vLLM Quickstart: Servicio de LLM de Alto Rendimiento - en 2026

vLLM es un motor de inferencia y servicio de alto rendimiento y eficiente en memoria para Modelos de Lenguaje Grande (LLMs) desarrollado por el Laboratorio de Cálculo en la Nube de la Universidad de California en Berkeley.

Con su algoritmo revolucionario PagedAttention, vLLM alcanza un rendimiento 14-24 veces mayor que los métodos tradicionales de servicio, convirtiéndose en la opción preferida para implementaciones de LLM en producción.

¿Qué es vLLM?

vLLM (virtual LLM) es una biblioteca de código abierto para la inferencia y el servicio rápido de LLM que rápidamente se ha convertido en el estándar de la industria para implementaciones en producción. Lanzado en 2023, introdujo PagedAttention, una técnica innovadora de gestión de memoria que mejora significativamente la eficiencia del servicio.

Características clave

Alto rendimiento: vLLM entrega un rendimiento 14-24 veces mayor en comparación con HuggingFace Transformers con el mismo hardware. Este gran aumento de rendimiento proviene del empaquetamiento continuo, núcleos CUDA optimizados y el algoritmo PagedAttention que elimina la fragmentación de la memoria.

Compatibilidad con la API de OpenAI: vLLM incluye un servidor API integrado que es completamente compatible con el formato de OpenAI. Esto permite una migración sin problemas desde OpenAI a infraestructura autoalojada sin cambiar el código de la aplicación. Simplemente apunte su cliente API a el punto final de vLLM y funciona de forma transparente.

Algoritmo PagedAttention: La innovación central detrás del rendimiento de vLLM es PagedAttention, que aplica el concepto de paginación de memoria virtual a los mecanismos de atención. En lugar de asignar bloques de memoria contiguos para los cachés KV (lo que lleva a la fragmentación), PagedAttention divide la memoria en bloques de tamaño fijo que se pueden asignar según sea necesario. Esto reduce el desperdicio de memoria hasta 4 veces y permite tamaños de lote mucho más grandes.

Empaquetamiento continuo: A diferencia del empaquetamiento estático donde debes esperar a que todas las secuencias se completen, vLLM utiliza empaquetamiento continuo (roling). Tan pronto como una secuencia finaliza, una nueva puede agregarse al lote. Esto maximiza la utilización de la GPU y minimiza la latencia para las solicitudes entrantes.

Soporte multi-GPU: vLLM admite paralelismo de tensores y paralelismo de canalización para distribuir modelos grandes en múltiples GPUs. Puede servir eficientemente modelos que no caben en la memoria de una sola GPU, admitiendo configuraciones desde 2 hasta 8+ GPUs.

Amplio soporte de modelos: Compatible con arquitecturas de modelos populares incluyendo LLaMA, Mistral, Mixtral, Qwen, Phi, Gemma y muchos otros. Soporta tanto modelos ajustados a instrucciones como modelos base desde HuggingFace Hub.

Cuándo usar vLLM

vLLM destaca en escenarios específicos donde sus fortalezas resplandecen:

Servicios de API en producción: Cuando necesitas servir un LLM a muchos usuarios concurrentes a través de API, el alto rendimiento y el empaquetamiento eficiente de vLLM lo hacen la mejor opción. Las empresas que operan chatbots, asistentes de código o servicios de generación de contenido se benefician de su capacidad para manejar cientos de solicitudes por segundo.

Cargas de trabajo de alta concurrencia: Si tu aplicación tiene muchos usuarios simultáneos haciendo solicitudes, el empaquetamiento continuo y PagedAttention de vLLM permiten servir a más usuarios con el mismo hardware en comparación con alternativas.

Optimización de costos: Cuando los costos de la GPU son una preocupación, el superior rendimiento de vLLM significa que puedes servir el mismo tráfico con menos GPUs, reduciendo directamente los costos de infraestructura. La eficiencia de memoria de 4 veces de PagedAttention también permite usar instancias de GPU más pequeñas y económicas.

Implementaciones en Kubernetes: El diseño sin estado y la arquitectura amigable con contenedores de vLLM lo hacen ideal para clústeres de Kubernetes. Su rendimiento consistente bajo carga y gestión sencilla de recursos se integran bien con infraestructura nativa de la nube.

Cuándo NO usar vLLM: Para desarrollo local, experimentación o escenarios de un solo usuario, herramientas como Ollama ofrecen una mejor experiencia del usuario con un configuración más simple. La complejidad de vLLM está justificada cuando necesitas sus ventajas de rendimiento para cargas de trabajo en producción.

Cómo instalar vLLM

Requisitos previos

Antes de instalar vLLM, asegúrate de que tu sistema cumpla con estos requisitos:

• GPU: GPU NVIDIA con capacidad de cálculo 7.0+ (V100, T4, A10, A100, H100, RTX 20/30/40 series)
• CUDA: Versión 11.8 o superior
• Python: 3.8 a 3.11
• VRAM: Mínimo 16 GB para modelos de 7B, 24 GB+ para 13B, 40 GB+ para modelos más grandes
• Driver: Controlador NVIDIA 450.80.02 o más reciente

Instalación con pip

El método de instalación más sencillo es usando pip. Esto funciona en sistemas con CUDA 11.8 o más reciente:

# Crear un entorno virtual (recomendado)
python3 -m venv vllm-env
source vllm-env/bin/activate

# Instalar vLLM
pip install vllm

# Verificar instalación
python -c "import vllm; print(vllm.__version__)"

Para sistemas con versiones de CUDA diferentes, instale la rueda adecuada:

# Para CUDA 12.1
pip install vllm==0.4.2+cu121 -f https://github.com/vllm-project/vllm/releases

# Para CUDA 11.8
pip install vllm==0.4.2+cu118 -f https://github.com/vllm-project/vllm/releases

Instalación con Docker

Docker proporciona el método de despliegue más confiable, especialmente para producción:

# Descargar la imagen oficial de vLLM
docker pull vllm/vllm-openai:latest

# Ejecutar vLLM con soporte de GPU
docker run --runtime nvidia --gpus all \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    -p 8000:8000 \
    --ipc=host \
    vllm/vllm-openai:latest \
    --model mistralai/Mistral-7B-Instruct-v0.2

La bandera --ipc=host es importante para configuraciones multi-GPU ya que permite la comunicación interprocesos adecuada.

Compilación desde la fuente

Para las características más recientes o modificaciones personalizadas, compila desde la fuente:

git clone https://github.com/vllm-project/vllm.git
cd vllm
pip install -e .

Guía rápida de inicio de vLLM

Ejecutando tu primer modelo

Inicia vLLM con un modelo usando la interfaz de línea de comandos:

# Descargar y servir Mistral-7B con API compatible con OpenAI
python -m vllm.entrypoints.openai.api_server \
    --model mistralai/Mistral-7B-Instruct-v0.2 \
    --port 8000

vLLM descargará automáticamente el modelo desde HuggingFace Hub (si no está en caché) y iniciará el servidor. Verás una salida indicando que el servidor está listo:

INFO:     Started server process [12345]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8000

Haciendo solicitudes API

Una vez que el servidor esté en ejecución, puedes hacer solicitudes usando el cliente Python de OpenAI o curl:

Usando curl:

curl http://localhost:8000/v1/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "mistralai/Mistral-7B-Instruct-v0.2",
        "prompt": "Explica qué es vLLM en una frase:",
        "max_tokens": 100,
        "temperature": 0.7
    }'

Usando el cliente Python de OpenAI:

from openai import OpenAI

# Puntero a tu servidor vLLM
client = OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="not-needed"  # vLLM no requiere autenticación por defecto
)

response = client.completions.create(
    model="mistralai/Mistral-7B-Instruct-v0.2",
    prompt="Explica qué es vLLM en una frase:",
    max_tokens=100,
    temperature=0.7
)

print(response.choices[0].text)

API de completaciones de chat:

response = client.chat.completions.create(
    model="mistralai/Mistral-7B-Instruct-v0.2",
    messages=[
        {"role": "system", "content": "Eres un asistente útil."},
        {"role": "user", "content": "¿Qué es PagedAttention?"}
    ],
    max_tokens=200
)

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

Configuración avanzada

vLLM ofrece muchos parámetros para optimizar el rendimiento:

python -m vllm.entrypoints.openai.api_server \
    --model mistralai/Mistral-7B-Instruct-v0.2 \
    --port 8000 \
    --gpu-memory-utilization 0.95 \  # Usa el 95% de la memoria de la GPU
    --max-model-len 8192 \            # Longitud máxima de secuencia
    --tensor-parallel-size 2 \        # Usa 2 GPUs con paralelismo de tensores
    --dtype float16 \                 # Usa precisión FP16
    --max-num-seqs 256                # Tamaño máximo de lote

Explicación de parámetros clave:

• --gpu-memory-utilization: Cuánta memoria de la GPU usar (0.90 = 90%). Valores más altos permiten lotes más grandes pero dejan menos margen para picos de memoria.
• --max-model-len: Longitud máxima de contexto. Reducirlo ahorra memoria para lotes más grandes.
• --tensor-parallel-size: Número de GPUs para dividir el modelo.
• --dtype: Tipo de datos para los pesos (float16, bfloat16 o float32). FP16 suele ser óptimo.
• --max-num-seqs: Número máximo de secuencias para procesar en un lote.

Comparación entre vLLM y Ollama

Tanto vLLM como Ollama son opciones populares para el alojamiento local de LLM, pero se centran en casos de uso diferentes. Entender cuándo usar cada herramienta puede tener un impacto significativo en el éxito de tu proyecto.

Rendimiento y throughput

vLLM está diseñado para el máximo throughput en escenarios de múltiples usuarios. Su algoritmo PagedAttention y empaquetamiento continuo permiten servir eficientemente cientos de solicitudes concurrentes. Los benchmarks muestran que vLLM alcanza un throughput 14-24 veces mayor que las implementaciones estándar y 2-4 veces mayor que Ollama bajo alta concurrencia.

Ollama optimiza para uso interactivo de un solo usuario con enfoque en baja latencia para solicitudes individuales. Aunque no iguala el throughput de vLLM en múltiples usuarios, proporciona un excelente rendimiento para desarrollo y uso personal con tiempos de inicio más rápidos y menor consumo de recursos en estado inactivo.

Facilidad de uso

Ollama gana claramente en simplicidad. La instalación es un solo comando (curl | sh), y ejecutar modelos es tan simple como ollama run llama2. Incluye una biblioteca de modelos con versiones cuantizadas optimizadas para diferentes perfiles de hardware. La experiencia del usuario se asemeja a Docker – descarga, ejecuta y listo.

vLLM requiere más configuración: gestión del entorno de Python, instalación de CUDA, comprensión de parámetros de servicio y especificación manual del modelo. La curva de aprendizaje es más empinada, pero ganas control fino sobre la optimización del rendimiento. Esta complejidad está justificada para despliegues en producción donde necesitas exprimir el máximo rendimiento de tu hardware.

API e integración

vLLM proporciona APIs REST compatibles con OpenAI de forma nativa, convirtiéndolo en un reemplazo directo para la API de OpenAI en aplicaciones existentes. Esto es crucial para migrar servicios en producción de proveedores en la nube a infraestructura autoalojada sin cambios en el código.

Ollama ofrece una API REST más simple y una biblioteca dedicada para Python/JavaScript. Aunque funcional, no es compatible con OpenAI, requiriendo cambios en el código al integrarse con aplicaciones que esperan el formato de OpenAI. Sin embargo, proyectos comunitarios como adaptadores Ollama-OpenAI cubren este espacio.

Gestión de memoria

vLLM tiene un algoritmo PagedAttention que proporciona una eficiencia de memoria superior para solicitudes concurrentes. Puede servir 2-4 veces más usuarios concurrentes con la misma VRAM en comparación con implementaciones básicas. Esto se traduce directamente en ahorro de costos en despliegues en producción.

Ollama usa una gestión de memoria más simple adecuada para escenarios de un solo usuario. Gestiona automáticamente la carga y descarga del modelo según la actividad, lo cual es conveniente para el desarrollo pero no óptimo para uso de alta concurrencia en producción.

Soporte multi-GPU

vLLM destaca con paralelismo nativo de tensores y canalización, distribuyendo eficientemente modelos entre 2-8+ GPUs. Esto es esencial para servir modelos grandes como LLMs de 70B parámetros que no caben en la memoria de una sola GPU.

Ollama tiene actualmente un soporte limitado para múltiples GPUs, funcionando mejor principalmente con una sola GPU. Esto lo hace menos adecuado para modelos muy grandes que requieren inferencia distribuida.

Recomendaciones de caso de uso

Elige vLLM cuando:

• Servir APIs en producción con muchos usuarios concurrentes
• Optimizar el costo por solicitud en despliegues en la nube
• Ejecutar en Kubernetes o plataformas de orquestación de contenedores
• Necesitar compatibilidad con la API de OpenAI para aplicaciones existentes
• Servir modelos grandes que requieren soporte multi-GPU
• El rendimiento y throughput son requisitos críticos

Elige Ollama cuando:

• Desarrollo local y experimentación
• Uso interactivo de un solo usuario (asistentes personales, chatbots)
• Prototipado rápido y evaluación de modelos
• Aprender sobre LLMs sin complejidad de infraestructura
• Ejecutar en computadoras personales o laptops
• La simplicidad y facilidad de uso son prioridades

Muchos equipos usan ambos: Ollama para desarrollo y experimentación, y vLLM para despliegue en producción. Esta combinación proporciona productividad para los desarrolladores mientras se mantiene el rendimiento en producción.

Comparación entre vLLM y Docker Model Runner

Docker recientemente introdujo Model Runner (anteriormente GenAI Stack) como su solución oficial para el despliegue local de modelos AI. ¿Cómo se compara con vLLM?

Filosofía de arquitectura

Docker Model Runner busca ser el “Docker para AI” – una forma simple y estandarizada de ejecutar modelos AI localmente con la misma facilidad que ejecutar contenedores. Abstrae la complejidad y proporciona una interfaz coherente a través de diferentes modelos y marcos.

vLLM es un motor de inferencia especializado enfocado únicamente en el servicio de LLM con máximo rendimiento. Es una herramienta de nivel inferior que contenerizas con Docker, en lugar de una plataforma completa.

Configuración y inicio

Docker Model Runner la instalación es sencilla para usuarios de Docker:

docker model pull llama3:8b
docker model run llama3:8b

Esta similitud con el flujo de trabajo de imágenes de Docker hace que sea inmediatamente familiar para desarrolladores ya usando contenedores.

vLLM requiere más configuración inicial (Python, CUDA, dependencias) o usar imágenes de Docker preconstruidas:

docker pull vllm/vllm-openai:latest
docker run --runtime nvidia --gpus all vllm/vllm-openai:latest --model <model-name>

Características de rendimiento

vLLM entrega un throughput superior para escenarios de múltiples usuarios debido a PagedAttention y empaquetamiento continuo. Para servicios de API en producción que manejan cientos de solicitudes por segundo, las optimizaciones de vLLM proporcionan un mejor throughput 2-5 veces mayor que enfoques generales.

Docker Model Runner se enfoca en la facilidad de uso en lugar del máximo rendimiento. Es adecuado para desarrollo local, pruebas y cargas de trabajo moderadas, pero no implementa las optimizaciones avanzadas que hacen que vLLM destaque a gran escala.

Soporte de modelos

Docker Model Runner proporciona una biblioteca de modelos curada con acceso de un solo comando a modelos populares. Soporta múltiples marcos (no solo LLMs) incluyendo Stable Diffusion, Whisper y otros modelos AI, haciendo que sea más versátil para diferentes cargas de trabajo AI.

vLLM se especializa en la inferencia de LLM con un soporte profundo para modelos de lenguaje basados en transformadores. Soporta cualquier modelo LLM compatible con HuggingFace pero no se extiende a otros tipos de modelos AI como generación de imágenes o reconocimiento de voz.

Despliegue en producción

vLLM ha sido probado en producción en empresas como Anthropic, Replicate y muchas otras que sirven miles de millones de tokens diariamente. Sus características de rendimiento y estabilidad bajo alta carga lo hacen el estándar de facto para el servicio de LLM en producción.

Docker Model Runner es más nuevo y se posiciona más para escenarios de desarrollo y pruebas locales. Aunque podría servir tráfico en producción, carece del historial comprobado y optimizaciones de rendimiento que requieren los despliegues en producción.

Ecosistema de integración

vLLM se integra con herramientas de infraestructura de producción: operadores de Kubernetes, métricas de Prometheus, Ray para el servicio distribuido y una amplia compatibilidad con la API de OpenAI para aplicaciones existentes.

Docker Model Runner se integra naturalmente con el ecosistema de Docker y Docker Desktop. Para equipos ya estandarizados en Docker, esta integración proporciona una experiencia cohesiva pero con menos características especializadas para el servicio de LLM.

Cuándo usar cada uno

Usa vLLM para:

• Servicios de API de LLM en producción
• Despliegues de alto throughput con múltiples usuarios
• Despliegues en la nube con sensibilidad al costo que necesitan máxima eficiencia
• Entornos de Kubernetes y nativos de la nube
• Cuando necesitas escalabilidad y rendimiento probados

Usa Docker Model Runner para:

• Desarrollo y pruebas locales
• Ejecutar varios tipos de modelos AI (no solo LLMs)
• Equipos profundamente involucrados en el ecosistema de Docker
• Experimentación rápida sin configuración de infraestructura
• Propósitos educativos y de aprendizaje

Enfoque híbrido: Muchos equipos desarrollan con Docker Model Runner localmente para comodidad, y luego despliegan con vLLM en producción para rendimiento. Las imágenes de Docker Model Runner también pueden usarse para ejecutar contenedores vLLM, combinando ambos enfoques.

Mejores prácticas para despliegue en producción

Despliegue con Docker

Crea una configuración de Docker Compose lista para producción:

version: '3.8'

services:
  vllm:
    image: vllm/vllm-openai:latest
    runtime: nvidia
    environment:
      - CUDA_VISIBLE_DEVICES=0,1
    volumes:
      - ~/.cache/huggingface:/root/.cache/huggingface
      - ./logs:/logs
    ports:
      - "8000:8000"
    command: >
      --model mistralai/Mistral-7B-Instruct-v0.2
      --tensor-parallel-size 2
      --gpu-memory-utilization 0.90
      --max-num-seqs 256
      --max-model-len 8192
    restart: unless-stopped
    shm_size: '16gb'
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 2
              capabilities: [gpu]

Despliegue en Kubernetes

Despliega vLLM en Kubernetes para escala en producción:

apiVersion: apps/v1
kind: Deployment
metadata:
  name: vllm-server
spec:
  replicas: 2
  selector:
    matchLabels:
      app: vllm
  template:
    metadata:
      labels:
        app: vllm
    spec:
      containers:
      - name: vllm
        image: vllm/vllm-openai:latest
        args:
          - --model
          - mistralai/Mistral-7B-Instruct-v0.2
          - --tensor-parallel-size
          - "2"
          - --gpu-memory-utilization
          - "0.90"
        resources:
          limits:
            nvidia.com/gpu: 2
        ports:
        - containerPort: 8000
        volumeMounts:
        - name: cache
          mountPath: /root/.cache/huggingface
      volumes:
      - name: cache
        hostPath:
          path: /mnt/huggingface-cache
---
apiVersion: v1
kind: Service
metadata:
  name: vllm-service
spec:
  selector:
    app: vllm
  ports:
  - port: 80
    targetPort: 8000
  type: LoadBalancer

Monitoreo y observabilidad

vLLM expone métricas de Prometheus para el monitoreo:

import requests

# Obtener métricas
metrics = requests.get("http://localhost:8000/metrics").text
print(metrics)

Métricas clave para monitorear:

• vllm:num_requests_running - Solicitudes activas
• vllm:gpu_cache_usage_perc - Uso de caché de GPU
• vllm:time_to_first_token - Métrica de latencia
• vllm:time_per_output_token - Velocidad de generación

Ajuste de rendimiento

Optimizar la utilización de la memoria de la GPU: Comience con --gpu-memory-utilization 0.90 y ajuste según el comportamiento observado. Valores más altos permiten lotes más grandes pero corren el riesgo de errores OOM durante picos de tráfico.

Ajustar la longitud máxima de secuencia: Si su caso de uso no necesita la longitud completa de contexto, reduzca --max-model-len. Esto libera memoria para lotes más grandes. Por ejemplo, si solo necesita 4K de contexto, establezca --max-model-len 4096 en lugar de usar el máximo del modelo (a menudo 8K-32K).

Elegir cuantización adecuada: Para modelos que lo admitan, use versiones cuantizadas (8-bit, 4-bit) para reducir la memoria y aumentar el throughput:

--quantization awq  # Para modelos cuantizados con AWQ
--quantization gptq # Para modelos cuantizados con GPTQ

Habilitar caché de prefijos: Para aplicaciones con prompts repetidos (como chatbots con mensajes del sistema), habilite el caché de prefijos:

--enable-prefix-caching

Esto almacena los valores KV para prefijos comunes, reduciendo la computación para solicitudes que comparten el mismo prefijo de prompt.

Solución de problemas comunes

Errores de memoria insuficiente

Síntomas: El servidor se cierra con errores de memoria insuficiente de CUDA.

Soluciones:

• Reduzca --gpu-memory-utilization a 0.85 o 0.80
• Disminuya --max-model-len si su caso de uso lo permite
• Reduzca --max-num-seqs para disminuir el tamaño del lote
• Use una versión cuantizada del modelo
• Habilite el paralelismo de tensores para distribuir en más GPUs

Bajo throughput

Síntomas: El servidor maneja menos solicitudes de lo esperado.

Soluciones:

• Aumente --max-num-seqs para permitir lotes más grandes
• Aumente --gpu-memory-utilization si tiene margen
• Verifique si el CPU es el cuello de botella con htop – considere CPUs más rápidas
• Verifique la utilización de la GPU con nvidia-smi – debe ser 95%+
• Habilite FP16 si está usando FP32: --dtype float16

Tiempo de primer token lento

Síntomas: Alta latencia antes de que comience la generación.

Soluciones:

• Use modelos más pequeños para aplicaciones críticas de latencia
• Habilite el caché de prefijos para prompts repetidos
• Reduzca --max-num-seqs para priorizar la latencia sobre el throughput
• Considere la decodificación especulativa para modelos compatibles
• Optimice la configuración de paralelismo de tensores

Fallos al cargar modelos

Síntomas: El servidor no puede iniciar, no puede cargar el modelo.

Soluciones:

• Verifique que el nombre del modelo coincida exactamente con el formato de HuggingFace
• Verifique la conectividad de red a HuggingFace Hub
• Asegúrese de que haya suficiente espacio en disco en ~/.cache/huggingface
• Para modelos restringidos, establezca la variable de entorno HF_TOKEN
• Intente descargar manualmente con huggingface-cli download <model>

Características avanzadas

Decodificación especulativa

vLLM admite decodificación especulativa, donde un modelo más pequeño propone tokens que un modelo objetivo más grande verifica. Esto puede acelerar la generación en un 1.5-2 veces:

python -m vllm.entrypoints.openai.api_server \
    --model meta-llama/Llama-2-70b-chat-hf \
    --speculative-model meta-llama/Llama-2-7b-chat-hf \
    --num-speculative-tokens 5

Adaptadores LoRA

Sirve múltiples adaptadores LoRA sobre un modelo base sin cargar múltiples modelos completos:

python -m vllm.entrypoints.openai.api_server \
    --model meta-llama/Llama-2-7b-hf \
    --enable-lora \
    --lora-modules sql-lora=./path/to/sql-adapter \
                   code-lora=./path/to/code-adapter

Luego especifique qué adaptador usar por solicitud:

response = client.completions.create(
    model="sql-lora",  # Use the SQL adapter
    prompt="Convierte esto a SQL: Muestra a todos los usuarios creados este mes"
)

Servicio multi-LoRA

El servicio multi-LoRA de vLLM permite alojar docenas de adaptadores finos con un mínimo de sobrecarga de memoria. Esto es ideal para servir variantes de modelos específicas de clientes o tareas:

# Solicitud con adaptador LoRA específico
response = client.chat.completions.create(
    model="meta-llama/Llama-2-7b-hf",
    messages=[{"role": "user", "content": "Escribe una consulta SQL"}],
    extra_body={"lora_name": "sql-lora"}
)

Caché de prefijos

Habilite el caché de prefijos automáticamente para evitar recomputar caché KV para prefijos de prompt repetidos:

--enable-prefix-caching

Esto es especialmente efectivo para:

• Chatbots con mensajes del sistema fijos
• Aplicaciones RAG con plantillas de contexto consistentes
• Prompts de aprendizaje por pocos ejemplos repetidos en solicitudes

El caché de prefijos puede reducir el tiempo hasta el primer token en un 50-80% para solicitudes que comparten prefijos de prompt.

Ejemplos de integración

Integración con LangChain

from langchain.llms import VLLMOpenAI

llm = VLLMOpenAI(
    openai_api_key="EMPTY",
    openai_api_base="http://localhost:8000/v1",
    model_name="mistralai/Mistral-7B-Instruct-v0.2",
    max_tokens=512,
    temperature=0.7,
)

response = llm("Explica PagedAttention en términos simples")
print(response)

Integración con LlamaIndex

from llama_index.llms import VLLMServer

llm = VLLMServer(
    api_url="http://localhost:8000/v1",
    model="mistralai/Mistral-7B-Instruct-v0.2",
    temperature=0.7,
    max_tokens=512
)

response = llm.complete("¿Qué es vLLM?")
print(response)

Aplicación FastAPI

from fastapi import FastAPI
from openai import AsyncOpenAI

app = FastAPI()
client = AsyncOpenAI(
    base_url="http://localhost:8000/v1",
    api_key="not-needed"
)

@app.post("/generate")
async def generate(prompt: str):
    response = await client.completions.create(
        model="mistralai/Mistral-7B-Instruct-v0.2",
        prompt=prompt,
        max_tokens=200
    )
    return {"result": response.choices[0].text}

Benchmarks de rendimiento

Datos reales de rendimiento ayudan a ilustrar las ventajas de vLLM:

Comparación de throughput (Mistral-7B en GPU A100):

• vLLM: ~3,500 tokens/segundo con 64 usuarios concurrentes
• HuggingFace Transformers: ~250 tokens/segundo con la misma concurrencia
• Ollama: ~1,200 tokens/segundo con la misma concurrencia
• Resultado: vLLM proporciona una mejora de 14 veces sobre las implementaciones básicas

Eficiencia de memoria (LLaMA-2-13B):

• Implementación estándar: 24 GB VRAM, 32 secuencias concurrentes
• vLLM con PagedAttention: 24 GB VRAM, 128 secuencias concurrentes
• Resultado: 4 veces más secuencias concurrentes con la misma memoria

Latencia bajo carga (Mixtral-8x7B en 2xA100):

• vLLM: P50 latencia 180 ms, P99 latencia 420 ms a 100 req/s
• Servicio estándar: P50 latencia 650 ms, P99 latencia 3,200 ms a 100 req/s
• Resultado: vLLM mantiene una latencia consistente bajo alta carga

Estos benchmarks demuestran por qué vLLM se ha convertido en el estándar de facto para el servicio de LLM en producción donde el rendimiento importa.

Análisis de costos

Entender las implicaciones de costo de elegir vLLM:

Escenario: Servir 1M solicitudes/día

Con Servicio Estándar:

• Requerido: 8x A100 GPUs (80 GB)
• Costo de AWS: ~$32/hora × 24 × 30 = $23,040/mes
• Costo por 1M tokens: ~$0.75

Con vLLM:

• Requerido: 2x A100 GPUs (80 GB)
• Costo de AWS: ~$8/hora × 24 × 30 = $5,760/mes
• Costo por 1M tokens: ~$0.19
• Ahorro: $17,280/mes (reducción del 75%)

Esta ventaja de costo crece con la escala. Las organizaciones que sirven miles de millones de tokens mensuales ahorran cientos de miles de dólares usando el servicio optimizado de vLLM en lugar de implementaciones básicas.

Consideraciones de seguridad

Autenticación

vLLM no incluye autenticación por defecto. Para producción, implemente la autenticación en el nivel de proxy inverso:

# Configuración de Nginx
location /v1/ {
    auth_request /auth;
    proxy_pass http://vllm-backend:8000;
}

location /auth {
    proxy_pass http://auth-service:8080/verify;
    proxy_pass_request_body off;
    proxy_set_header Content-Length "";
    proxy_set_header X-Original-URI $request_uri;
}

O use gateways de API como Kong, Traefik o AWS API Gateway para autenticación y limitación de tasa de nivel empresarial.

Aislamiento de red

Ejecute vLLM en redes privadas, no directamente expuesto a internet:

# Ejemplo de NetworkPolicy de Kubernetes
apiVersion: networking.k8s.io/v1
kind: NetworkPolicy
metadata:
  name: vllm-access
spec:
  podSelector:
    matchLabels:
      app: vllm
  policyTypes:
  - Ingress
  ingress:
  - from:
    - podSelector:
        matchLabels:
          role: api-gateway
    ports:
    - protocol: TCP
      port: 8000

Limitación de tasa

Implemente limitación de tasa para prevenir abusos:

# Ejemplo usando Redis para limitación de tasa
from fastapi import FastAPI, HTTPException
from fastapi.middleware.cors import CORSMiddleware
import redis
from datetime import datetime, timedelta

app = FastAPI()
redis_client = redis.Redis(host='localhost', port=6379)

@app.middleware("http")
async def rate_limit_middleware(request, call_next):
    client_ip = request.client.host
    key = f"rate_limit:{client_ip}"
    
    requests = redis_client.incr(key)
    if requests == 1:
        redis_client.expire(key, 60)  # Ventana de 60 segundos
    
    if requests > 60:  # 60 solicitudes por minuto
        raise HTTPException(status_code=429, detail="Límite de tasa excedido")
    
    return await call_next(request)

Control de acceso a modelos

Para despliegues multi-tenant, controle qué usuarios pueden acceder a qué modelos:

ALLOWED_MODELS = {
    "user_tier_1": ["mistralai/Mistral-7B-Instruct-v0.2"],
    "user_tier_2": ["mistralai/Mistral-7B-Instruct-v0.2", "meta-llama/Llama-2-13b-chat-hf"],
    "admin": ["*"]  # Todos los modelos
}

def verify_model_access(user_tier: str, model: str) -> bool:
    allowed = ALLOWED_MODELS.get(user_tier, [])
    return "*" in allowed or model in allowed

Guía de migración

De OpenAI a vLLM

Migrar de OpenAI a vLLM autoalojado es sencillo gracias a la compatibilidad con la API:

Antes (OpenAI):

from openai import OpenAI

client = OpenAI(api_key="sk-...")
response = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "Hola"}]
)

Después (vLLM):

from openai import OpenAI

client = OpenAI(
    base_url="https://your-vllm-server.com/v1",
    api_key="your-internal-key"  # Si añadiste autenticación
)
response = client.chat.completions.create(
    model="mistralai/Mistral-7B-Instruct-v0.2",
    messages=[{"role": "user", "content": "Hola"}]
)

Solo se necesitan dos cambios: actualizar base_url y el nombre del modelo. Todo el resto del código permanece igual.

De Ollama a vLLM

Ollama usa un formato de API diferente. Aquí está la conversión:

API de Ollama:

import requests

response = requests.post('http://localhost:11434/api/generate',
    json={
        'model': 'llama2',
        'prompt': '¿Por qué es azul el cielo?'
    })

Equivalente de vLLM:

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="not-needed")
response = client.completions.create(
    model="meta-llama/Llama-2-7b-chat-hf",
    prompt="¿Por qué es azul el cielo?"
)

Deberás actualizar las llamadas API a través de tu código base, pero las bibliotecas de cliente de OpenAI proporcionan una mejor gestión de errores y características.

De HuggingFace Transformers a vLLM

Migración directa de uso en Python:

HuggingFace:

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("mistralai/Mistral-7B-Instruct-v0.2")
tokenizer = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-Instruct-v0.2")

inputs = tokenizer("Hola", return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=100)
result = tokenizer.decode(outputs[0])

vLLM:

from vllm import LLM, SamplingParams

llm = LLM(model="mistralai/Mistral-7B-Instruct-v0.2")
sampling_params = SamplingParams(max_tokens=100)

outputs = llm.generate("Hola", sampling_params)
result = outputs[0].outputs[0].text

La API de Python de vLLM es más simple y mucho más rápida para la inferencia por lotes.

Futuro de vLLM

vLLM continúa con un desarrollo rápido con características emocionantes en el horizonte:

Servicio desagregado: Separar el prellenado (procesamiento de prompts) y el descodificación (generación de tokens) en diferentes GPUs para optimizar la utilización de recursos. El prellenado es limitado por cálculo mientras que la descodificación es limitada por memoria, por lo que ejecutarlos en hardware especializado mejora la eficiencia.

Inferencia multi-nodo: Distribuir modelos muy grandes (100B+ parámetros) en múltiples máquinas, permitiendo servir modelos demasiado grandes para configuraciones de un solo nodo.

Mejoras de cuantización: Soporte para nuevos formatos de cuantización como GGUF (usado por llama.cpp) e integración mejorada de AWQ/GPTQ para un mejor rendimiento con modelos cuantizados.

Mejoras en decodificación especulativa: Modelos de boceto más eficientes y estrategias de especulación adaptativas para lograr mayores aceleraciones sin pérdida de precisión.

Optimizaciones de atención: FlashAttention 3, atención en anillo para contextos extremadamente largos (100K+ tokens) y otros mecanismos de atención de vanguardia.

Mejor cobertura de modelos: Expandir el soporte a modelos multimodales (modelos visión-lenguaje), modelos de audio y arquitecturas especializadas a medida que surjan.

El proyecto vLLM mantiene un desarrollo activo con contribuciones de UC Berkeley, Anyscale y la comunidad open source más amplia. A medida que el despliegue de LLM se vuelva más crítico para los sistemas de producción, el rol de vLLM como estándar de rendimiento continúa creciendo.

Enlaces útiles

Artículos relacionados en este sitio

• Hosting de LLM locales: Guía completa de 2026 - Ollama, vLLM, LocalAI, Jan, LM Studio y más - Comparación completa de 12+ herramientas para el hosting de LLM locales, incluyendo un análisis detallado de vLLM junto con Ollama, LocalAI, Jan, LM Studio y otros. Cubre la madurez de la API, el soporte para llamadas de herramientas, la compatibilidad con GGUF y los benchmarks de rendimiento para ayudar a elegir la solución adecuada.

• Guía rápida de Ollama - Referencia completa de comandos y guía rápida de Ollama que cubre la instalación, gestión de modelos, uso de la API y mejores prácticas para el despliegue de LLM locales. Esencial para desarrolladores que usan Ollama junto con o en lugar de vLLM.

• Docker Model Runner vs Ollama: ¿Cuál elegir? - Comparación detallada del Model Runner de Docker y Ollama para el despliegue de LLM locales, analizando el rendimiento, el soporte de GPU, la compatibilidad de API y los casos de uso. Ayuda a entender el entorno competitivo en el que opera vLLM.

• Guía rápida de Docker Model Runner: Comandos y ejemplos - Guía práctica de Docker Model Runner con comandos y ejemplos para el despliegue de modelos de IA. Útil para equipos que comparan el enfoque de Docker con las capacidades especializadas de vLLM para el servicio de LLM.

Recursos externos y documentación

• Repositorio de GitHub de vLLM - Repositorio oficial de vLLM con código fuente, documentación completa, guías de instalación y discusiones activas en la comunidad. Recurso esencial para mantenerse actualizado con las últimas características y resolver problemas.

• Documentación de vLLM - Documentación oficial que cubre todos los aspectos de vLLM desde la configuración básica hasta las configuraciones avanzadas. Incluye referencias de API, guías de ajuste de rendimiento y mejores prácticas de despliegue.

• Papel de PagedAttention - Artículo académico que introduce el algoritmo PagedAttention que impulsa la eficiencia de vLLM. Lectura esencial para comprender las innovaciones técnicas detrás de las ventajas de rendimiento de vLLM.

• Blog de vLLM - Blog oficial de vLLM con anuncios de lanzamiento, benchmarks de rendimiento, análisis técnicos profundos y estudios de caso de la comunidad de despliegues en producción.

• HuggingFace Model Hub - Repositorio completo de modelos de LLM de código abierto compatibles con vLLM. Busque modelos por tamaño, tarea, licencia y características de rendimiento para encontrar el modelo adecuado para su caso de uso.

• Documentación de Ray Serve - Documentación del marco Ray Serve para construir despliegues escalables y distribuidos de vLLM. Ray proporciona características avanzadas como escalado automático, servicio multi-modelo y gestión de recursos para sistemas de producción.

• TensorRT-LLM de NVIDIA - TensorRT-LLM de NVIDIA para inferencia altamente optimizada en GPUs de NVIDIA. Alternativa a vLLM con estrategias de optimización diferentes, útil para comparar y comprender el paisaje de optimización de inferencia.

• Referencia de la API de OpenAI - Documentación oficial de la API de OpenAI con la que es compatible la API de vLLM. Refiérase a esta documentación al construir aplicaciones que necesiten trabajar con endpoints de OpenAI y vLLM autohospedados de forma intercambiable.