部署框架简介
大模型框架是指用于训练、推理和部署大型语言模型（LLMs）的软件工具和库。框架通常提供了高效的计算资源管理、分布式训练、模型优化和推理加速等功能，以便更好地利用硬件资源（如GPU和TPU）来处理庞大的数据集和复杂的模型结构。
目前常见的两种本地部署AI大模型的框架（或者说平台）：vLLM（Virtual Large Language Model）和Ollama，为了更好的便于选择更适合自身的部署框架，特此梳理区别。
框架信息
Ollama
源码：https://github.com/ollama/ollama
官网：https://ollama.com/
vLLM
源码：https://github.com/vllm-project/vllm
官网：Welcome to vLLM! — vLLM
模型框架区别
Ollama vs. vLLM 对比
| 对比维度 | Ollama | vLLM |
|---|---|---|
| 核心设计目标 | 极简本地推理，面向个人开发者、快速体验与隐私场景 | 高性能生产推理引擎，面向高并发、低延迟的线上服务 |
| 安装复杂程度 | 极低。提供 Windows / macOS / Linux 一键安装包，无需 Python 环境，自动管理依赖 | 中等。需 Python 3.8+ 环境，通过 pip 安装，依赖较复杂；官方强烈推荐 Docker 部署 |
| 模型获取与管理 | 命令行一键拉取：ollama pull <model>，模型库统一管理，自动转换为 GGUF 格式，支持指定量化版本（如llama3:8b-instruct-q4_K_M） | 需手动从 Hugging Face 等下载，或直接传入模型名称从 HF 拉取；支持多种格式（PyTorch、SafeTensors、AWQ、GPTQ 等），配置更灵活但步骤稍多 |
| 服务启动方式 | 命令极简：ollama serve启动 API，或ollama run <model>进入交互式会话；几乎无需额外参数 | 使用vllm serve <model>启动 API 服务器，需指定模型路径/名称；为达到最佳性能需配置张量并行、批处理大小、KV 缓存等参数 |
| API 兼容性 | 提供兼容 OpenAI 的 REST API（/v1/chat/completions、/v1/embeddings等），但实现不完全，扩展功能有限 | 完全兼容 OpenAI API（Chat、Completions、Embeddings），同时提供原生 vLLM API，功能丰富，社区集成广泛 |
| 推理性能核心 | 基于 llama.cpp，对 CPU 推理优化优秀；GPU 加速支持 CUDA/Metal；默认使用静态批处理或有限并发 | 基于 PagedAttention，连续动态批处理，KV 缓存分页管理，GPU 利用率极高，可实现近似零浪费的吞吐 |
| 并发与批处理 | 支持多个并发请求（通过OLLAMA_NUM_PARALLEL环境变量），但批处理策略简单，高并发下资源竞争明显 | 原生支持连续动态批处理，智能合并请求，最大化吞吐；特别适合突发高并发流量 |
| 内存管理 | 沿用 llama.cpp 的内存分配，KV 缓存为每个序列独立分配，碎片多，长上下文/大批量时易 OOM | 首创 PagedAttention，KV 缓存以块为单位按需分配、共享和回收，内存利用率提升显著，支持更长上下文和更大批次 |
| 量化支持 | 内置丰富的 GGUF 量化方案（Q4_0、Q4_K_M、Q8_0 等），拉取模型时可直接选择量化版本，无需手动转换 | 支持 AWQ、GPTQ、SqueezeLLM 等后端量化；新版本也支持 FP8 等；需预先准备好量化模型，可通过参数指定加载 |
| 多 GPU / 分布式 | 主要面向单机单 GPU（或指定某块 GPU），无原生多 GPU 张量并行或流水线并行；不适合跨节点分布式部署 | 原生支持张量并行（TP）、流水线并行（PP），可跨多 GPU、多节点扩展；适合大规模模型和超大规模线上服务 |
| 容器化支持 | 官方提供 Docker 镜像，docker run ollama/ollama即可运行，开箱即用 | 官方提供 Docker 镜像，推荐生产环境使用；可结合 Kubernetes 等进行容器编排 |
| 可观察性 / 监控 | 基本运行日志，无内置 Prometheus 指标或健康检查端点 | 内置 Prometheus 指标端点，可监控吞吐、延迟、排队长度、KV 缓存命中率等；提供健康检查和详细日志 |
| 安全认证 | 无内置 API 认证，通常用于内网或本机，对外暴露需反向代理 | 支持通过--api-key参数设置 API 密钥认证，可启用 TLS；适合对外开放的生产环境 |
| 请求调度与缓存 | 无请求优先级调度，不支持前缀缓存 | 支持前缀缓存（Automatic Prefix Caching），可自动复用公共前缀的 KV 缓存，大幅降低首 Token 延迟 |
| LoRA 适配器 | 不支持动态加载 LoRA，需将适配器合并到模型后重新运行 | 支持多 LoRA 动态加载和切换，一个模型实例可同时服务不同 LoRA 适配器，极大提升部署灵活性 |
| 投机解码 | 当前不支持 | 支持投机解码，可加速生成，降低延迟 |
| 适用场景 | 本地开发调试、个人 AI 助手、隐私敏感场景、小规模内部应用、低并发 API | 云原生生产推理、高并发聊天机器人、大规模批量推理、需要 GPU 算力极致利用的企业级服务 |
| 扩展方式 | 垂直扩展（升级更强 GPU/CPU），水平扩展需手动部署多个实例，无内置负载均衡 | 支持水平扩展（多副本）+ 垂直扩展（张量并行），可结合负载均衡器构建弹性推理集群 |
| 学习曲线 | 极低，几乎“傻瓜式”使用，几分钟即可上手 | 中等，需理解推理优化参数（tensor-parallel-size、max-num-seqs、gpu-memory-utilization等）及分布式配置 |
| 社区与生态 | 社区活跃，因易用性增长迅速，深受个人开发者喜爱 | 企业级采用广泛，生产验证充分，是高性能推理的标杆，与 Hugging Face TGI 并列为两大主流方案 |
简要总结
Ollama 的优势在于“快启动、零配置”，它将模型下载、格式转换、服务封装成一条命令，非常适合想在本地立即体验大模型、搭建个人助手或开发测试环境的用户。其部署几乎不需学习成本，但在吞吐量、显存效率、分布式等生产级特性上存在瓶颈。
vLLM 则是为生产环境而生的高性能推理框架，通过 PagedAttention、连续批处理、分布式并行等设计，将 GPU 利用率推至极限，能支撑数千并发请求。代价是需要一定的推理配置知识，部署流程也稍复杂，但换来的是云端大规模服务所需的一切能力。
选择时可按场景匹配：求快、求简、单机/本机 → Ollama；求高吞吐、低延迟、多用户生产 → vLLM。二者并非对立，很多团队会用 Ollama 做原型验证，再过渡到 vLLM 上线服务。
欢迎大家建议评论，一起构建更多了解