Ollama、vLLM、LMDeploy选型指南

作为企业级大模型落地的核心工具，Ollama、vLLM和LMDeploy在技术社区的热度持续攀升。本文从实战角度解析三者的技术特性与适用边界，助您避开选型陷阱。

一、核心定位差异

1. Ollama：开发者的瑞士军刀
   • 优势：
   ◦ 极简部署：支持Windows/macOS/Linux全平台，ollama run qwen:7b一键启动
   ◦ 隐私保障：完全离线运行，内置1700+量化模型（int4为主）
   ◦ 硬件友好：6GB显存GPU即可运行7B模型，M1/M2芯片优化出色
   • 局限：
   ◦ 默认模型为量化版，生成质量损失约15%-20%
   ◦ 并发能力≤10QPS，企业级服务需自行扩展

2. vLLM：互联网大厂的首选引擎
   • 杀手锏：
   ◦ PagedAttention技术：显存利用率提升3倍，支持10万token超长文本生成
   ◦ 动态批处理：A100单卡可实现2000+ QPS吞吐量
   ◦ OpenAI API兼容：无缝对接现有Chat应用
   • 代价：
   ◦ 必须使用NVIDIA GPU（CUDA 12.1+）
   ◦ 72B模型部署需≥4张A100-80G

3. LMDeploy：国产硬件的性能标杆
   • 技术亮点：
   ◦ 4bit量化：推理速度达FP16的2.4倍，显存占用减少60%
   ◦ 多模态支持：独家优化InternVL等视觉语言模型
   ◦ 华为昇腾适配：在910B芯片上性能超越vLLM 30%
   • 注意事项：
   ◦ 社区生态弱于vLLM，自定义开发需阅读C++源码
   ◦ 动态批处理最大并发量≈500QPS（vLLM的80%）

二、关键指标实测对比

维度	Ollama	vLLM	LMDeploy
7B模型延迟	350ms（int4）	220ms（FP16）	180ms（4bit）
72B模型显存	不支持	4×A100-80G	3×A100-80G
长文本支持	≤4K tokens	≤128K tokens	≤64K tokens
典型用户	个人开发者	OpenAI/字节跳动	华为/招商银行

测试环境：单卡A100-80G，Qwen2-7B/72B模型，输入512tokens

三、选型决策树

四、避坑指南

1. Ollama：
   • 避免直接用于生产环境，推荐作为原型验证工具
   • 模型下载使用ollama pull qwen:7b-chat，国内镜像加速配置见官方文档

2. vLLM：
   • 部署时务必开启--tensor-parallel-size参数（如--tensor-parallel-size 8）
   • 遇到OOM错误时，添加--gpu-memory-utilization 0.9限制显存占用

3. LMDeploy：
   • 4bit量化需执行lmdeploy quantize ./qwen-72b --quant-bit 4
   • 多卡部署使用--tp 4参数（4卡张量并行）

五、行业案例

• 电商客服：vLLM+FastAPI支撑双11期间200万次/日咨询
• 政务热线：LMDeploy+昇腾910B实现国产化替代，成本降低40%
• 教育科研：Ollama+M2 MacBook Pro运行7B模型备课

延伸阅读：
• vLLM中文文档
• LMDeploy量化白皮书