شرح vLLM: خادم استدلال نماذج اللغة عالي الإنتاجية مع PagedAttention (2026)

ما هو vLLM؟

• نشأ في مختبر Sky Computing Lab بجامعة UC Berkeley، وهو اليوم مشروع مفتوح المصدر تحكمه المجتمعة
• مرخّص بموجب Apache 2.0: الشيفرة المصدرية متاحة للجمهور للاستخدام والتعديل وإعادة التوزيع وفق شروط الرخصة
• يحمّل النماذج بصيغة متوافقة مع Hugging Face Transformers، مما يمنحه تغطية واسعة للمعماريات — Llama وMistral وQwen وDeepSeek والعديد من عائلات النماذج الأخرى — دون الحاجة إلى خطوة تحويل منفصلة لمعظم النماذج
• مبني لخدمة عدد كبير من الطلبات المتزامنة بكفاءة، وليس فقط لتشغيل محادثة واحدة بسرعة
• أحد أكثر مشاريع خدمة نماذج اللغة الكبيرة مفتوحة المصدر إشارة إليها على GitHub

ما هو PagedAttention، ولماذا يهم؟

• يقلل هدر الذاكرة الناتج عن حجز مساحة زائدة من ذاكرة KV المؤقتة لطلبات تتضح لاحقًا أنها أقصر من حدها الأقصى
• يسمح بمشاركة كتل الذاكرة بين الطلبات التي تشترك في بادئة مشتركة، مثل نفس موجّه النظام (system prompt)
• يتيح لوحدة معالجة الرسومات الاحتفاظ بذاكرة KV المؤقتة لعدد أكبر من الطلبات المتزامنة في نفس كمية الذاكرة مقارنة بتخصيص متجاور تقليدي
• يعمل جنبًا إلى جنب مع التجميع المستمر، الذي يتيح لـ vLLM إضافة الطلبات إلى دفعة قيد التنفيذ وإزالتها منها فور وصولها واكتمالها، بدلاً من الانتظار حتى تنتهي دفعة ثابتة بالكامل قبل بدء التالية

ما الأجهزة التي يحتاجها vLLM؟

ما صيغ التكميم التي يدعمها vLLM؟

ماذا يوفر خادم vLLM المتوافق مع OpenAI؟

• نقاط نهاية متوافقة مع OpenAI لإكمالات الدردشة والإكمالات، قابلة للاستخدام كبديل مباشر لشيفرة العميل المعتمدة على واجهة OpenAI
• مضيف ومنفذ قابلان للتهيئة (يستمع الخادم افتراضيًا على http://localhost:8000)
• أعلام محرك لحجم التوازي الموتري، وهدف استخدام ذاكرة وحدة معالجة الرسومات، وصيغة التكميم، تُضبط عند بدء تشغيل الخادم
• دعم لخدمة عدة محوّلات LoRA على نفس النموذج الأساسي المحمَّل
• دعم للمخرجات المهيكلة واستدعاء الدوال/الأدوات لصيغ الطلبات المتوافقة

كيف تُثبّت وتشغّل vLLM؟

1. 1
   تأكد من وجود وحدة معالجة رسومية NVIDIA مدعومة مع تعريفات CUDA حديثة مثبَّتة (أو راجع وثائق المشروع لتعليمات تثبيت خاصة بـAMD/Intel/TPU إذا كنت تستهدف إحدى هذه الخلفيات).
2. 2
   أنشئ بيئة بايثون افتراضية، ثم ثبّت vLLM: pip install vllm.
3. 3
   شغّل الخادم المتوافق مع OpenAI بنموذج من Hugging Face، مثال: vllm serve meta-llama/Llama-3.1-8B-Instruct.
4. 4
   لنموذج مكمَّم مسبقًا، مرّر العلم المطابق، مثال: vllm serve TheBloke/Llama-2-13B-AWQ --quantization awq.
5. 5
   للخدمة عبر عدة وحدات معالجة رسومية، أضف علم التوازي الموتري، مثال: vllm serve <model> --tensor-parallel-size 2 لتوزيع النموذج على وحدتي معالجة رسومية.
6. 6
   يستمع الخادم افتراضيًا على http://localhost:8000؛ أرسل طلبًا إلى نقطة النهاية /v1/chat/completions باستخدام أي مكتبة عميل متوافقة مع واجهة OpenAI، أو باستخدام curl.
7. 7
   وجّه شيفرة عميل OpenAI الحالية إلى خادمك المستضاف ذاتيًا بتغيير عنوان URL الأساسي واسم النموذج فقط.

كيف يقارَن vLLM بـ Ollama وLM Studio؟

• عادةً ما تُبنى Ollama وLM Studio على llama.cpp أو محركات مشابهة وصيغة نموذج GGUF، محسّنة للاستخدام أحادي المستخدم على أجهزة استهلاكية بما في ذلك الأجهزة التي تعتمد على المعالج المركزي فقط وApple Silicon
• يُبنى vLLM على PagedAttention والتجميع المستمر، محسّن لخدمة وحدة معالجة رسومية عالية التزامن بدلاً من استجابة المستخدم الواحد على أجهزة متواضعة
• تُثبَّت Ollama بأمر واحد دون الحاجة إلى وحدة معالجة رسومية؛ يتوقع vLLM بيئة بايثون، ووحدة معالجة رسومية NVIDIA في معظم عمليات النشر، وتهيئة عبر سطر الأوامر
• تضيف LM Studio واجهة دردشة رسومية لسطح المكتب؛ لا تملك vLLM واجهة رسومية — يُتاح الوصول إليها عبر واجهتها المتوافقة مع OpenAI أو أعلام سطر الأوامر
• يمكن لكل من vLLM والأدوات المبنية على llama.cpp عرض واجهة متوافقة مع OpenAI، لذا غالبًا ما تعمل أدوات الواجهة الأمامية المبنية لتلك الواجهة مع أي منهما

كيف يقارَن vLLM بـ TGI وTensorRT-LLM؟

لمن يناسب vLLM؟

vLLM مقابل البدائل في لمحة

قارن في الدليل→

ما الذي لا يغطيه هذا المقال؟

• لا توجد أرقام إنتاجية أو زمن استجابة أو طلبات في الثانية مقيسة بشكل مستقل — تعتمد هذه بشدة على وحدة معالجة الرسومات والنموذج وتركيبة الدفعات وإصدار vLLM
• لا توجد نسب مئوية لفقدان الجودة مُتحقَّق منها بشكل مستقل لصيغ تكميم محددة — تتفاوت هذه حسب معمارية النموذج والمهمة
• لا يوجد تدقيق أمني سطرًا بسطر لشيفرة vLLM — فهي مفتوحة المصدر ومرخّصة بموجب Apache 2.0، لذا الشيفرة نفسها متاحة للمراجعة
• لا تغطية كاملة لكل خلفية جهاز مدعومة، أو علم محرك، أو خيار تنسيق نشر (Kubernetes، إعدادات خاصة بالسحابة) — يركّز هذا المقال على المفاهيم والأعلام التي تقيّمها معظم الفرق أولاً
• لا تغطية لاتفاقيات الدعم التجاري أو عروض الاستضافة المُدارة لـ vLLM، لأن vLLM نفسه مشروع مفتوح المصدر تديره المجتمعة وليس منتج مورّد بعقد دعم

أخطاء شائعة عند تجربة vLLM

الأسئلة الشائعة

المصادر

قراءات ذات صلة

• شرح llama.cpp — المحرك الملائم للمعالج المركزي/وحدة معالجة الرسومات الذي تُبنى عليه عدة أدوات ذكاء اصطناعي محلية أحادية المستخدم، في مقابل تركيز vLLM على الخدمة الإنتاجية.
• خوادم استدلال نماذج اللغة الكبيرة المؤسسية: vLLM وTGI وNIM — مقارنة أعمق تركّز على النشر بين vLLM وTGI وNVIDIA NIM.
• llama.cpp مقابل Ollama مقابل vLLM: السرعة والتجميع واختبارات أداء وحدة معالجة الرسومات — مقارنة مخصصة للإنتاجية وتعقيد الإعداد عبر المحركات الثلاثة نفسها.
• اختيار وحدة معالجة رسومية لأجهزة استدلال محلية — مستويات وحدات معالجة الرسومات التي يجب مراعاتها إذا كنت تحدد أبعاد جهازك لتشغيل vLLM بنفسك.
• دليل برمجيات نماذج اللغة الكبيرة المحلية — الفهرس الكامل لأدوات الذكاء الاصطناعي المحلية الذي ينتمي إليه هذا المقال.