vLLM - GoModel

GoModel kommuniziert mit vLLM über dessen OpenAI-kompatiblen HTTP-Server. Hugging-Face-Modell-IDs mit Schrägstrichen (z. B. meta-llama/Llama-3.1-8B-Instruct) funktionieren – GoModel trennt Selektoren mit Provider-Angabe nur am ersten Schrägstrich. Starten Sie zuerst vLLM:

vllm serve meta-llama/Llama-3.1-8B-Instruct
# --api-key token-abc123 ergänzen, wenn vLLM Bearer-Authentifizierung verlangen soll

Konfigurieren

VLLM_BASE_URL=http://host.docker.internal:8000/v1   # /v1 angeben
# VLLM_API_KEY=token-abc123                         # nur, wenn vLLM mit --api-key gestartet wurde
GOMODEL_MASTER_KEY=change-me

Diese Beispiele gehen davon aus, dass GoModel in Docker läuft und vLLM auf dem Host unter localhost:8000 – daher host.docker.internal. Laufen beide im selben Docker-Netzwerk, verwenden Sie den Service-Namen von vLLM. Läuft GoModel direkt auf dem Host, verwenden Sie http://localhost:8000/v1.

GoModel starten

docker run --rm -p 8080:8080 --env-file .env enterpilot/gomodel

docker run --rm -p 8080:8080 \
  -e GOMODEL_MASTER_KEY="change-me" \
  -e VLLM_BASE_URL="http://host.docker.internal:8000/v1" \
  enterpilot/gomodel

make build
./bin/gomodel

Überprüfen

curl -s http://localhost:8080/v1/chat/completions \
  -H "Authorization: Bearer change-me" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "vllm/meta-llama/Llama-3.1-8B-Instruct",
    "messages": [{"role": "user", "content": "Reply with exactly ok."}]
  }'

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8080/v1", api_key="change-me")

completion = client.chat.completions.create(
    model="vllm/meta-llama/Llama-3.1-8B-Instruct",
    messages=[{"role": "user", "content": "Reply with exactly ok."}],
)

print(completion.choices[0].message.content)

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "http://localhost:8080/v1",
  apiKey: "change-me",
});

const completion = await client.chat.completions.create({
  model: "vllm/meta-llama/Llama-3.1-8B-Instruct",
  messages: [{ role: "user", content: "Reply with exactly ok." }],
});

console.log(completion.choices[0].message.content);

GET /v1/models gibt die Modell-IDs von vLLM mit dem Provider-Namen als Präfix zurück, z. B. vllm/meta-llama/Llama-3.1-8B-Instruct.

Mehrere vLLM-Instanzen

Verwenden Sie Umgebungsvariablen mit Suffix, um ohne YAML mehr als eine Instanz zu registrieren:

VLLM_BASE_URL=http://host.docker.internal:8000/v1
VLLM_TEST_BASE_URL=http://host.docker.internal:8001/v1

VLLM_BASE_URL registriert vllm. VLLM_TEST_BASE_URL registriert vllm-test (das Suffix wird kleingeschrieben, Unterstriche werden zu Bindestrichen).

vLLM-Passthrough

Passthrough ist standardmäßig aktiviert. Verwenden Sie ihn für vLLM-spezifische Endpunkte wie /tokenize, /detokenize, /pooling, /rerank:

curl -s http://localhost:8080/p/vllm/tokenize \
  -H "Authorization: Bearer change-me" \
  -H "Content-Type: application/json" \
  -d '{"model": "meta-llama/Llama-3.1-8B-Instruct", "prompt": "Hello"}'

import httpx

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8080", api_key="change-me")
tokens = client.post(
    "/p/vllm/tokenize",
    cast_to=httpx.Response,
    body={
        "model": "meta-llama/Llama-3.1-8B-Instruct",
        "prompt": "Hello",
    },
)

print(tokens.json())

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "http://localhost:8080",
  apiKey: "change-me",
});

const tokens = await client.post("/p/vllm/tokenize", {
  body: {
    model: "meta-llama/Llama-3.1-8B-Instruct",
    prompt: "Hello",
  },
});

console.log(tokens);

GoModel entfernt die Authentifizierungs-Header des Clients vor der Weiterleitung und verwendet für Upstream-Requests VLLM_API_KEY, sofern konfiguriert.

Passthrough-Routen sind unter /p/vllm/... auf den Provider-Typ bezogen. Um in einem Setup mit mehreren vLLM-Instanzen eine bestimmte benannte Instanz anzusprechen, verwenden Sie übersetzte /v1/...-Requests mit Modell-IDs mit Provider-Angabe (z. B. vllm-test/meta-llama/Llama-3.1-8B-Instruct).

Noch nicht integriert

Native Batch-APIs von vLLM.
OpenAI-kompatibler Lebenszyklus für Dateien.
Hilfsendpunkte für den Lebenszyklus von Responses.

​Konfigurieren

​GoModel starten

​Überprüfen

​Mehrere vLLM-Instanzen

​vLLM-Passthrough

​Noch nicht integriert

Konfigurieren

GoModel starten

Überprüfen

Mehrere vLLM-Instanzen

vLLM-Passthrough

Noch nicht integriert