Docker+vLLM内网离线部署Qwen3教程，大模型入门到精通，收藏这篇就足够了！

vllm的优势

环境隔离：Docker通过容器隔离技术为VLLM提供独立的运行环境，避免系统库版本冲突和依赖错误问题。
便捷的跨平台迁移：使用Docker部署的VLLM容器可以轻松迁移到不同的服务器、数据中心或云平台上，大大降低了环境搭建和维护的成本。
轻松扩展：借助容器化，VLLM可以轻松进行水平扩展，通过在多节点上运行多个容器实例实现高并发的推理服务。
统一管理：容器化部署后，可以使用Docker Compose、Kubernetes等容器编排工具进行自动化管理，包括负载均衡、故障转移等操作，极大地简化了多实例部署的管理难度。

二、环境准备

Nvidia显卡驱动、CUDA、nvidia-container安装
Docker环境安装

注意：在进行VLLM容器化部署之前，需要确保已在服务器上安装了Docker 和 Nvidia显卡驱动、CUDA、nvidia-container。

三、vllm内网离线部署Qwen3-32B

系统环境：

操作系统：Ubuntu22.04
Docker：28.0.4
Docker-Compose：v2.34.0
显卡驱动：550.144.03
CUDA：12.4
显卡：NVIDIA RTX A5000 * 4

01 拉取vllm/vllm-openai镜像

vllm官方地址：https://github.com/vllm-project/vllm.git

在能联网的机器上拉取vllm/vllm-openai镜像，然后导出镜像，再导入到内网的服务器上，我导入的目录是 /data （根据个人习惯导入对应的目录即可），对应的操作命令如下：

# 1. docker拉取vllm/vllm-openai镜像， 20G 需要等一会。
docker pull vllm/vllm-openai:latest

# 2. 导出镜像为本地文件
docker save -o /data/vllm-openai.tar vllm/vllm-openai:latest

# 3. 将导出的镜像文件复制到内网服务器（例如使用scp）
# scp /data/vllm-openai.tar user@内网服务器IP:/data/

# 4. 在内网服务器上导入镜像
docker load -i /data/vllm-openai.tar

到这一步vllm/vllm-openai镜像就安装成功了。

02 下载Qwen/Qwen3-32B模型文件

常用模型下载地址：

Hugging Face Hub：全球最大的开源模型和数据集托管平台，提供大量 GGUF 格式等多种类型的大模型下载。网址为https://huggingface.co/，国内镜像为https://hf-mirror.com/，访问镜像网站速度更快。
ModelScope 魔搭社区：由阿里云开源的大模型社区，支持 GGUF 格式模型的下载和在线推理。网址是https://www.modelscope.cn/models，可通过 SDK 或 git 进行下载。
GitCode：全新上线了国产模型专区，是国产大模型的汇聚地，为开发者提供便捷获取各类优质模型的途径，网址为https://gitcode.net/。

我是在魔塔社区下载的模型源文件：
下载命令：魔塔社区提供多种下载方式，我是用git下载的：

#Git下载
git lfs install
git clone https://www.modelscope.cn/qwen/Qwen3-32B.git

先在联网的电脑上把模型下载到本地，然后复制模型文件到内网的服务器的/data/目录中。

03 vllm内网部署Qwen/Qwen3-32B

直接运行下面命令即可将Qwen/Qwen3-32B模型运行起来，注意模型文件的路径需要换成自己的，模型的参数根据自己的显卡情况进行调参。

docker run -d --privileged --gpus all \
  --restart unless-stopped \
  --network host \
  -v /data/Qwen3-32B:/app/model \
  --shm-size 32G \
  --name vllm-qwen3 \
  vllm/vllm-openai:latest \
  --model /app/model \
  --served-model-name qwen3:32b \
  --dtype half \
  --kv-cache-dtype=fp8_e4m3 \
  --calculate-kv-scales \
  --port 8008 \
  --tensor-parallel-size 4 \
  --trust-remote-code \
  --max-model-len 32000 \
  --max-num-batched-tokens 64000 \
  --max-num-seqs 4 \
  --gpu-memory-utilization 0.95 \
  --api-key OPENWEBUl123 \
  --reasoning-parser deepseek_r1

运行成功后，查看容器日志（我这里用的是8008端口，APIKey用的是OPENWEBUl123，需要换成自己的）：

docker logs -f vllm-qwen3

看见下面日志，则模型启动成功：

Uvicorn running on http://0.0.0.0:8008 (Press CTRL+C to quit)

docker run 命令中关于 vLLM 部署的各个参数：

容器运行参数：

-d：让容器在后台运行，也就是以守护进程模式启动。
--privileged：赋予容器近乎宿主机的 root 权限，这样容器才能访问特殊设备，比如 GPU。
--gpus all：使容器能够使用宿主机上的所有 GPU 资源。
--restart unless-stopped：设定容器的重启策略，除非手动停止，否则容器会在各种情况下自动重启。
--network host：容器会直接使用宿主机的网络栈，这样容器内的服务可以通过宿主机的 IP 地址直接访问。
-v /data/Qwen3-32B:/app/model：将宿主机的/data/Qwen3-32B目录挂载到容器内的/app/model目录，方便容器读取模型文件。
--shm-size 32G：把容器的共享内存大小增加到 32GB，这对多进程间的高效通信很有帮助。
--name vllm-qwen3：给运行的容器命名为vllm-qwen3，便于后续的管理和操作。

vLLM 服务参数：

--model /app/model：指定容器内模型文件所在的路径，也就是之前挂载的目录。
--served-model-name qwen3:32b：设置对外提供服务时模型的名称。
--dtype half：将模型参数的数据类型设置为半精度浮点数（FP16），以此来减少内存占用。
--kv-cache-dtype=fp8_e4m3：使用 E4M3 格式的 FP8 数据类型来存储键值缓存，进一步优化内存使用。
--calculate-kv-scales：开启对键值缓存动态缩放因子的计算，有助于提升量化的精度。
--port 8008：设置服务监听的端口为 8008。
--tensor-parallel-size 4：将模型在 4 个 GPU 上进行张量并行处理，加快推理的速度。
--trust-remote-code：允许执行模型附带的自定义代码，使用时需要注意安全问题。
--max-model-len 32000：把模型支持的最大输入长度限制为16000 个 token。
--max-num-batched-tokens 64000：设置批处理时允许的最大 token 数量为 32000，这影响着吞吐量。
--max-num-seqs 8：限制同时处理的最大序列数为 8。
--gpu-memory-utilization 0.95：将 GPU 内存的使用率上限设置为 95%，防止出现内存溢出的情况。
--api-key OPENWEBUl123：设置 API 访问的密钥为OPENWEBUl123，用于身份验证。
--enable-reasoning：开启推理功能，这可能涉及到多轮对话或者复杂问题的解决。
--reasoning-parser deepseek_r1：指定使用 DeepSeek-R1 模型的推理解析器，用于处理特定格式的推理任务。

API调用示例：

vLLM 提供实现了 OpenAI Completions API, Chat API 等接口的 HTTP 调用服务，调用服务时，可使用官方 OpenAI Python 客户端或任意 HTTP 客户端：

from openai import OpenAI

client = OpenAI(
    api_key="OPENWEBUl123", # 替换为启动服务时设置的api-key
    base_url="http://localhost:8008/v1"
)

response = client.chat.completions.create(
    model="qwen3:32b", # 替换为启动服务时设置的served-model-name
    messages=[
        {"role": "user", "content": "你好，请介绍一下你自己。"}
    ],
    max_tokens=100
)

print(response.choices[0].message.content)

提示：
vLLM支持部分OpenAI未包含的参数（如top_k），可通过在请求的extra_body参数中传递，例如：extra_body={"top_k": 50}。

重要信息:
默认情况下，服务器会加载 Hugging Face 模型仓库中的generation_config.json文件（若存在）。这意味着某些采样参数的默认值可能被模型创建者推荐的配置覆盖。如需禁用此行为，请在启动服务时添加--generation-config vllm参数。

作者：Jeebiz 创建时间：2025-12-13 14:09
最后编辑：Jeebiz 更新时间：2025-12-13 14:09

vLLM dd