путь токенизатора Huggingface. Если не указано, используется имя модели или путь.
  --skip-tokenizer-init
                        Пропустить инициализацию токенизатора и антитокенизатора
  --revision REVISION   Конкретная версия модели, которую следует использовать. Это может быть имя ветки, имя тега или идентификатор фиксации. Если не указано, будет использоваться версия по умолчанию.
  --code-revision CODE_REVISION
                        Используется для кода модели в Hugging. Face Конкретная ревизия Хаба. Это может быть имя ветки, имя тега или идентификатор фиксации. Если не указано, будет использоваться версия по умолчанию.
  --tokenizer-revision TOKENIZER_REVISION
                        Пересмотренная версия токенизатора Huggingface. Это может быть имя ветки, имя тега или идентификатор фиксации. Если не указано, будет использоваться версия по умолчанию.
  --tokenizer-mode {auto,slow}
                        Режим токенизатора. * «auto» будет использовать быстрый токенизатор, если он доступен. * «медленный» всегда будет использовать медленный токенизатор.
  --trust-remote-code   Доверяйте удаленному коду от HuggingFace.
  --download-dir DOWNLOAD_DIR
                        Загрузите и загрузите каталог Weight, который по умолчанию соответствует каталогу кэша HuggingFace по умолчанию.
  --load-format {auto,pt,safetensors,npcache,dummy,tensorizer,bitsandbytes}
                        Формат, используемый для загрузки весов модели. * «авто» попытается загрузить веса в формате защитных тензоров и вернуться к pytorch, если формат защитных тензоров недоступен. формат бин. * "pt" будет pytorch Загрузите вес в формате контейнера. * «safetensors» будет загружать веса в формате Safetensors. * «npcache» будет загружать веса в формате pytorch и сохранять кеш numpy для ускорения загрузки. * «dummy» инициализирует веса случайными значениями и в основном используется для анализа производительности. * «тензоризатор» загрузит веса с помощью тензоризатора из CoreWeave. Дополнительную информацию см. в разделе «Тензоризация» в разделе «Примеры». Скрипт модели vLLM. * «bitsandbytes» будет использовать биты и байты для количественной оценки весов нагрузки.
  --dtype {auto,half,float16,bfloat16,float,float32}
                        Веса модели и типы данных активации. * «Авто» будет использовать точность FP16 для моделей FP32 и FP16 и точность BF16 для моделей BF16. * «половина» — для FP16. Рекомендуется для квантования AWQ. * «float16» — то же самое, что «половина». * «bfloat16» используется для балансировки точности и дальности. * «Поплавок» — это сокращение от точности FP32. * «float32» соответствует точности FP32.
  --kv-cache-dtype {auto,fp8,fp8_e5m2,fp8_e4m3}
                        Тип данных, хранящийся в кэше kv. Если «авто», будет использоваться тип данных модели. КУДА 11.8+ поддерживает fp8(=fp8_e4m3) и fp8_e5m2. ROCm (AMD графический процессор) поддерживает fp8(=fp8_e4m3)
  --quantization-param-path QUANTIZATION_PARAM_PATH
                        Путь к файлу JSON, содержащему коэффициенты масштабирования кэша KV. Этот файл обычно следует предоставлять, если тип данных кэша KV — FP8. В противном случае коэффициент масштабирования кэша KV по умолчанию будет равен 1,0, что может вызвать проблемы с точностью. FP8_E5M2 (немасштабированный) поддерживается только в том случае, если версия CUDA выше 11,8. В ROCm (AMD GPU) вместо этого поддерживает FP8_E4M3 для соответствия общим стандартам вывода.
  --max-model-len MAX_MODEL_LEN
                        Длина контекста модели. Если не указано, оно будет автоматически получено из конфигурации модели.
  --guided-decoding-backend {outlines,lm-format-enforcer}
                        Какой механизм будет использоваться по умолчанию для управления декодированием (схема/регулярное выражение JSON и т. д.). В настоящее время поддерживает https://github.com/outlines-dev/outlines. и https://github.com/noamgat/lm-format-enforcer. Может быть переопределено с помощью параметраguide_decoding_backend в запросе.
  --distributed-executor-backend {ray,mp}
                        Бэкэнд для распределенных сервисов. При использовании более 1 графического процессора для параметра «ray» автоматически устанавливается значение «ray», если оно установлено, в противном случае устанавливается значение «mp» (многопроцессный).
  --worker-use-ray    Устарело, используйте --distributed-executor-backend=ray.
  --pipeline-parallel-size PIPELINE_PARALLEL_SIZE, -pp PIPELINE_PARALLEL_SIZE
                        Количество этапов конвейера.
  --tensor-parallel-size TENSOR_PARALLEL_SIZE, -tp TENSOR_PARALLEL_SIZE
                        Количество параллельных копий тензора.
  --max-parallel-loading-workers MAX_PARALLEL_LOADING_WORKERS
                        Загружайте модели последовательно несколькими партиями.,Чтобы избежать использования тензорного параллелизмаи Встречается с большими моделямиRAM OOM。
  --ray-workers-use-nsight
                        Если указано, используйте nsight для анализа рабочих узлов Ray.
  --block-size {8,16,32}
                        Размер блока токенов для последовательных блоков токенов.
  --enable-prefix-caching
                        Включите автоматическое кэширование префиксов.
  --disable-sliding-window
                        Отключить скользящее окно, установить размер скользящего окна.
  --use-v2-block-manager
                        Используйте BlockSpaceMangerV2.
  --num-lookahead-slots NUM_LOOKAHEAD_SLOTS
                        Экспериментальная конфигурация планирования, необходимая для прогнозирования начального декодирования. В будущем это будет заменено спекулятивной конфигурацией; в настоящее время она существует для обеспечения возможности проверки правильности до тех пор.
  --seed SEED           Случайное начальное число для операции.
  --swap-space SWAP_SPACE
                        Размер пространства подкачки ЦП на каждый графический процессор (Ги Б).
  --gpu-memory-utilization GPU_MEMORY_UTILIZATION
                        Доля памяти графического процессора, используемая исполнителем модели, может находиться в диапазоне от 0 до 1. Например, значение 0,5 будет означать использование памяти графического процессора на 50 %. Если не указано, будет использоваться значение по умолчанию 0,9.
  --num-gpu-blocks-override NUM_GPU_BLOCKS_OVERRIDE
                        Если указано, игнорируйте результаты теста производительности графического процессора и используйте это количество блоков графического процессора. Используется для тестирования упреждения.
  --max-num-batched-tokens MAX_NUM_BATCHED_TOKENS
                        Максимальное количество токенов пакетной обработки на итерацию.
  --max-num-seqs MAX_NUM_SEQS
                        Максимальное количество последовательностей на итерацию.
  --max-logprobs MAX_LOGPROBS
                        Возвращает максимальное количество logprobs, если logprobs указаны в SamplingParams.
  --disable-log-stats   Отключить статистику журнала.
  --quantization {aqlm,awq,deepspeedfp,fp8,marlin,gptq_marlin_24,gptq_marlin,gptq,squeezellm,compressed-tensors,bitsandbytes,None}, -q {aqlm,awq,deepspeedfp,fp8,marlin,gptq_marlin_24,gptq_marlin,gptq,squeezellm,compressed-tensors,bitsandbytes,None}
                        Метод, используемый для количественного определения весов. Если нет, мы сначала проверяем атрибут quantization_config в файле конфигурации модели. Если это None, мы предполагаем, что веса модели не квантуются, и используем dtype для определения типа данных весов.
  --rope-scaling ROPE_SCALING
                        Формат JSON конфигурации масштабирования RoPE. Например, {"type":"dynamic","factor":2.0}
  --rope-theta ROPE_THETA
                        RoPE с использованием `rope_scaling` тета. В некоторых случаях смена RoPE тета может улучшить производительность масштабированных моделей.
  --enforce-eager       Всегда используйте режим ожидания PyTorch. Если ложь,Для максимальной производительности и гибкости будет использоваться сочетание режима энергичности и графиков CUDA.
  --max-context-len-to-capture MAX_CONTEXT_LEN_TO_CAPTURE
                        Максимальная длина контекста, покрываемая графом CUDA. Когда длина контекста последовательности превышает эту длину, мы возвращаемся в режим ожидания. (Устарело. Вместо этого используйте --max-seq-len-to-capture)
  --max-seq-len-to-capture MAX_SEQ_LEN_TO_CAPTURE
                        Максимальная длина последовательности, охватываемая графом CUDA. Когда длина контекста последовательности превышает эту длину, мы возвращаемся в режим ожидания.
  --disable-custom-all-reduce
                        См. параллельную конфигурацию.
  --tokenizer-pool-size TOKENIZER_POOL_SIZE
                        Размер пула токенизатора, используемого для асинхронной токенизации. Если 0, будет использоваться синхронная сегментация слов.
  --tokenizer-pool-type TOKENIZER_POOL_TYPE
                        Тип пула токенизатора, используемого для асинхронной токенизации. Игнорируется, если tokenizer_pool_size равен 0.
  --tokenizer-pool-extra-config TOKENIZER_POOL_EXTRA_CONFIG
                        Дополнительная настройка пула токенизаторов. Это должна быть строка JSON, которая будет проанализирована в словаре. Игнорируется, если tokenizer_pool_size равен 0.
  --enable-lora         Если True, включает обработку адаптеров LoRA.
  --max-loras MAX_LORAS
                        Максимальное количество LoRA в одной партии.
  --max-lora-rank MAX_LORA_RANK
                        Максимальное значение ранга LoRA.
  --lora-extra-vocab-size LORA_EXTRA_VOCAB_SIZE
                        Максимальный размер дополнительного словаря (добавленного к словарю базовой модели), который может существовать в адаптере LoRA.
  --lora-dtype {auto,float16,bfloat16,float32}
                        Тип данных LoRA. Если auto, по умолчанию будет использоваться dtype базовой модели.
  --long-lora-scaling-factors LONG_LORA_SCALING_FACTORS
                        Укажите несколько коэффициентов масштабирования (которые могут отличаться от коэффициентов базовой модели — см., например, Long). LoRA), чтобы обеспечить одновременное использование нескольких адаптеров LoRA, обученных с помощью этих коэффициентов масштабирования. Если не указано, разрешены только адаптеры, обученные с использованием коэффициента масштабирования базовой модели.
  --max-cpu-loras MAX_CPU_LORAS
                        Максимальное количество LoRA, хранящихся в памяти ЦП. Должно быть больше или равно max_num_seqs. По умолчанию — max_num_seqs.
  --fully-sharded-loras
                        По умолчанию только половина вычислений LoRA сегментируется с использованием тензорного параллелизма. Включение этой опции будет использовать полностью сегментированные слои. Это может быть быстрее при больших длинах последовательностей, максимальных рангах или размерах тензорных параллелей.
  --device {auto,cuda,neuron,cpu,openvino,tpu,xpu}
                        Тип устройства, на котором выполняется vLLM.
  --image-input-type {pixel_values,image_features}
                        Тип ввода изображения передается в vLLM.
  --image-token-id IMAGE_TOKEN_ID
                        Входной идентификатор токена изображения.
  --image-input-shape IMAGE_INPUT_SHAPE
                        Самая большая форма ввода изображения для данного типа ввода (наименее удобная для памяти). Profile_run только для vLLM.
  --image-feature-size IMAGE_FEATURE_SIZE
                        Размер элементов изображения по контекстным измерениям.
  --image-processor IMAGE_PROCESSOR
                        Имя или путь к используемому процессору изображений HuggingFace. Если не указано, будет использоваться имя модели или путь.
  --image-processor-revision IMAGE_PROCESSOR_REVISION
                        Используемая версия процессора изображений Huggingface. Это может быть имя ветки, имя тега или идентификатор фиксации. Если не указано, будет использоваться версия по умолчанию.
  --disable-image-processor
                        Отключает использование процессоров изображений, даже если они определены в HuggingFace для модели.
  --scheduler-delay-factor SCHEDULER_DELAY_FACTOR
                        Применяет Задержку (умноженную на коэффициент Задержки предыдущего запроса) перед планированием следующего запроса.
  --enable-chunked-prefill
                        Если установлено, запросы предварительного заполнения могут быть разбиты на блоки на основе max_num_batched_tokens.
  --speculative-model SPECULATIVE_MODEL
                        Название черновой модели, используемой при спекулятивной расшифровке.
  --num-speculative-tokens NUM_SPECULATIVE_TOKENS
                        Количество спекулятивных токенов, выбранных из черновой модели при спекулятивном декодировании.
  --speculative-draft-tensor-parallel-size SPECULATIVE_DRAFT_TENSOR_PARALLEL_SIZE, -spec-draft-tp SPECULATIVE_DRAFT_TENSOR_PARALLEL_SIZE
                        Количество параллельных копий тензоров черновых моделей при спекулятивном декодировании.
  --speculative-max-model-len SPECULATIVE_MAX_MODEL_LEN
                        Максимальная длина последовательности, поддерживаемая черновой моделью. Последовательности, превышающие эту длину, будут пропускать предположения.
  --speculative-disable-by-batch-size SPECULATIVE_DISABLE_BY_BATCH_SIZE
                        Если количество запросов в очереди превышает это значение, спекулятивное декодирование новых входящих запросов отключается.
  --ngram-prompt-lookup-max NGRAM_PROMPT_LOOKUP_MAX
                        Максимальный размер окна для поиска подсказок ngram при спекулятивном декодировании.
  --ngram-prompt-lookup-min NGRAM_PROMPT_LOOKUP_MIN
                        Минимальный размер окна для поиска подсказок ngram при спекулятивном декодировании.
  --model-loader-extra-config MODEL_LOADER_EXTRA_CONFIG
                        Дополнительная конфигурация для загрузчиков моделей. Это будет передано загрузчику модели, соответствующему выбранному load_format. Это должна быть строка JSON, которая будет проанализирована в словаре.
  --preemption-mode PREEMPTION_MODE
                        Если «перевычислить», механизм выполняет вытеснение посредством замены блоков; если «обмен», механизм выполняет вытеснение посредством замены блоков;
  --served-model-name SERVED_MODEL_NAME [SERVED_MODEL_NAME ...]
                        Имя модели, используемое в API. Если указано несколько имен, сервер ответит на любое из предоставленных имен. Имя модели в поле модели в ответе будет первым именем в этом списке. Если не указано, имя модели будет таким же, как аргумент --model. Обратите внимание, что это имя также будет использоваться для содержимого тега model_name в метриках Prometheus. Если указано несколько имен, метка метрики примет первое из них.
  --qlora-adapter-name-or-path QLORA_ADAPTER_NAME