将GPT OSS私有部署,推理性能提升100倍的部署教程-CSDN博客

向AI转型的程序员都关注公众号机器学习AI算法工程

时隔5年，OpenAI终于发布了新的开源模型GPT-OSS。作为一名AI开发者，我迫不及待地在本地部署了这个模型，并分享一些实用的经验和技巧。

GPT-OSS：开源AI的新里程碑

8月5日，OpenAI发布了震撼AI界的消息：推出GPT-OSS开源模型系列。这是自2019年GPT-2以来，OpenAI首次发布真正开源的大语言模型。

技术规格一览

GPT-OSS包含两个版本，各有所长：

🔬 核心技术创新

混合专家架构（MoE）：GPT-OSS采用了先进的MoE架构，只在处理每个token时激活部分参数，大大提高了计算效率。

原生MXFP4量化：模型使用4位量化技术，在保持性能的同时显著降低内存占用。这意味着20B版本只需要16GB内存就能运行，普通的游戏电脑就能胜任。

可调推理强度：支持低、中、高三档推理模式，可以根据任务复杂度灵活调整。

为什么选择本地部署？

在云端AI服务盛行的今天，本地部署似乎显得"老土"。但经过实际使用，我发现本地部署有着独特的价值：

数据隐私：敏感信息不会离开本地环境

成本控制：避免持续的API调用费用

响应速度：没有网络延迟，响应更快

离线工作：不依赖网络连接

完全控制：可以根据需求进行定制和优化

官方提供的 vLLM 推理需要一系列安装配置步骤才可正常运行，以下基于开源大模型服务平台 GPUStack，结合自定义安装的 vLLM 版本，完成 GPT OSS 系列模型的生产部署推理。同时，我们还选择了 Ollama 作为对比，基于 EvalScope 进行压测，对比两种引擎在生产并发场景下的吞吐性能差异。

测试结果显示，vLLM 在资源利用率、并发能力和扩展效率方面均大幅领先。尤其在企业级部署场景中，Ollama 的多实例架构容易造成显存浪费，而 vLLM 则能以更小的显存占用支撑更多并发连接，投资回报率（ROI）远高于前者。

安装 GPUStack

首先，参考 GPUStack 官方文档完成安装（https://docs.gpustack.ai/latest/installation/nvidia-cuda/online-installation/）。推荐容器化部署方式，在 NVIDIA GPU 服务器上，根据文档要求完成对应版本的 NVIDIA 驱动、Docker 和 NVIDIA Container Toolkit 安装后，通过 Docker 启动 GPUStack 服务。

以下测试在 NVIDIA H20 GPU 上进行：

docker run -d --name gpustack \    --restart=unless-stopped \    --gpus all \    --network=host \    --ipc=host \    -e HF_ENDPOINT="https://hf-mirror.com" \    -v gpustack-data:/var/lib/gpustack \    gpustack/gpustack \    --port 9090

查看容器日志确认 GPUStack 是否已正常运行：

docker logs -f gpustack

若容器日志显示服务启动正常，使用以下命令获取 GPUStack 控制台的初始登录密码：

docker exec -it gpustack cat /var/lib/gpustack/initial_admin_password

浏览器中通过服务器 IP 和自定义的 9090 端口访问 GPUStack 控制台（http://YOUR_HOST_IP:9090），使用默认用户名 admin 和上一步获取的初始密码登录。登录 GPUStack 后，在资源菜单即可查看识别到的 GPU 资源：

安装自定义 vLLM 版本

目前，GPUStack 0.7.0 版本集成的 vLLM 版本为 0.9.2，vLLM 的最新版本为 0.10.0，但 0.10.0 版本仍不支持 openai/gpt-oss-120b 和 openai/gpt-oss-20b 模型的推理运行。

查看模型介绍：https://huggingface.co/openai/gpt-oss-120b，模型的 README 中已说明需要安装 vLLM 0.10.1 gptoss 分支版本才能运行：

为了提前体验 gpt-oss-120b 和 gpt-oss-20b 模型，我们需要手动安装该开发分支。

GPUStack 支持推理引擎多版本并行使用，用户可以在保留默认稳定版本的同时，灵活安装并使用自定义的 vLLM 版本，实现对新发布模型的推理。

进入 GPUStack 容器，创建一个独立的 Python 虚拟环境来安装 vllm 0.10.1+gptoss 版本：

docker exec -it gpustack bash

由于 vllm_0.10.1+gptoss 依赖 Python 3.12，而 GPUStack 镜像内置版本为 3.11，安装 Miniconda 用于提供 Python 3.12。到持久化目录下创建 Python 虚拟环境，这样在容器重建后仍然可以使用该环境：

# 在持久化路径下创建目录mkdir -p /var/lib/gpustack/miniconda3# 下载 Miniconda Minicondawget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O /var/lib/gpustack/miniconda3/miniconda.sh# 安装 Miniconda 到持久化目录bash /var/lib/gpustack/miniconda3/miniconda.sh -b -u -p /var/lib/gpustack/miniconda3# 删除 Miniconda 安装包rm /var/lib/gpustack/miniconda3/miniconda.sh# 激活 base 环境source /var/lib/gpustack/miniconda3/bin/activate# 接受使用协议conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/mainconda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r

创建 Python 3.12 虚拟环境：

# 创建环境conda create -n vllm_0.10.1+gptoss python=3.12 -y# 激活环境conda activate vllm_0.10.1+gptoss# 检查 Python 版本python -V

安装 vllm_0.10.1+gptoss ：

# 设置清华 PyPI 源pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple# 安装 vLLM 0.10.1+gptosspip install --pre vllm==0.10.1+gptoss \  --extra-index-url https://wheels.vllm.ai/gpt-oss/ \  --extra-index-url https://download.pytorch.org/whl/nightly/cu128# 将 vllm_0.10.1+gptoss 虚拟环境的 vllm 可执行文件链接到 /var/lib/gpustack/bin/ 下用于 GPUStack 调用ln -sf /var/lib/gpustack/miniconda3/envs/vllm_0.10.1+gptoss/bin/vllm /var/lib/gpustack/bin/vllm_0.10.1+gptoss

离线环境可以参考以下命令，打包 wheel 包到离线环境安装（注意安装时如果有 wheel 包损坏，重新下载该 wheel 包到内网替换并安装）：

pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple
pip download --pre vllm==0.10.1+gptoss  \  --extra-index-url https://wheels.vllm.ai/gpt-oss/  \  --extra-index-url https://download.pytorch.org/whl/nightly/cu128 \  --dest ./vllm_0.10.1_gptoss
tar -zcvf vllm_0.10.1_gptoss.tar vllm_0.10.1_gptoss/

下载 GPT OSS 模型

在 GPUStack UI 点击模型文件菜单，选择添加模型文件，可以从 Hugging Face 或 ModelScope 联网下载模型文件。国内网络建议从 ModelScope 搜索并下载 gpt-oss-120b 和 gpt-oss-20b 模型。

部署 GPT OSS 模型

确认模型下载完成后，点击已下载模型右侧的部署按钮，部署模型。

在部署页面，展开高级配置，设置模型类别为 LLM。并在后端版本中，填写自定义后端版本为 0.10.1+gptoss，GPUStack 会自动调用 /var/lib/gpustack/bin/vllm_0.10.1+gptoss 来运行模型：

并设置以下后端参数和环境变量：
后端参数：
--max-model-len=32768
环境变量：
VLLM_ATTENTION_BACKEND=FLASH_ATTN
VLLM_USE_FLASHINFER_SAMPLER=0
保存部署，等待模型启动完成，确认模型正常运行（Running）：

然后可以在试验场测试模型：

GPT OSS 20B

EvalScope 压测对比 Ollama

EvalScope 是魔搭社区推出的模型评测与性能基准测试框架，简单易上手，此处使用 EvalScope 来对比 Ollama 和 GPUStack vLLM 后端运行的 GPT OSS 20B 与 GPT OSS 120B 的吞吐性能表现。

使用 Conda 安装 EvalScope：

# 创建虚拟环境conda create -n evalscope python=3.10 -y# 激活虚拟环境conda activate evalscope# 安装 EvalScopepip install -U 'evalscope[perf]' plotly gradio wandb

将压测结果的吞吐表现汇总如下表：

以上测试结果表明，在大模型推理的场景下，**硬件投入越高，选择像 vLLM 这样的高效推理引擎，其投资回报率（ROI）也就越高。**举个形象的例子：如果企业采购了价值 1000 万元的 GPU 硬件，假设使用 vLLM 可以将 GPU 使用效率提升到约 80%，相当于真正发挥出 800 万元的硬件价值。而若选择如 Ollama 这类桌面型工具，相同资源条件下，实际吞吐能力仅为 vLLM 的几分之一，能够释放的计算能力远低于 vLLM。对于重视成本效益与性能表现的企业来说，如何选型，自然不言而喻。

以上测试数据基于单实例运行环境。尽管 Ollama 单实例的资源占用看似远低于 vLLM，但由于其技术架构的限制，单实例一般也仅能支持个位数的并发连接。要想支撑更高的并发，必须通过部署多个实例来扩展能力。然而，多实例部署带来的最大问题就是显存资源的严重浪费。以部署 GPT OSS 20B 模型为例，单个 Ollama 实例加载约 14GB 的模型权重，假设每个实例支持 4 路并发，实现 100 路并发需部署 25 个实例，显存总占用超过 350GB。而采用 vLLM，仅需约 130GB 显存即可支撑相同并发，且具备更强的扩展能力。

综上，从资源利用率、扩展能力到总体成本控制，vLLM 在实际生产环境中均展现出显著优势，是面向企业级大模型推理部署的更优解。

机器学习算法AI大数据技术

搜索公众号添加： datanlp