设备配置

显卡：8x4090 ，单张 24564MIB--约 24G 显存（单张可用 60%左右）
CentOS 7.6 ，已有 cuda 、python 、docker 环境

需求

暂时采用量化模型，Qwen2.5 32B q6 或者 q8 （ q4km 效果太差了）
多卡部署，想充分利用多卡 gpu
简易离线部署（优先级小于多卡部署），最好类似 docker 镜像直接保存的方式，也可以使用 python 离线依赖安装的方式，主打一个一次导入，导入太麻烦了。
最终需要一个类似open_webui的 web 方案

方案

当前单卡ollama+open_webui效果差，想堪比 gpt 4o （当然没必要太强）能用的程度。
llama.cpp 多卡好像支持不太好？
vllm 多卡部署好像不支持量化模型，不是很满足需求。
TGI 好像可以（ Int4 、Int8 、AWQ ）但是不太了解。
官方还提供 SkyPilot 、OpenLLM 但都不太了解

有没有一种好的方式快速部署

拿个 32B 开源想跟现在行业龙头 gpt 4o 比,你要给用户提供什么服务? 这种聊天机器人满大街都是

＃1 自用，离线环境部署只能选 32B

8x4090 跑 ollama ，不如借给我用（）（感兴趣可以联系 cXRiYm9zajVzQG1vem1haWwuY29t ，我可以帮你配置环境）

我个人的推荐是 lmdeploy + Qwen2.5 72B awq int8 ，响应速度很快，支持多卡，在 4xV100 上实跑 72B gptq int4 比 vllm 好用

vllm 文档是有量化实验特性支持的，可以试试好不好用： docs.vllm.ai/en/latest/quantization/auto_awq.html

8x24GB 为什么不上 72B ，是要考虑多用户使用的情况吗。

github.com/exo-explore/exo

＃3 离线环境无法远程:）
感谢提供 LMdeploy (┌・ω・)┌✧

＃4 好的，好像确实可以，就是配置麻烦，我对比一下

＃5 用户数在 0-10 左右，不过确实可以上 72B ，我考虑下量化（服务器可能被用于跑其他深度学习，不好说）

＃6 等多来几台服务器试试集群（），目前环境较为封闭，可用设备只有一台 8x4090

lmdeploy≈sglang>vllm ，个人偏好是这样

可以试下 sglang

  1. 为什么单张可用 60%？ 把其他任务都集中到 4 张显卡上，剩余 4 张用于跑 72b-awq 。多卡不建议超过 4 张，因为通信成本。
  1. vllm 支持量化模型的。生产上用的最多的就是 vllm ，然后是 sglang （但是个人体感 sglang 比 vllm 稳定一些，因为版本都在不断迭代，所以仅是时效性的使用感受）。ollama 基于 llama.cpp ，这个项目最初就是用于在资源有限环境把模型 offload 到内存里跑起来的，一般就是个人玩具使用。
  2. 喜欢一键的话，可以试一下 xinference ，有 docker 镜像，挺好用。

  3. web 方案其实是各种 web client + openai style api ，各个推理引擎以 openai style api 将接口提供出来，兼容各类应用。

    用 32B Q8 远不如 72B Q4 。参数量带来的提升远大于提升精度

    Ollama 是 llama.cpp 的一个前端。

llama.cpp 支持多 GPU ，但不支持张量并行，单一并发同时只有一张卡在跑，多卡还有通信的开销，所以会比单卡还慢（前提是单卡的显存足够放模型）。

vLLM 支持在多卡上推理量化模型。

4-bit 的 Qwen2.5 72B 应该比未量化的 Qwen2.5 32B 要好。

Qwen2.5 可以试试用同系列的小参数量模型做推测解码（ Speculative decoding ），应该会快不少。

我 8 张 3080 的跑 qwen2.5:72b-instruct-q8_0 都没问题呀

＃16 我用的就是 ollama+open_webui 的方案

学习了几个月下来，ray server 或者 kuberay 蚂蚁字节都在用，万卡级别部署

可以试一下： github.com/xorbitsai/inference

目前多卡用的 ollama+open_webui 的方案（以前用的 lobe-chat ，现在替换成了 open_webui ）。
使用的 ollama.com 提供的量化后的 qwen2.5 72b q4km ，针对常规的提示词工程的任务，对比询问了同样的问题，72b 相比于单卡就能带动的 qwen2.5 32b q4km 有明显的效果提升。不过多卡明显感觉有特别高的通信成本，远没有单卡响应速度快（显卡是几年前的，实际使用的 PCIe3 ）。
之前常用 qwen2.5 32b q4km ，最近几天切换成了 qwen 的 qwq:32b q4km 模型，感觉推理能力有稍微加强。（以上体验都是主观评价，没跑过 benchmark ，仅作参考）
建议：

  1. 试试 qwen2.5 72b q4km ，内存占用大概 59GB ，体验提升明显，可能比精度带来的提升来的更快更直接
  2. 如果 8 张 4090 资源只能分出来一小部分使用，试试 qwq:32b
  3. 你这 8 张都能用上的话，可以试试 deepseek-v2.5:236b

  4. 如果本地化部署不是任务的必要条件，那么 chatgpt/claude 仍然是目前的最优解, 4o 免费的目前已经有自我反思能力,能够回答问题过程中发现错误打断自己重新回答，而这些我是在其他模型中没有体验到的

    ＃11
    ＃12
    感谢推荐 sglang ！

    ＃13

  5. 感谢建议，会着手解决
  6. ollama 感觉确实是玩具 hh
  7. 感谢推荐，我去了解一下

  8. 确实，感觉现成的 open_webui 就行，兼容 openai api

    ＃14 多谢！这就去上 72B

    ＃15
    ollama 确实不适合多卡。

目前方案是 LMdeploy ，比 vllm 好

我去用 72B 了哈哈

还是大参数量好，充分利用 gpu

＃17 ollama 多卡不太行吧

＃19 好的，感谢推荐！

＃20

  1. q4km 量化多卡不太合适，目前尝试 72B awq 量化+LMdeploy ，参数级提升应该大于精度提升
  2. 我协调一下显卡使用，应该能合理分配，毕竟多卡通信存在速度损失
  3. qwen2.5 优于 deepseek 吧

  4. 本地部署必要，100%无法联网，4o 还是太成熟了

    ＃18 我是一台机器多卡，暂时没有分布式条件，可能没有表述清楚