vLLM

vLLM 是生产环境真正在用的推理服务器：PagedAttention、连续批处理、localhost:8000/v1 上的 OpenAI 兼容服务。GPU 你自己出。

下载官方文档 ↗

vLLM 是生产环境真正在用的推理服务器：PagedAttention、连续批处理、localhost:8000/v1 上的 OpenAI 兼容服务。GPU 你自己出。

`vllm serve Qwen/Qwen3-8B` 一条命令搞定。CUDA 或 ROCm；在 Mac 上请改用 MLX。没有配额、没有密钥，什么都不会离开你的机器。

最大上下文: Set with --max-model-len
免费额度: 无限且私密
注册要求: 什么都不用 —— 无账号

端点

接口地址http://localhost:8000/v1

速率限制None — it is your machine

OpenAI 兼容
文本
视觉

代码示例

npm install openai

import 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 openai

from 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."}]
  }'

值得注意

先起服务器：`vllm serve Qwen/Qwen3-8B`。
需要 CUDA 或 ROCm GPU；Mac 请改用 MLX。

你能免费使用的模型5

Qwen 3qwen3
Llama 3.3 70Bllama-3.3-70b
GPT-OSS 120Bgpt-oss-120b
DeepSeek R1deepseek-ai/DeepSeek-R1
DeepSeek V4deepseek-v4-flash