vLLM
vLLM è il motore di serving che la produzione usa davvero: PagedAttention, batching continuo, un server compatibile OpenAI su localhost:8000/v1. La GPU la porti tu.
vLLM è il motore di serving che la produzione usa davvero: PagedAttention, batching continuo, un server compatibile OpenAI su localhost:8000/v1. La GPU la porti tu.
`vllm serve Qwen/Qwen3-8B` e basta. CUDA o ROCm; su un Mac passa a MLX. Nessuna quota, nessuna chiave, nulla lascia la macchina.
- Contesto massimo
- Set with --max-model-len
- Piano gratuito
- Illimitato e privato
- Requisito
- Niente — nessun account
Endpoint
URL base
http://localhost:8000/v1Limite di velocità
None — it is your machine- Compatibile OpenAI
- testo
- visione
Esempi di codice
npm install openaiimport OpenAI from 'openai'
const client = new OpenAI({
baseURL: 'http://localhost:8000/v1',
apiKey: 'not-needed'
})
const response = await client.chat.completions.create({
model: 'Qwen/Qwen3-8B',
messages: [{ role: 'user', content: 'Explain closures in one paragraph.' }]
})
console.log(response.choices[0].message.content)pip install openaifrom openai import OpenAI
client = OpenAI(
base_url="http://localhost:8000/v1",
api_key="not-needed",
)
response = client.chat.completions.create(
model="Qwen/Qwen3-8B",
messages=[{"role": "user", "content": "Explain closures in one paragraph."}],
)
print(response.choices[0].message.content)curl http://localhost:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "Qwen/Qwen3-8B",
"messages": [{"role": "user", "content": "Explain closures in one paragraph."}]
}'Vale la pena sapere
- Prima avvia il server: `vllm serve Qwen/Qwen3-8B`.
- Serve una GPU CUDA o ROCm; su Mac meglio passare a MLX.
Modelli che ottieni gratis5
- Qwen 3
qwen3 - Llama 3.3 70B
llama-3.3-70b - GPT-OSS 120B
gpt-oss-120b - DeepSeek R1
deepseek-ai/DeepSeek-R1 - DeepSeek V4
deepseek-v4-flash
