vLLM Quickstart: Servicio de LLM de Alto Rendimiento

vLLM es un motor de inferencia y servicio de alto rendimiento y eficiente en memoria para Modelos de Lenguaje Grande (LLMs) desarrollado por el Laboratorio de Cómputo en la Nube de la Universidad de California en Berkeley.

Con su algoritmo revolucionario PagedAttention, vLLM logra un rendimiento 14-24 veces mayor que los métodos tradicionales de servidores, convirtiéndose en la opción preferida para despliegues de LLM en producción.

¿Qué es vLLM?

vLLM (virtual LLM) es una biblioteca de código abierto para la inferencia y el servicio rápido de LLM que rápidamente se ha convertido en el estándar de la industria para despliegues en producción. Lanzado en 2023, introdujo PagedAttention, una técnica innovadora de gestión de memoria que mejora significativamente la eficiencia del servicio.

Características clave

Alto rendimiento: vLLM entrega un rendimiento 14-24 veces mayor en comparación con HuggingFace Transformers con el mismo hardware. Este gran aumento de rendimiento proviene del empaquetamiento continuo, núcleos optimizados de CUDA y el algoritmo PagedAttention que elimina la fragmentación de la memoria.

Compatibilidad con la API de OpenAI: vLLM incluye un servidor de API integrado que es completamente compatible con el formato de OpenAI. Esto permite una migración sin problemas de OpenAI a infraestructura autohospedada sin cambiar el código de la aplicación. Simplemente apunte su cliente de API a la dirección de vLLM y funciona de forma transparente.

Algoritmo PagedAttention: La innovación central detrás del rendimiento de vLLM es PagedAttention, que aplica el concepto de paginación de memoria virtual a los mecanismos de atención. En lugar de asignar bloques de memoria contiguos para los cachés KV (lo que lleva a la fragmentación), PagedAttention divide la memoria en bloques de tamaño fijo que pueden asignarse según sea necesario. Esto reduce el desperdicio de memoria hasta 4 veces y permite tamaños de lote mucho más grandes.

Empaquetamiento continuo: A diferencia del empaquetamiento estático donde debes esperar a que todas las secuencias se completen, vLLM utiliza empaquetamiento continuo (roling). Tan pronto como una secuencia finaliza, se puede agregar una nueva a la cola. Esto maximiza la utilización de la GPU y minimiza la latencia para las solicitudes entrantes.

Soporte multi-GPU: vLLM admite paralelismo tensorial y paralelismo de canalización para distribuir modelos grandes en múltiples GPUs. Puede servir eficientemente modelos que no caben en la memoria de una sola GPU, admitiendo configuraciones desde 2 hasta 8+ GPUs.

Amplio soporte para modelos: Compatible con arquitecturas de modelos populares, incluyendo LLaMA, Mistral, Mixtral, Qwen, Phi, Gemma y muchas otras. Admite tanto modelos ajustados a instrucciones como modelos base de HuggingFace Hub.

Cuándo usar vLLM

vLLM destaca en escenarios específicos donde sus fortalezas brillan:

Servicios de API de producción: Cuando necesitas servir un LLM a muchos usuarios concurrentes a través de API, el alto rendimiento y el empaquetamiento eficiente de vLLM lo convierten en la mejor opción. Las empresas que operan chatbots, asistentes de código o servicios de generación de contenido se benefician de su capacidad para manejar cientos de solicitudes por segundo.

Cargas de trabajo de alta concurrencia: Si tu aplicación tiene muchos usuarios simultáneos haciendo solicitudes, el empaquetamiento continuo y PagedAttention de vLLM permiten servir a más usuarios con el mismo hardware en comparación con alternativas.

Optimización de costos: Cuando los costos de GPU son una preocupación, el excelente rendimiento de vLLM significa que puedes servir el mismo tráfico con menos GPUs, reduciendo directamente los costos de infraestructura. La eficiencia de memoria de 4 veces de PagedAttention también permite usar instancias de GPU más pequeñas y económicas.

Despliegues en Kubernetes: El diseño sin estado y la arquitectura amigable con contenedores de vLLM lo hacen ideal para clústeres de Kubernetes. Su rendimiento consistente bajo carga y gestión sencilla de recursos se integran bien con la infraestructura nativa de la nube.

Cuándo no usar vLLM: Para desarrollo local, experimentación o escenarios de un solo usuario, herramientas como Ollama ofrecen una mejor experiencia del usuario con un configuración más sencilla. La complejidad de vLLM está justificada cuando necesitas sus ventajas de rendimiento para cargas de trabajo de producción.

Cómo instalar vLLM

Requisitos previos

Antes de instalar vLLM, asegúrate de que tu sistema cumpla con estos requisitos:

• GPU: GPU NVIDIA con capacidad de cálculo 7.0+ (V100, T4, A10, A100, H100, RTX 20/30/40 series)
• CUDA: Versión 11.8 o superior
• Python: 3.8 a 3.11
• VRAM: Mínimo 16 GB para modelos de 7B, 24 GB+ para 13B, 40 GB+ para modelos más grandes
• Controlador: Controlador NVIDIA 450.80.02 o más reciente

Instalación con pip

El método de instalación más sencillo es usando pip. Esto funciona en sistemas con CUDA 11.8 o más reciente:

# Crear un entorno virtual (recomendado)
python3 -m venv vllm-env
source vllm-env/bin/activate

# Instalar vLLM
pip install vllm

# Verificar la instalación
python -c "import vllm; print(vllm.__version__)"

Para sistemas con versiones de CUDA diferentes, instale la rueda adecuada:

# Para CUDA 12.1
pip install vllm==0.4.2+cu121 -f https://github.com/vllm-project/vllm/releases

# Para CUDA 11.8
pip install vllm==0.4.2+cu118 -f https://github.com/vllm-project/vllm/releases

Instalación con Docker

Docker proporciona el método de despliegue más confiable, especialmente para producción:

# Descargar la imagen oficial de vLLM
docker pull vllm/vllm-openai:latest

# Ejecutar vLLM con soporte de GPU
docker run --runtime nvidia --gpus all \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    -p 8000:8000 \
    --ipc=host \
    vllm/vllm-openai:latest \
    --model mistralai/Mistral-7B-Instruct-v0.2

La bandera --ipc=host es importante para configuraciones de multi-GPU ya que permite la comunicación interprocesamiento adecuada.

Compilación desde la fuente

Para las características más recientes o modificaciones personalizadas, compila desde la fuente:

git clone https://github.com/vllm-project/vllm.git
cd vllm
pip install -e .

Guía de inicio rápido de vLLM

Ejecutando tu primer modelo

Inicia vLLM con un modelo usando la interfaz de línea de comandos:

# Descargar y servir Mistral-7B con API compatible con OpenAI
python -m vllm.entrypoints.openai.api_server \
    --model mistralai/Mistral-7B-Instruct-v0.2 \
    --port 8000

vLLM descargará automáticamente el modelo desde HuggingFace Hub (si no está en caché) y iniciará el servidor. Verás una salida indicando que el servidor está listo:

INFO:     Started server process [12345]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8000

Haciendo solicitudes de API

Una vez que el servidor esté en ejecución, puedes hacer solicitudes usando el cliente de Python de OpenAI o curl:

Usando curl:

curl http://localhost:8000/v1/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "mistralai/Mistral-7B-Instruct-v0.2",
        "prompt": "Explica qué es vLLM en una oración:",
        "max_tokens": 100,
        "temperature": 0.7
    }'

Usando el cliente de Python de OpenAI:

from openai import OpenAI

# Puntero a tu servidor vLLM
cliente = OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="no-necesario"  # vLLM no requiere autenticación por defecto
)

respuesta = cliente.completions.create(
    model="mistralai/Mistral-7B-Instruct-v0.2",
    prompt="Explica qué es vLLM en una oración:",
    max_tokens=100,
    temperature=0.7
)

print(respuesta.choices[0].text)

API de completions de chat:

respuesta = cliente.chat.completions.create(
    model="mistralai/Mistral-7B-Instruct-v0.2",
    messages=[
        {"role": "system", "content": "Eres un asistente útil."},
        {"role": "user", "content": "¿Qué es PagedAttention?"}
    ],
    max_tokens=200
)

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

Configuración avanzada

vLLM ofrece muchos parámetros para optimizar el rendimiento:

python -m vllm.entrypoints.openai.api_server \
    --model mistralai/Mistral-7B-Instruct-v0.2 \
    --port 8000 \
    --gpu-memory-utilization 0.95 \  # Usar el 95% de la memoria de la GPU
    --max-model-len 8192 \            # Longitud máxima de secuencia
    --tensor-parallel-size 2 \        # Usar 2 GPUs con paralelismo tensorial
    --dtype float16 \                 # Usar precisión FP16
    --max-num-seqs 256                # Tamaño máximo del lote

Explicación de parámetros clave:

• --gpu-memory-utilization: Cuánta memoria de la GPU usar (0.90 = 90%). Valores más altos permiten lotes más grandes pero dejan menos margen para picos de memoria.
• --max-model-len: Longitud máxima de contexto. Reducir esto ahorra memoria para lotes más grandes.
• --tensor-parallel-size: Número de GPUs para dividir el modelo.
• --dtype: Tipo de datos para los pesos (float16, bfloat16 o float32). FP16 suele ser óptimo.
• --max-num-seqs: Número máximo de secuencias para procesar en un lote.

Comparación entre vLLM y Ollama

Tanto vLLM como Ollama son opciones populares para el alojamiento local de LLM, pero se centran en casos de uso diferentes. Entender cuándo usar cada herramienta puede tener un impacto significativo en el éxito de tu proyecto.

Rendimiento y throughput

vLLM está diseñado para el máximo throughput en escenarios de múltiples usuarios. Su PagedAttention y empaquetamiento continuo permiten servir eficientemente cientos de solicitudes concurrentes. Los benchmarks muestran que vLLM alcanza un throughput 14-24 veces mayor que las implementaciones estándar y 2-4 veces mayor que Ollama bajo alta concurrencia.

Ollama optimiza para uso interactivo de un solo usuario con enfoque en baja latencia para solicitudes individuales. Aunque no iguala el throughput de vLLM para múltiples usuarios, proporciona un excelente rendimiento para desarrollo y uso personal con tiempos de inicio más rápidos y menor consumo de recursos en estado inactivo.

Facilidad de uso

Ollama gana claramente en simplicidad. La instalación es un solo comando (curl | sh), y ejecutar modelos es tan simple como ollama run llama2. Incluye una biblioteca de modelos con versiones cuantizadas optimizadas para diferentes perfiles de hardware. La experiencia del usuario se parece a Docker – descarga, ejecuta y listo.

vLLM requiere más configuración: gestión del entorno de Python, instalación de CUDA, comprensión de parámetros de servicio y especificación manual de modelos. La curva de aprendizaje es más empinada, pero obtienes un control fino sobre la optimización del rendimiento. Esta complejidad está justificada para despliegues en producción donde necesitas sacar el máximo rendimiento de tu hardware.

API e integración

vLLM proporciona APIs REST compatibles con OpenAI de forma nativa, convirtiéndolo en una sustitución directa para la API de OpenAI en aplicaciones existentes. Esto es crucial para migrar servicios de producción desde proveedores en la nube a infraestructura autohospedada sin cambios en el código.

Ollama ofrece una API REST más simple y una biblioteca dedicada para Python/JavaScript. Aunque funcional, no es compatible con OpenAI, requiriendo cambios en el código al integrar con aplicaciones que esperan el formato de OpenAI. Sin embargo, proyectos comunitarios como adaptadores Ollama-OpenAI llenan este hueco.

Gestión de memoria

vLLM algoritmo PagedAttention proporciona una eficiencia de memoria superior para solicitudes concurrentes. Puede servir 2-4 veces más usuarios concurrentes con la misma VRAM en comparación con implementaciones básicas. Esto se traduce directamente en ahorro de costos en despliegues de producción.

Ollama usa una gestión de memoria más simple adecuada para escenarios de un solo usuario. Gestiona automáticamente la carga/descarga del modelo según la actividad, lo cual es conveniente para desarrollo pero no óptimo para uso de alta concurrencia en producción.

Soporte multi-GPU

vLLM destaca con paralelismo tensorial nativo y paralelismo de canalización, distribuyendo eficientemente modelos entre 2-8+ GPUs. Esto es esencial para servir modelos grandes como LLMs de 70B parámetros que no caben en la memoria de una sola GPU.

Ollama actualmente tiene un soporte limitado de multi-GPU, funcionando mejor principalmente con una sola GPU. Esto lo hace menos adecuado para modelos muy grandes que requieren inferencia distribuida.

Recomendaciones de caso de uso

Elige vLLM cuando:

• Servir APIs de producción con muchos usuarios concurrentes
• Optimizar el costo por solicitud en despliegues en la nube
• Ejecutar en Kubernetes o plataformas de orquestación de contenedores
• Necesitar compatibilidad con la API de OpenAI para aplicaciones existentes
• Servir modelos grandes que requieren soporte multi-GPU
• El rendimiento y el throughput son requisitos críticos

Elige Ollama cuando:

• Desarrollo local y experimentación
• Uso interactivo de un solo usuario (asistentes personales, chatbots)
• Prototipado rápido y evaluación de modelos
• Aprender sobre LLMs sin complejidad de infraestructura
• Ejecutar en computadoras personales o laptops
• Priorizar simplicidad y facilidad de uso

Muchos equipos usan ambos: Ollama para desarrollo y experimentación, y vLLM para despliegue en producción. Esta combinación proporciona productividad del desarrollador mientras se mantiene el rendimiento en producción.

Comparación entre vLLM y Docker Model Runner

Docker recientemente introdujo Model Runner (anteriormente GenAI Stack) como su solución oficial para el despliegue local de modelos de IA. ¿Cómo se compara con vLLM?

Filosofía de arquitectura

Docker Model Runner busca ser el “Docker para IA” – una forma simple y estandarizada de ejecutar modelos de IA localmente con la misma facilidad que ejecutar contenedores. Abstrae la complejidad y proporciona una interfaz coherente a través de diferentes modelos y marcos.

vLLM es un motor de inferencia especializado enfocado exclusivamente en el servicio de LLM con máximo rendimiento. Es una herramienta de nivel inferior que contenerizas con Docker, en lugar de una plataforma completa.

Configuración y principio de funcionamiento

Docker Model Runner la instalación es sencilla para usuarios de Docker:

docker model pull llama3:8b
docker model run llama3:8b

Esta similitud con el flujo de trabajo de imágenes de Docker hace que sea inmediatamente familiar para desarrolladores ya usando contenedores.

vLLM requiere más configuración inicial (Python, CUDA, dependencias) o usar imágenes de Docker preconstruidas:

docker pull vllm/vllm-openai:latest
docker run --runtime nvidia --gpus all vllm/vllm-openai:latest --model <model-name>

Características de rendimiento

vLLM entrega un throughput superior para escenarios de múltiples usuarios debido a PagedAttention y empaquetamiento continuo. Para servicios de API de producción que manejan cientos de solicitudes por segundo, las optimizaciones de vLLM proporcionan un mejor throughput de 2-5 veces que enfoques generales de servicio.

Docker Model Runner se centra en la facilidad de uso en lugar del máximo rendimiento. Es adecuado para desarrollo local, pruebas y cargas de trabajo moderadas, pero no implementa las optimizaciones avanzadas que hacen destacar a vLLM a gran escala.

Soporte de modelos

Docker Model Runner proporciona una biblioteca de modelos curada con acceso de un solo comando a modelos populares. Soporta múltiples marcos (no solo LLMs) incluyendo Stable Diffusion, Whisper y otros modelos de IA, haciendo que sea más versátil para diferentes cargas de trabajo de IA.

vLLM se especializa en la inferencia de LLM con un soporte profundo para modelos de lenguaje basados en transformadores. Soporta cualquier modelo LLM compatible con HuggingFace pero no se extiende a otros tipos de modelos de IA como generación de imágenes o reconocimiento de voz.

Despliegue en producción

vLLM está probado en producción en empresas como Anthropic, Replicate y muchas otras que sirven miles de millones de tokens diariamente. Sus características de rendimiento y estabilidad bajo carga pesada lo convierten en el estándar de facto para el servicio de LLM en producción.

Docker Model Runner es más nuevo y se posiciona más para escenarios de desarrollo y pruebas locales. Aunque podría servir tráfico de producción, carece del historial comprobado y optimizaciones de rendimiento que requieren los despliegues de producción.

Ecosistema de integración

vLLM se integra con herramientas de infraestructura de producción: operadores de Kubernetes, métricas de Prometheus, Ray para servir distribuido y amplia compatibilidad con la API de OpenAI para aplicaciones existentes.

Docker Model Runner se integra naturalmente con el ecosistema de Docker y Docker Desktop. Para equipos ya estandarizados en Docker, esta integración proporciona una experiencia coherente pero con menos características especializadas de servicio de LLM.

Cuándo usar cada uno

Use vLLM para:

• Servicios de API de LLM en producción
• Despliegues de alto throughput con múltiples usuarios
• Despliegues en la nube con sensibilidad al costo que necesitan máxima eficiencia
• Entornos de Kubernetes y nativos en la nube
• Cuando necesitas escalabilidad y rendimiento probados

Use Docker Model Runner para:

• Desarrollo y pruebas locales
• Ejecutar varios tipos de modelos de IA (no solo LLMs)
• Equipos profundamente invertidos en el ecosistema de Docker
• Experimentación rápida sin configuración de infraestructura
• Propósitos educativos y de aprendizaje

Enfoque híbrido: Muchos equipos desarrollan con Docker Model Runner localmente para conveniencia, luego despliegan con vLLM en producción para rendimiento. Las imágenes de Docker Model Runner también pueden usarse para ejecutar contenedores de vLLM, combinando ambos enfoques.

Mejores prácticas para despliegue en producción

Despliegue con Docker

Crea una configuración de Docker Compose lista para producción:

version: '3.8'

services:
  vllm:
    image: vllm/vllm-openai:latest
    runtime: nvidia
    environment:
      - CUDA_VISIBLE_DEVICES=0,1
    volumes:
      - ~/.cache/huggingface:/root/.cache/huggingface
      - ./logs:/logs
    ports:
      - "8000:8000"
    command: >
      --model mistralai/Mistral-7B-Instruct-v0.2
      --tensor-parallel-size 2
      --gpu-memory-utilization 0.90
      --max-num-seqs 256
      --max-model-len 8192      
    restart: unless-stopped
    shm_size: '16gb'
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 2
              capabilities: [gpu]

Despliegue en Kubernetes

Despliega vLLM en Kubernetes para escala de producción:

apiVersion: apps/v1
kind: Deployment
metadata:
  name: vllm-server
spec:
  replicas: 2
  selector:
    matchLabels:
      app: vllm
  template:
    metadata:
      labels:
        app: vllm
    spec:
      containers:
      - name: vllm
        image: vllm/vllm-openai:latest
        args:
          - --model
          - mistralai/Mistral-7B-Instruct-v0.2
          - --tensor-parallel-size
          - "2"
          - --gpu-memory-utilization
          - "0.90"
        resources:
          limits:
            nvidia.com/gpu: 2
        ports:
        - containerPort: 8000
        volumeMounts:
        - name: cache
          mountPath: /root/.cache/huggingface
      volumes:
      - name: cache
        hostPath:
          path: /mnt/huggingface-cache
---
apiVersion: v1
kind: Service
metadata:
  name: vllm-service
spec:
  selector:
    app: vllm
  ports:
  - port: 80
    targetPort: 8000
  type: LoadBalancer

Monitoreo y observabilidad

vLLM expone métricas de Prometheus para monitoreo:

import requests

# Obtener métricas
metricas = requests.get("http://localhost:8000/metricas").text
print(metricas)

Métricas clave para monitorear:

• vllm:num_requests_running - Solicitudes activas
• vllm:gpu_cache_usage_perc - Uso de caché de GPU
• vllm:time_to_first_token - Métrica de latencia
• vllm:time_per_output_token - Velocidad de generación

Optimización de rendimiento

Optimizar el uso de la memoria de la GPU: Comience con --gpu-memory-utilization 0.90 y ajuste según el comportamiento observado. Valores más altos permiten lotes más grandes pero corren el riesgo de errores OOM durante picos de tráfico.

Ajustar la longitud máxima de secuencia: Si su caso de uso no requiere la longitud completa de contexto, reduzca --max-model-len. Esto libera memoria para lotes más grandes. Por ejemplo, si solo necesita 4K de contexto, establezca --max-model-len 4096 en lugar de usar el máximo del modelo (a menudo 8K-32K).

Elegir cuantización adecuada: Para modelos que lo admitan, use versiones cuantizadas (8-bit, 4-bit) para reducir la memoria y aumentar el throughput:

--quantization awq  # Para modelos cuantizados con AWQ
--quantization gptq # Para modelos cuantizados con GPTQ

Habilitar caché de prefijos: Para aplicaciones con prompts repetidos (como chatbots con mensajes de sistema), habilite el caché de prefijos:

--enable-prefix-caching

Esto almacena los valores KV para prefijos comunes, reduciendo el cálculo para solicitudes que comparten el mismo prefijo de prompt.

Solución de problemas comunes

Errores de memoria insuficiente

Síntomas: El servidor se cae con errores de memoria de CUDA.

Soluciones:

• Reduzca --gpu-memory-utilization a 0.85 o 0.80
• Disminuya --max-model-len si su caso de uso lo permite
• Baje --max-num-seqs para reducir el tamaño del lote
• Use una versión cuantizada del modelo
• Habilite paralelismo tensorial para distribuir en más GPUs

Bajo throughput

Síntomas: El servidor maneja menos solicitudes de lo esperado.

Soluciones:

• Aumente --max-num-seqs para permitir lotes más grandes
• Aumente --gpu-memory-utilization si tiene margen
• Verifique si el CPU es el cuello de botella con htop – considere CPUs más rápidas
• Verifique la utilización de la GPU con nvidia-smi – debería ser del 95%+
• Habilite FP16 si está usando FP32: --dtype float16

Tiempo lento para el primer token

Síntomas: Alta latencia antes de que comience la generación.

Soluciones:

• Use modelos más pequeños para aplicaciones críticas de latencia
• Habilite el caché de prefijos para prompts repetidos
• Reduzca --max-num-seqs para priorizar latencia sobre throughput
• Considere la decodificación especulativa para modelos compatibles
• Optimice la configuración de paralelismo tensorial

Fallos al cargar modelos

Síntomas: El servidor no puede iniciar, no puede cargar el modelo.

Soluciones:

• Verifique que el nombre del modelo coincida exactamente con el formato de HuggingFace
• Verifique la conectividad de red con HuggingFace Hub
• Asegúrese de que haya suficiente espacio en disco en ~/.cache/huggingface
• Para modelos restringidos, establezca la variable de entorno HF_TOKEN
• Intente descargar manualmente con huggingface-cli download <modelo>

Características avanzadas

Decodificación especulativa

vLLM admite decodificación especulativa, donde un modelo más pequeño propone tokens que un modelo objetivo más grande verifica. Esto puede acelerar la generación en un 1.5-2x:

python -m vllm.entrypoints.openai.api_server \
    --model meta-llama/Llama-2-70b-chat-hf \
    --speculative-model meta-llama/Llama-2-7b-chat-hf \
    --num-speculative-tokens 5

Adaptadores LoRA

Sirva múltiples adaptadores LoRA sobre un modelo base sin cargar múltiples modelos completos:

python -m vllm.entrypoints.openai.api_server \
    --model meta-llama/Llama-2-7b-hf \
    --enable-lora \
    --lora-modules sql-lora=./path/to/sql-adapter \
                   code-lora=./path/to/code-adapter

Luego especifique qué adaptador usar por solicitud:

respuesta = cliente.completions.create(
    model="sql-lora",  # Use the SQL adapter
    prompt="Convierte esto a SQL: Muestra a todos los usuarios creados este mes"
)

Servicio multi-LoRA

El servicio multi-LoRA de vLLM permite alojar docenas de adaptadores finos con un mínimo de sobrecarga de memoria. Esto es ideal para servir variantes de modelos específicas de clientes o tareas:

# Solicitud con adaptador LoRA específico
respuesta = cliente.chat.completions.create(
    model="meta-llama/Llama-2-7b-hf",
    messages=[{"role": "user", "content": "Escribe una consulta SQL"}],
    extra_body={"lora_name": "sql-lora"}
)

Caché de prefijos

Habilite el caché de prefijos automáticamente para evitar recomputar el caché KV para prefijos de prompt repetidos:

--enable-prefix-caching

Esto es especialmente efectivo para:

• Chatbots con mensajes de sistema fijos
• Aplicaciones RAG con plantillas de contexto consistentes
• Prompts de aprendizaje por pocos ejemplos repetidos en solicitudes

El caché de prefijos puede reducir el tiempo al primer token en un 50-80% para solicitudes que comparten prefijos de prompt.

Ejemplos de integración

Integración con LangChain

from langchain.llms import VLLMOpenAI

llm = VLLMOpenAI(
    openai_api_key="VACIO",
    openai_api_base="http://localhost:8000/v1",
    model_name="mistralai/Mistral-7B-Instruct-v0.2",
    max_tokens=512,
    temperature=0.7,
)

respuesta = llm("Explica PagedAttention en términos simples")
print(respuesta)

Integración con LlamaIndex

from llama_index.llms import VLLMServer

llm = VLLMServer(
    api_url="http://localhost:8000/v1",
    model="mistralai/Mistral-7B-Instruct-v0.2",
    temperature=0.7,
    max_tokens=512
)

respuesta = llm.complete("¿Qué es vLLM?")
print(respuesta)

Aplicación FastAPI

from fastapi import FastAPI
from openai import AsyncOpenAI

app = FastAPI()
cliente = AsyncOpenAI(
    base_url="http://localhost:8000/v1",
    api_key="no-necesario"
)

@app.post("/generar")
async def generar(prompt: str):
    respuesta = await cliente.completions.create(
        model="mistralai/Mistral-7B-Instruct-v0.2",
        prompt=prompt,
        max_tokens=200
    )
    return {"resultado": respuesta.choices[0].text}

Benchmarks de rendimiento

Datos de rendimiento reales ayudan a ilustrar las ventajas de vLLM:

Comparación de throughput (Mistral-7B en GPU A100):

• vLLM: ~3,500 tokens/segundo con 64 usuarios concurrentes
• HuggingFace Transformers: ~250 tokens/segundo con la misma concurrencia
• Ollama: ~1,200 tokens/segundo con la misma concurrencia
• Resultado: vLLM proporciona una mejora de 14 veces sobre las implementaciones básicas

Eficiencia de memoria (LLaMA-2-13B):

• Implementación estándar: 24 GB de VRAM, 32 secuencias concurrentes
• vLLM con PagedAttention: 24 GB de VRAM, 128 secuencias concurrentes
• Resultado: 4 veces más solicitudes concurrentes con la misma memoria

Latencia bajo carga (Mixtral-8x7B en 2xA100):

• vLLM: Latencia P50 180 ms, latencia P99 420 ms a 100 req/s
• Servicio estándar: Latencia P50 650 ms, latencia P99 3,200 ms a 100 req/s
• Resultado: vLLM mantiene latencia consistente bajo alta carga

Estos benchmarks demuestran por qué vLLM se ha convertido en el estándar de facto para el servicio de LLM en producción donde importa el rendimiento.

Análisis de costos

Entender las implicaciones de costo al elegir vLLM:

Escenario: Servir 1 millón de solicitudes/día

Con Servicio Estándar:

• Requerido: 8x A100 GPUs (80 GB)
• Costo de AWS: ~$32/hora × 24 × 30 = $23,040/mes
• Costo por 1 millón de tokens: ~$0.75

Con vLLM:

• Requerido: 2x A100 GPUs (80 GB)
• Costo de AWS: ~$8/hora × 24 × 30 = $5,760/mes
• Costo por 1 millón de tokens: ~$0.19
• Ahorro: $17,280/mes (75% de reducción)

Esta ventaja de costo crece con la escala. Las organizaciones que sirven miles de millones de tokens mensuales ahorran cientos de miles de dólares usando el servicio optimizado de vLLM en lugar de implementaciones básicas.

Consideraciones de seguridad

Autenticación

vLLM no incluye autenticación por defecto. Para producción, implemente autenticación en el nivel del proxy inverso:

# Configuración de Nginx
location /v1/ {
    auth_request /auth;
    proxy_pass http://vllm-backend:8000;
}

location /auth {
    proxy_pass http://auth-service:8080/verify;
    proxy_pass_request_body off;
    proxy_set_header Content-Length "";
    proxy_set_header X-Original-URI $request_uri;
}

O use gateways de API como Kong, Traefik o AWS API Gateway para autenticación y limitación de tasa de nivel empresarial.

Aislamiento de red

Ejecute vLLM en redes privadas, no expuesto directamente a Internet:

# Ejemplo de NetworkPolicy de Kubernetes
apiVersion: networking.k8s.io/v1
kind: NetworkPolicy
metadata:
  name: vllm-access
spec:
  podSelector:
    matchLabels:
      app: vllm
  policyTypes:
  - Ingress
  ingress:
  - from:
    - podSelector:
        matchLabels:
          role: api-gateway
    ports:
    - protocol: TCP
      port: 8000

Limitación de tasa

Implemente limitación de tasa para prevenir abusos:

# Ejemplo usando Redis para limitación de tasa
from fastapi import FastAPI, HTTPException
from fastapi.middleware.cors import CORSMiddleware
import redis
from datetime import datetime, timedelta

app = FastAPI()
redis_client = redis.Redis(host='localhost', port=6379)

@app.middleware("http")
async def rate_limit_middleware(request, call_next):
    client_ip = request.client.host
    key = f"rate_limit:{client_ip}"
    
    requests = redis_client.incr(key)
    if requests == 1:
        redis_client.expire(key, 60)  # Ventana de 60 segundos
    
    if requests > 60:  # 60 solicitudes por minuto
        raise HTTPException(status_code=429, detail="Límite de tasa excedido")
    
    return await call_next(request)

Control de acceso a modelos

Para despliegues multi-tenant, controle qué usuarios pueden acceder a qué modelos:

ALLOWED_MODELOS = {
    "user_tier_1": ["mistralai/Mistral-7B-Instruct-v0.2"],
    "user_tier_2": ["mistralai/Mistral-7B-Instruct-v0.2", "meta-llama/Llama-2-13b-chat-hf"],
    "admin": ["*"]  # Todos los modelos
}

def verify_model_access(user_tier: str, model: str) -> bool:
    allowed = ALLOWED_MODELOS.get(user_tier, [])
    return "*" in allowed or model in allowed

Guía de migración

Desde OpenAI a vLLM

Migrar desde OpenAI a vLLM autohospedado es sencillo gracias a la compatibilidad con la API:

Antes (OpenAI):

from openai import OpenAI

cliente = OpenAI(api_key="sk-...")
respuesta = cliente.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "Hola"}]
)

Después (vLLM):

from openai import OpenAI

cliente = OpenAI(
    base_url="https://tu-servidor-vllm.com/v1",
    api_key="tu-clave-interna"  # Si agregaste autenticación
)
respuesta = cliente.chat.completions.create(
    model="mistralai/Mistral-7B-Instruct-v0.2",
    messages=[{"role": "user", "content": "Hola"}]
)

Solo se necesitan dos cambios: actualizar base_url y el nombre del modelo. Todo el resto del código permanece igual.

Desde Ollama a vLLM

Ollama usa un formato de API diferente. Aquí está la conversión:

API de Ollama:

import requests

respuesta = requests.post('http://localhost:11434/api/generate',
    json={
        'model': 'llama2',
        'prompt': '¿Por qué es azul el cielo?'
    })

Equivalente de vLLM:

from openai import OpenAI

cliente = OpenAI(base_url="http://localhost:8000/v1", api_key="no-necesario")
respuesta = cliente.completions.create(
    model="meta-llama/Llama-2-7b-chat-hf",
    prompt="¿Por qué es azul el cielo?"
)

Deberás actualizar las llamadas de API en todo tu código base, pero las bibliotecas de cliente de OpenAI proporcionan una mejor gestión de errores y características.

Desde HuggingFace Transformers a vLLM

Migración directa de uso en Python:

HuggingFace:

from transformers import AutoModelForCausalLM, AutoTokenizer

modelo = AutoModelForCausalLM.from_pretrained("mistralai/Mistral-7B-Instruct-v0.2")
tokenizador = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-Instruct-v0.2")

entradas = tokenizador("Hola", return_tensors="pt")
salidas = modelo.generate(**entradas, max_new_tokens=100)
resultado = tokenizador.decode(salidas[0])

vLLM:

from vllm import LLM, SamplingParams

llm = LLM(model="mistralai/Mistral-7B-Instruct-v0.2")
sampling_params = SamplingParams(max_tokens=100)

salidas = llm.generate("Hola", sampling_params)
resultado = salidas[0].outputs[0].text

La API de Python de vLLM es más simple y mucho más rápida para inferencia en lotes.

Futuro de vLLM

vLLM continúa su desarrollo rápido con características emocionantes en el horizonte:

Servicio desagregado: Separar el prelleno (procesamiento de prompts) y el descodificación (generación de tokens) en diferentes GPUs para optimizar la utilización de recursos. El prelleno es limitado por cálculos mientras que la descodificación es limitada por memoria, por lo que ejecutarlos en hardware especializado mejora la eficiencia.

Inferencia multi-nodo: Distribuir modelos muy grandes (100B+ parámetros) en múltiples máquinas, permitiendo servir modelos demasiado grandes para configuraciones de un solo nodo.

Mejoras de cuantización: Soporte para nuevos formatos de cuantización como GGUF (usado por llama.cpp) y mejor integración de AWQ/GPTQ para un mejor rendimiento con modelos cuantizados.

Mejoras en decodificación especulativa: Modelos de borrador más eficientes y estrategias de especulación adaptativas para lograr mayores aceleraciones sin pérdida de precisión.

Optimizaciones de atención: FlashAttention 3, atención en anillo para contextos extremadamente largos (100K+ tokens) y otros mecanismos de atención de vanguardia.

Mejor cobertura de modelos: Expansión del soporte a modelos multimodales (modelos de lenguaje y visión), modelos de audio y arquitecturas especializadas a medida que surjan.

El proyecto vLLM mantiene un desarrollo activo con contribuciones de UC Berkeley, Anyscale y la comunidad de código abierto más amplia. A medida que el despliegue de LLM se vuelve más crítico para los sistemas de producción, el rol de vLLM como estándar de rendimiento continúa creciendo.

Enlaces Útiles

Artículos Relacionados en Este Sitio

• Hosting de LLM Locales: Guía Completa 2025 - Ollama, vLLM, LocalAI, Jan, LM Studio y Más - Comparación completa de 12+ herramientas para hosting de LLM locales, incluyendo un análisis detallado de vLLM junto con Ollama, LocalAI, Jan, LM Studio y otros. Cubre la madurez de API, el soporte de llamada de herramientas, la compatibilidad con GGUF y los benchmarks de rendimiento para ayudar a elegir la solución adecuada.

• Guía Rápida de Ollama - Referencia completa de comandos y guía rápida de Ollama que cubre la instalación, gestión de modelos, uso de API y mejores prácticas para el despliegue de LLM locales. Esencial para desarrolladores que usan Ollama junto con o en lugar de vLLM.

• Docker Model Runner vs Ollama: ¿Cuál Elegir? - Comparación detallada del Model Runner de Docker y Ollama para el despliegue de LLM locales, analizando el rendimiento, el soporte de GPU, la compatibilidad de API y los casos de uso. Ayuda a entender el panorama competitivo en el que opera vLLM.

• Guía Rápida de Docker Model Runner: Comandos y Ejemplos - Guía práctica de Docker Model Runner con comandos y ejemplos para el despliegue de modelos de IA. Útil para equipos que comparan el enfoque de Docker con las capacidades especializadas de servicio de LLM de vLLM.

Recursos Externos y Documentación

• Repositorio de GitHub de vLLM - Repositorio oficial de vLLM con código fuente, documentación completa, guías de instalación y discusiones activas de la comunidad. Recurso esencial para mantenerse actualizado con las últimas características y solucionar problemas.

• Documentación de vLLM - Documentación oficial que cubre todos los aspectos de vLLM desde la configuración básica hasta las configuraciones avanzadas. Incluye referencias de API, guías de ajuste de rendimiento y mejores prácticas de despliegue.

• Papel de PagedAttention - Artículo académico que introduce el algoritmo PagedAttention que impulsa la eficiencia de vLLM. Lectura esencial para comprender las innovaciones técnicas detrás de las ventajas de rendimiento de vLLM.

• Blog de vLLM - Blog oficial de vLLM que incluye anuncios de lanzamiento, benchmarks de rendimiento, análisis técnico y estudios de caso de la comunidad de despliegues en producción.

• HuggingFace Model Hub - Repositorio completo de modelos de LLM de código abierto compatibles con vLLM. Busca modelos por tamaño, tarea, licencia y características de rendimiento para encontrar el modelo adecuado para tu caso de uso.

• Documentación de Ray Serve - Documentación del marco Ray Serve para construir despliegues escalables y distribuidos de vLLM. Ray ofrece características avanzadas como escalado automático, servicio multi-modelo y gestión de recursos para sistemas de producción.

• TensorRT-LLM de NVIDIA - TensorRT-LLM de NVIDIA para inferencia altamente optimizada en GPUs de NVIDIA. Alternativa a vLLM con estrategias de optimización diferentes, útil para comparar y comprender el paisaje de optimización de inferencia.

• Referencia de la API de OpenAI - Documentación oficial de la API de OpenAI con la que es compatible la API de vLLM. Refiérete a esta documentación al construir aplicaciones que necesiten trabajar intercambiablemente con endpoints de OpenAI y vLLM autohospedados.