AI编程 | 常用的AI大模型部署方式，你知道几种？

本文系统介绍了6种主流大模型部署方案：1）Transformers（HuggingFace生态，快速部署多种预训练模型）；2）ModelScope（阿里云一站式服务）；3）vLLM（高效GPU推理优化）；4）Llama.cpp（C语言实现，支持量化）；5）Ollama（本地化轻量部署）；6）TGI（自定义模型服务框架）。针对不同场景（个人/企业/边缘计算）和需求（性能/易用性/隐私），详细分析了各

儒雅的烤地瓜

100人浏览 · 2026-05-26 08:30:00

儒雅的烤地瓜 · 2026-05-26 08:30:00 发布

前言

本文详细介绍Transformers‌、‌ModelScope‌、‌vLLM‌、‌Llama.cpp‌、‌Ollama ‌、‌TGI‌ 这几种常用的大模型部署方式，包含具体的部署方法、适用情况以及优缺点分析，为大家做大模型部署技术选型提供依据。

1. Transformers

1‌.1 部署方法‌

● 使用 Hugging Face 的 Transformers 库，该库集成了上千个预训练模型以及丰富的推理管道和示例代码。

● 可以通过 AWS SageMaker Inference Toolkit 将模型打包成容器，并一键发布为实时 API Endpoint。

● 也可以在 HF 平台上创建托管式推理端点，支持自动扩缩容、版本管理与监控。

1.2 适用情况‌

● 适用于需要快速部署和推理多种预训练模型的场景。

● 适合于需要利用 Hugging Face 丰富生态和社区支持的项目。

‌1.3 优缺点‌

●‌优点‌：成熟的开源生态，丰富的预训练模型和推理支持。

●‌缺点‌：可能对于特定硬件或部署环境的优化不足，需要额外的配置和调整。

☑ 案例：

1、安装依赖

pip install transformers torch fastapi uvicorn

2、加载预训练模型和分词器 ‌

from transformers import BertForSequenceClassification, BertTokenizer
model_name = 'Qwen/Qwen3-8B'model = BertForSequenceClassification.from_pretrained(model_name)tokenizer = BertTokenizer.from_pretrained(model_name)

3、构建API服务

from fastapi import FastAPI, HTTPExceptionfrom pydantic import BaseModelimport torch
app = FastAPI()
class TextIn(BaseModel):	text: str
@app.post("/predict")async def predict(text_in: TextIn):try:# 对输入文本进行编码		inputs = tokenizer(text_in.text, return_tensors="pt", padding=True, truncation=True, max_length=512)# 使用模型进行预测with torch.no_grad():			outputs = model(**inputs)# 获取预测结果		predictions = torch.nn.functional.softmax(outputs.logits, dim=-1)		predicted_class = predictions.argmax().item()return {'predicted_class': predicted_class, 'probabilities': predictions.tolist()[0]}except Exception as e:raise HTTPException(status_code=500, detail=str(e))

4、运行运行API服务‌

uvicorn app:app --reload --host 0.0.0.0 --port 8000

2. ModelScope

2‌.1 部署方法‌

● 登录阿里云 PAI 控制台，在「模型在线服务（EAS）」中选择 ModelScope 模型进行场景化部署。

● 只需配置模型、版本与实例规格等参数即可完成部署。

● 也支持本地容器化部署，通过 Docker 拉取镜像并启动服务。

2‌.2 适用情况‌

● 适用于金融风控、内容审核、智能推荐等需要快速迭代与多模型共存的业务场景。

● 适合于阿里云生态内的用户，能够无缝对接阿里云的其他服务。‌

2.3 优缺点‌

●‌ 优点‌：端到端的一站式体验，便于快速构建 MLOps 流水线。

●‌ 缺点‌：主要关注深度学习模型，可能不适用于非深度学习模型或特定的深度学习架构；学●习曲线较陡峭；文档和社区支持相对较少。

3. vLLM

3.1 部署方法‌

● 通过 pip 安装 vLLM，支持 CUDA 12.1 及更高版本。

● 可以从 Hugging Face 加载模型，也可以指定本地模型路径启动服务。

● 支持多 GPU 分布式部署，通过调整参数实现高效的并行推理。

3‌.2 适用情况‌

● 适用于需要高效推理大模型的场景，尤其是 GPU 资源有限的场景。

● 适合于需要跨多个设备进行推理任务并行执行的分布式部署。

3.3 优缺点‌

●‌ 优点‌：优化了内存使用，高效的并行化，适用于推理优化。

●‌ 缺点‌：功能较为单一，主要针对推理，缺少一些训练相关的优化；社区和生态相对较小。

☑ 案例

1、安装vLLM

pip install vllm

或者源码安装

git clone https://github.com/vllm-project/vllm.gitcd vllmpip install -e .

2、加载运行模型

从 Hugging Face 加载模型‌

vllm serve Qwen/Qwen2-7B-Instruct

加载本地模型

vllm serve /path/to/local/model

3、启动方式

单卡启动

llm serve deepseek-ai/DeepSeek-V3-0324 --port 8000

多卡启动

vllm serve deepseek-ai/DeepSeek-V3-0324 --tensor-parallel-size 4

4. Llama.cpp

‌4.1 部署方法‌

● 克隆 Llama.cpp 代码库并编译生成可执行文件。

● 准备支持的模型格式（如 PyTorch 的 .pth、Hugging Face 的 .safetensors 等），并下载至指定目录。

● 使用 Llama.cpp 提供的工具将模型转换为 GGUF 格式，并进行量化以优化推理速度。
启动服务化组件，对外提供模型的 API。‌

4.2 适用情况‌

● 适用于需要优化推理性能的场景，尤其是资源受限的环境。

● 适合于对模型进行量化以减少显存占用和加速推理的需求。

4‌.3 优缺点‌

●‌ 优点‌：使用 C 语言实现，性能提升明显；提供模型量化工具，优化推理速度。

●‌ 缺点‌：可能对于某些特定模型或格式的支持不够完善；需要一定的编译和配置工作。

☑ 案例

1、下载代码

git clone https://github.com/ggerganov/llama.cppcd llama.cpp

2、编译

cmake -B build -DGGML_CUDA=ON -DGGML_CUDA_ENABLE_UNIFIED_MEMORY=1cmake --build build --config Release -j 8

3、下载模型和格式转换

从 Hugging Face 或其他模型库下载所需的 LLM 模型，通常是以 .pth（PyTorch 格式）或 .safetensors 格式存在

转换为 GGUF 格式‌

python convert.py ./models/your-model-path --vocabtype spm

4、部署模型

./llama-server -m ./models/your-model-q8.gguf --port 8080

5. Ollama

5.1 部署方法‌

● 安装 Ollama，并配置环境变量以指定模型存储路径。

● 通过命令行执行指令下载并运行模型。

● 支持 Docker 部署，结合 Streamlit/Gradio 快速构建 Web UI。

5.2 适用情况‌

● 适用于边测边迭代或资源受限环境下的快速试验。

● 适合于需要完全本地化部署，确保数据隐私性的场景。‌

5.3 优缺点‌

●‌优点‌：完全本地化，无须云端依赖；Docker 支持，便于快速构建 Web UI。

●‌缺点‌：可能对于某些高级功能或复杂场景的支持不够完善；社区和文档资源相对较少。

☑ 案例

安装ollama

curl -fsSL https://ollama.com/install.sh | sh

下载和运行模型

ollama run qwen3

6. TGI

6‌.1 部署方法‌

● 准备训练好的模型，并保存为指定格式（如 .h5）。

● 编写 TGI 配置文件，定义模型的输入输出和部署参数。

● 使用 TGI 框架提供的命令行工具部署模型，启动模型服务。

● 创建 API 服务（如使用 FastAPI），使模型可以被外部应用程序访问。‌

6.2 适用情况‌

● 适用于需要高效部署和推理自定义模型的场景。

● 适合于需要构建可扩展的 AI 模型服务的项目。‌

6.3 优缺点‌

●‌ 优点‌：提供了统一的部署框架和 API 服务构建工具，便于快速部署和推理自定义模型。

●‌ 缺点‌：可能对于某些特定模型或格式的支持不够完善；需要一定的配置和编码工作。

☑ 案例

1、安装TGI需要的环境

sudo apt-get install libssl-dev gcc -ycurl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | shPROTOC_ZIP=protoc-21.12-linux-x86_64.zipcurl -OL https://github.com/protocolbuffers/protobuf/releases/download/v21.12/$PROTOC_ZIPsudo unzip -o $PROTOC_ZIP -d /usr/local bin/protocsudo unzip -o $PROTOC_ZIP -d /usr/local 'include/*'rm -f $PROTOC_ZIP

2、克隆 TGI 仓库

git clone https://github.com/huggingface/text-generation-inference.gitcd text-generation-inference

3、编译和安装 TGI‌：

conda activate llm-plus  # 激活一个虚拟环境（可选）BUILD_EXTENSIONS=True make install -j

4、下载和部署模型

从 Hugging Face 或其他模型库下载所需的大模型，确保模型格式与 TGI 兼容。

使用 TGI 提供的命令行工具启动模型服务

text-generation-launcher --model-id /path/to/your/model --trust-remote-code --port 4000

以上就是这6种大模型的详细部署方式，你可以根据项目需求、硬件条件等因素进行选择。

番外：AI模型部署工具有哪些？

主流模型部署工具按场景分类如下：‌‌

‌个人/本地轻量部署（易用优先）‌：‌Ollama‌（跨平台、一键运行）、‌LM Studio‌（图形界面、Windows/macOS）、‌llama.cpp‌（CPU/低功耗设备、支持GGUF量化）

‌企业级高并发推理（性能优先）‌：‌vLLM‌（PagedAttention、高吞吐）、‌TensorRT-LLM‌（NVIDIA GPU极致优化）、‌Text Generation Inference (TGI)‌（Hugging Face生态、生产就绪）

‌跨平台/边缘/移动端‌：‌MLC LL‌M（iOS/Android/WebGPU）、‌OpenVINO‌（Intel硬件）、‌ONNX Runtime‌（多框架/硬件通用）

‌开发/自托管API兼容‌：‌LocalAI‌（OpenAI API兼容）、‌text-generation-webui‌（功能丰富、支持插件）、‌BentoML‌（打包部署至Docker/K8s）

‌云原生/MLOps平台‌：‌Kubeflow‌（Kubernetes上工作流）、‌Ray Serve‌（动态伸缩微服务）、‌Seldon Core‌（多模型路由） ‌‌

选择时优先考虑：‌硬件（CPU/GPU/内存）‌、‌并发需求‌、‌是否需OpenAI API兼容‌、‌团队技术栈‌。Ollama和LM Studio适合入门；vLLM/TGI适合生产；llama.cpp适合无GPU环境；TensorRT-LLM专攻NVIDIA高性能场景。‌‌

✔ 参考资料 ✔

告别难题！这4个大模型部署工具，轻松完成AI本地部署！

AI应用搭建平台的部署方式有哪些选择？