推荐语
Docker+vLLM内网离线部署Qwen3教程，手把手教你实现高效稳定的AI模型部署。核心内容： 1. Docker部署vLLM的四大优势：环境隔离、跨平台迁移、轻松扩展和统一管理 2. 详细的环境准备步骤，包括Nvidia显卡驱动、CUDA和Docker的安装 3. 内网离线部署Qwen3-32B的具体操作流程和注意事项
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
特别声明：该文章出于传递知识而非盈利之目的，同时并不代表赞成其观点或证实其描述，内容仅供参考。1. 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。
2. 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。
3. 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。
4. 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。
Nvidia显卡驱动、CUDA、nvidia-container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。
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：
docker pull vllm/vllm-openaidocker save -o vllm-openai-image.tar vllm/vllm-openai:latestcd /datadocker load < vllm-openai-image.tardocker images
到这一步vllm/vllm-openai镜像就安装成功了。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/。下载命令：魔塔社区提供多种下载方式，我是用git下载的：
git lfs installgit 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，如下：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
docker run -d --privileged --gpus all \--restart unless-stopped --network host \-v /data/DeepSeek-R1-Distill-Qwen-32B:/app/model \--shm-size 32G \--name vllm-deepseek vllm/vllm-openai:latest \--model /app/model \--served-model-name vllm-qwen3 \--dtype half \--kv-cache-dtype=fp8_e4m3 \--calculate-kv-scales \--port 8006 \--tensor-parallel-size 4 \--trust-remote-code \--max-model-len 16000 \--max-num-batched-tokens 32000 \--max-num-seqs 8 \--gpu-memory-utilization 0.85 \--api-key OPENWEBUl123 \--enable-reasoning \--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
docker run 命令中关于 vLLM 部署的各个参数：
容器运行参数：
1.-d：让容器在后台运行，也就是以守护进程模式启动。
2.--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。
3.--gpus all：使容器能够使用宿主机上的所有 GPU 资源。
4.--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。
5.--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。
6.-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。
7.--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。
8.--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：
9.--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。
10.--served-model-name qwen3:32b：设置对外提供服务时模型的名称。
11.--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。
12.--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。
13.--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。
14.--port 8008：设置服务监听的端口为 8008。
15.--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。
16.--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。
17.--max-model-len 32000：把模型支持的最大输入长度限制为16000 个 token。
18.--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。
19.--max-num-seqs 8：限制同时处理的最大序列数为 8。
20.--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。
21.--api-key OPENWEBUl123：设置 API 访问的密钥为OPENWEBUl123，用于身份验证。
22.--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。
23.--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。
1. 推理性能优化
--swap-space 20 --gpu-memory-utilization 0.9 --max-num-batched-tokens 64000 --max-num-seqs 16 --continuous-batching --quantization awq --quantization int8
--model-cache /cache/models --download-dir /data/models --load-format pt --load-format safetensors
--host 0.0.0.0 --workers 2 --timeout 300 --cors-allow-origins "*" --api-version 2
# 日志配置--log-level info # 日志级别：debug, info, warning, error--log-file /var/log/vllm.log # 日志输出文件# 性能监控--trace # 启用性能追踪--trace-output /data/trace.json # 输出追踪结果
--disable-logits-warper --rope-scaling linear --rope-factor 2.0 --pipeline-parallel-size 2
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 OpenAIclient = OpenAI( base_url="http://ip:8008/v1", api_key="OPENWEBUl123",)completion = client.chat.completions.create( model="qwen3:32b", messages=[ {"role": "user", "content": "你是谁？"} ])print(completion.choices[0].message)
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。
欢迎读者朋友互动交流，我们提供专业的AI大模型应用开发和私有化部署，主要产品：DeepSeek私有化部署+RAG知识库+专业领域场景训练模型+AI智能体+AI助手+智能客服解决方案，包含企业级应用开发和其他场景的定制化开发，欢迎咨询。
粤ICP备14082021号
免费POC，
零成本试错
