vLLM
vLLM هو محرك الخدمة الذي تستخدمه بيئة الإنتاج فعلاً: PagedAttention، وتجميع مستمر، وخادم متوافق مع OpenAI على localhost:8000/v1. والـGPU تأتيها من عندك.
vLLM هو محرك الخدمة الذي تستخدمه بيئة الإنتاج فعلاً: PagedAttention، وتجميع مستمر، وخادم متوافق مع OpenAI على localhost:8000/v1. والـGPU تأتيها من عندك.
`vllm serve Qwen/Qwen3-8B` وانتهى. CUDA أو ROCm؛ وعلى Mac توجه إلى MLX. لا حصة ولا مفتاح، ولا شيء يغادر الجهاز.
- السياق الأقصى
- Set with --max-model-len
- الطبقة المجانية
- غير محدود وخاص
- المتطلب
- لا شيء — بلا حساب
نقطة النهاية
عنوان URL الأساسي
http://localhost:8000/v1حد السرعة
None — it is your machine- متوافق مع OpenAI
- نص
- رؤية
أمثلة الكود
npm install openaiimport OpenAI from 'openai'
const client = new OpenAI({
baseURL: 'http://localhost:8000/v1',
apiKey: 'not-needed'
})
const response = await client.chat.completions.create({
model: 'Qwen/Qwen3-8B',
messages: [{ role: 'user', content: 'Explain closures in one paragraph.' }]
})
console.log(response.choices[0].message.content)pip install openaifrom openai import OpenAI
client = OpenAI(
base_url="http://localhost:8000/v1",
api_key="not-needed",
)
response = client.chat.completions.create(
model="Qwen/Qwen3-8B",
messages=[{"role": "user", "content": "Explain closures in one paragraph."}],
)
print(response.choices[0].message.content)curl http://localhost:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "Qwen/Qwen3-8B",
"messages": [{"role": "user", "content": "Explain closures in one paragraph."}]
}'جدير بالمعرفة
- شغّل الخادم أولاً: `vllm serve Qwen/Qwen3-8B`.
- تحتاج GPU بواجهة CUDA أو ROCm؛ وعلى Mac اتجه إلى MLX.
النماذج التي تحصل عليها مجاناً5
- Qwen 3
qwen3 - Llama 3.3 70B
llama-3.3-70b - GPT-OSS 120B
gpt-oss-120b - DeepSeek R1
deepseek-ai/DeepSeek-R1 - DeepSeek V4
deepseek-v4-flash