拿个 32B 开源想跟现在行业龙头 gpt 4o 比,你要给用户提供什么服务? 这种聊天机器人满大街都是

@qiniu2025 #1 自用，离线环境部署只能选 32B

8x4090 跑 ollama ，不如借给我用（）（感兴趣可以联系 cXRiYm9zajVzQG1vem1haWwuY29t ，我可以帮你配置环境）

我个人的推荐是 lmdeploy + Qwen2.5 72B awq int8 ，响应速度很快，支持多卡，在 4xV100 上实跑 72B gptq int4 比 vllm 好用

vllm 文档是有量化实验特性支持的，可以试试好不好用： https://docs.vllm.ai/en/latest/quantization/auto_awq.html

8x24GB 为什么不上 72B ，是要考虑多用户使用的情况吗。

@Leon6868 #3 离线环境无法远程:）
感谢提供 LMdeploy (┌·ω·)┌

@mmjy #4 好的，好像确实可以，就是配置麻烦，我对比一下

@GPLer #5 用户数在 0-10 左右，不过确实可以上 72B ，我考虑下量化（服务器可能被用于跑其他深度学习，不好说）

@Livid #6 等多来几台服务器试试集群（），目前环境较为封闭，可用设备只有一台 8x4090

lmdeploy≈sglang>vllm ，个人偏好是这样

可以试下 sglang

1. 为什么单张可用 60%？ 把其他任务都集中到 4 张显卡上，剩余 4 张用于跑 72b-awq 。多卡不建议超过 4 张，因为通信成本。
2. vllm 支持量化模型的。生产上用的最多的就是 vllm ，然后是 sglang （但是个人体感 sglang 比 vllm 稳定一些，因为版本都在不断迭代，所以仅是时效性的使用感受）。ollama 基于 llama.cpp ，这个项目最初就是用于在资源有限环境把模型 offload 到内存里跑起来的，一般就是个人玩具使用。
3. 喜欢一键的话，可以试一下 xinference ，有 docker 镜像，挺好用。
4. web 方案其实是各种 web client + openai style api ，各个推理引擎以 openai style api 将接口提供出来，兼容各类应用。

用 32B Q8 远不如 72B Q4 。参数量带来的提升远大于提升精度

Ollama 是 llama.cpp 的一个前端。

llama.cpp 支持多 GPU ，但不支持张量并行，单一并发同时只有一张卡在跑，多还有通信的开销，所以会比单卡还慢（前提是单卡的显存足够放模型）。

vLLM 支持在多卡上推理量化模型。

4-bit 的 Qwen2.5 72B 应该比未量化的 Qwen2.5 32B 要好。

Qwen2.5 可以试试用同系列的小参数量模型做推测解码（ Speculative decoding ），应该会快不少。

我 8 张 3080 的跑 qwen2.5:72b-instruct-q8_0 都没问题呀

@DreamingCTW #16 我用的就是 ollama+open_webui 的方案

学习了几个月下来，ray server 或者 kuberay 蚂蚁字节都在用，万卡级别部署

可以试一下： https://github.com/xorbitsai/inference

目前多卡用的 ollama+open_webui 的方案（以前用的 lobe-chat ，现在替换成了 open_webui ）。
使用的 ollama.com 提供的量化后的 qwen2.5 72b q4km ，针对常规的提示词工程的任务，对比询问了同样的问题，72b 相比于单卡就能带动的 qwen2.5 32b q4km 有明显的效果提升。不过多卡明显感觉有特别高的通信成本，远没有单卡响应速度快（显卡是几年前的，实际使用的 PCIe3 ）。
之前常用 qwen2.5 32b q4km ，最近几天切换成了 qwen 的 qwq:32b q4km 模型，感觉推理能力有稍微加强。（以上体验都是主观评价，没跑过 benchmark ，仅作参考）
建议：
1. 试试 qwen2.5 72b q4km ，内存占用大概 59GB ，体验提升明显，可能比精度带来的提升来的更快更直接
2. 如果 8 张 4090 资源只能分出来一小部分使用，试试 qwq:32b
3. 你这 8 张都能用上的话，可以试试 deepseek-v2.5:236b
4. 如果本地化部署不是任务的必要条件，那么 chatgpt/claude 仍然是目前的最优解, 4o 免费的目前已经有自我反思能力,能够回答问题过程中发现错误打断自己重新回答，而这些我是在其他模型中没有体验到的

@Azure99 #11
@Fanhz #12
感谢推荐 sglang ！

@mythabc #13
1. 感谢建议，会着手解决
2. ollama 感觉确实是玩具 hh
3. 感谢推荐，我去了解一下
4. 确实，感觉现成的 open_webui 就行，兼容 openai api

@kenvix #14 多谢！这就去上 72B

@oldfans #15
ollama 确实不适合多卡。

目前方案是 LMdeploy ，比 vllm 好

我去用 72B 了哈哈

还是大参数量好，充分利用 gpu

@DreamingCTW #17 ollama 多卡不太行吧

@woscaizi #19 好的，感谢推荐！

@Les1ie #20
1. q4km 量化多卡不太合适，目前尝试 72B awq 量化+LMdeploy ，参数级提升应该大于精度提升
2. 我协调一下显卡使用，应该能合理分配，毕竟多卡通信存在速度损失
3. qwen2.5 优于 deepseek 吧
4. 本地部署必要，100%无法联网，4o 还是太成熟了

@wantstark #18 我是一台机器多卡，暂时没有分布式条件，可能没有表述清楚

礼貌请问 OP 内存（ RAM ）多大，学习下。

@liu731 显卡内存 8x24g ，正文写了的

@fid #25 还行吧，还得看你硬件的融合方案

一样的配置 近似版本的系统
32B 对我来说 也几乎没办法使用 内网下还是太弱
楼主 72B 部署成功的话 记得反馈一下方案 和实际效果 我就对照着部署一下

的直接用 ExLlama2 呀, 量化有 2/3/4/5/6/8 bit, 支援多卡, 自或手整 VRAM 分配, 用 text-generation-webui, 生境用 TabbyAPI 即可有 OpenAI compatible API, Concurrent inference with asyncio 能同理多求增加吞吐量。

我就在用配 3090 跑 Qwen2.5 32B 8bit 量化, 32K context window 全也足了, 8 4090 能直接跑 72B 不量化吧, 但 PCIe 有。

一提, 我用 4090 已能跑 Qwen2.5 72B 的 ExLlamav2 量化程式(convert), 4/5/6bits 等等模型在本地便生成, Huggingface 上也有很多已量化好的 exl2 模型

@lixile #32 8 卡同时跑大概每张卡占用 20-30%，占用率还是非常低的，使用的是 awq int4 ，使用体验很顺滑

@kennylam777 #33 目前方案是 8x4090+Qwen2.5-72B-Instruct-AWQ+lmdeploy ，体验良好，占用低

@kennylam777
@lixile
可以查看最新 append

@mythabc 4 卡应该不太够用，可以看看最新 append

@Les1ie @mythabc @Leon6868 当前配置还有必要优化吗