vLLM
vLLM — движок сервинга, который реально использует прод: PagedAttention, непрерывная батчинг, OpenAI-совместимый сервер на localhost:8000/v1. GPU приносите свою.
vLLM — движок сервинга, который реально использует прод: PagedAttention, непрерывная батчинг, OpenAI-совместимый сервер на localhost:8000/v1. GPU приносите свою.
`vllm serve Qwen/Qwen3-8B` — и готово. CUDA или ROCm; на Mac лучше MLX. Ни квоты, ни ключа, ничего не покидает машину.
- Макс. контекст
- Set with --max-model-len
- Бесплатный тариф
- Безлимит и приватность
- Требование
- Ничего — без аккаунта
Эндпоинт
Базовый URL
http://localhost:8000/v1Лимит скорости
None — it is your machine- Совместим с OpenAI
- текст
- зрение
Примеры кода
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."}]
}'Стоит знать
- Сначала поднимите сервер: `vllm serve Qwen/Qwen3-8B`.
- Нужна GPU с CUDA или ROCm; на Mac лучше MLX.
Модели, которые вы получаете бесплатно5
- 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