vLLM
vLLM es el motor de servicio que la producción usa de verdad: PagedAttention, batching continuo, un servidor compatible con OpenAI en localhost:8000/v1. La GPU la pones tú.
vLLM es el motor de servicio que la producción usa de verdad: PagedAttention, batching continuo, un servidor compatible con OpenAI en localhost:8000/v1. La GPU la pones tú.
`vllm serve Qwen/Qwen3-8B` y listo. CUDA o ROCm; en un Mac, vete a MLX. Sin cuota, sin clave, nada sale de la máquina.
- Contexto máximo
- Set with --max-model-len
- Nivel gratuito
- Ilimitado y privado
- Requisito
- Nada — sin cuenta
Punto de conexión
URL base
http://localhost:8000/v1Límite de tasa
None — it is your machine- Compatible con OpenAI
- texto
- visión
Ejemplos de código
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."}]
}'Vale la pena saber
- Arranca primero el servidor: `vllm serve Qwen/Qwen3-8B`.
- Necesita GPU CUDA o ROCm; en Mac, mejor vete a MLX.
Modelos que obtienes gratis5
- 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
