小记大模型本地部署：vllm, lmdeploy, ollama
记录一下最近折腾的大模型本地部署。由于学校有部署deepseek的竞赛（觉得扯不？）所以首选ollama这种超级简单的来过关，但我最希望的还是用专门的推理工具部署，因为做应用开发推理速度一定最重要。所以先尝试自己想搞的vllm。在简单找了些资料以后，感觉A100可以搞定32B的模型，所以我直接下载了Qwen2.5-32B。当然过程并不顺利，用hf-mirror也下不下来，后来用modelscope更快，其实模型权重文件只要是一样的从哪下载都一样。
1. vllm 尝试
由于上一个部署echomimicV2 已经找到的版本对应关系，因此这次应该只有vllm需要安装了，视频说qwen2.5系列 只要vllm>=0.4就可以。 直接装最新的0.7.2 是不行，pip会一直找适配系统的版本，一个一个下载，直到0.6.3。 但是这个依赖xformers-0.0.28.post3 装不上。所以还是得自己找版本。最后找到0.5.0 和torch的2.3.0能对应上。本以为一切顺利 结果用vllm 的启动服务报了个错：
ImportError: cannot import name 'build_regex_from_schema' from 'outlines.fsm.json_schema'outlines库的问题，AI先让我更新到最新，发现已经是最新的0.1.26，于是只能试一下降版本，查了一下vllm在0.5.0时候是24年6月，于是在pypi找到outlines早于这个时间的，降到0.0.45。 再次启动这个错误没有，报了另外一个错。我没有心情调试了，放弃了。
2. lmdeploy
只能再找其他的推理框架，确实还有很多，发现一个lmdeploy似乎不难，就是pip 安装一下就完了，当然也不顺利，因为lmdeploy的whl文件在github上，要下几个小时。剩下的库倒是不难，因为pip有缓存，已经安装过的依赖库都是免下载。用官方的命令，最后装起来torch的版本是2.5.1+cu118。启动命令较为友好，就是参数比较多，直接最简单就行了。默认使用的推理引擎是TurboMind，启动时候会先把模型权重进行转换。服务启动以后用它给的py代码测试了一下，感觉并没有特别快，完全出乎想象，不知道是不是模型太大了，还是什么参数没用上。
3. ollama
早就听说ollama超级简单，但是官网下载很慢，好在国内找到一个软件下载地址。安装也差点被骗，就只有解压，然后闪退，以为是机器不支持。差点以为失败，后来发现可以用命令。于是直接测deepseek-r1-1.5B。 没想到模型下载倒是很快，顺便通过环境变量 OLLAMA_MODELS改变模型下载地址。启动以后回复速度飞快，不可思议。
deepseek-r1 多了一个<think>标签就是思考过程，也是提示词自动生成，因此聊天工具要支持解析这个标签才能比较好看，于是我找了一下支持最新标签的聊天界面工具：chatwise，在里面可以配置ollama，于是就有了下面的效果：点开那个"Thought of 8 seconds" 是思考内容
后面再弄知识库也就是接入大模型的问题而已，还有一个LMstudio似乎更简单，下次和知识库一起试一下。后面我又用lmdeploy试了一下deepseek-R1-14B ,吐字似乎比32B的快一点，是不是模型越小速度越快？