vLLM
O vLLM é o engine de serving que a produção usa de verdade: PagedAttention, batching contínuo, um servidor compatível com OpenAI em localhost:8000/v1. A GPU você traz.
O vLLM é o engine de serving que a produção usa de verdade: PagedAttention, batching contínuo, um servidor compatível com OpenAI em localhost:8000/v1. A GPU você traz.
`vllm serve Qwen/Qwen3-8B` e está pronto. CUDA ou ROCm; no Mac, vá de MLX. Sem cota, sem chave, nada sai da máquina.
- Contexto máximo
- Set with --max-model-len
- Nível gratuito
- Ilimitado e privado
- Requisito
- Nada — sem conta
Endpoint
URL base
http://localhost:8000/v1Limite de taxa
None — it is your machine- Compatível com OpenAI
- texto
- visão
Exemplos 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 saber
- Suba o servidor primeiro: `vllm serve Qwen/Qwen3-8B`.
- Precisa de GPU com CUDA ou ROCm; no Mac, vá de MLX.
Modelos que você obtém de graça5
- 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
