vLLM
vLLM은 프로덕션이 실제로 쓰는 서빙 엔진입니다: PagedAttention, 연속 배칭, localhost:8000/v1의 OpenAI 호환 서버. GPU는 본인이 준비합니다.
vLLM은 프로덕션이 실제로 쓰는 서빙 엔진입니다: PagedAttention, 연속 배칭, localhost:8000/v1의 OpenAI 호환 서버. GPU는 본인이 준비합니다.
`vllm serve Qwen/Qwen3-8B` 한 방이면 끝입니다. CUDA 또는 ROCm. Mac이라면 MLX로 손을 뻗으세요. 쿼터도 키도 없고, 아무것도 머신 밖으로 나가지 않습니다.
- 최대 컨텍스트
- Set with --max-model-len
- 무료 요금제
- 무제한·비공개
- 요구사항
- 아무것도 없음 — 계정 불필요
엔드포인트
기본 URL
http://localhost:8000/v1속도 제한
None — it is your machine- OpenAI 호환
- 텍스트
- 비전
코드 예시
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."}]
}'알아두면 좋은 점
- 먼저 서버를 띄우세요: `vllm serve Qwen/Qwen3-8B`.
- CUDA나 ROCm GPU가 필요합니다. Mac이라면 MLX를 쓰세요.
무료로 받는 모델5
- 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