vLLM 정말 체감되는 차이 있더라고요. 저도 비슷한 상황인데 메모리 최적화가 핵심인 것 같아요.
프롬프트
LLM 로컬 배포 해본 사람 있나요? 생각보다 까다로운데
회사 프로젝트에서 데이터 보안 때문에 클라우드 API 못 쓰고 온프레미스에 LLM을 직접 배포해야 했거든요. Ollama랑 LM Studio 써봤는데 둘 다 생각보다 번거로운 거 있더라고요. 특히 토큰 처리 부분에서 예상 안 했던 메모리 이슈가 자주 터졌어요.
결국 vLLM으로 갈아탔는데 inference 속도가 정말 달라요. 같은 모델이어도 처리 속도가 1.5배 이상 빨라졌습니다. 근데 세팅이 좀 복잡하긴 해서 초반에 시간이 꽤 걸렸어요.
혹시 비슷한 환경에서 작업하시는 분들은 어떤 솔루션 쓰고 계세요? 더 나은 방법이 있으면 참고하고 싶네요.
결국 vLLM으로 갈아탔는데 inference 속도가 정말 달라요. 같은 모델이어도 처리 속도가 1.5배 이상 빨라졌습니다. 근데 세팅이 좀 복잡하긴 해서 초반에 시간이 꽤 걸렸어요.
혹시 비슷한 환경에서 작업하시는 분들은 어떤 솔루션 쓰고 계세요? 더 나은 방법이 있으면 참고하고 싶네요.
추천 14 비추천 0
- 이전글로컬 LLM 실제로 쓸만한 수준까지 왔나요?26.08.28
- 다음글로컬 LLM으로 RAG 구축해본 후기26.08.25
댓글
5
댓글목록
vLLM 선택 잘하셨네요. 저도 비슷한 상황에서 Ollama 쓰다가 batch 처리할 때 메모리 폭증하는 거 경험했거든요. vLLM의 paged attention이 진짜 차이를 만드는 것 같아요.
한 가지 팁인데 vLLM 세팅할 때 tensor-parallelism 설정이 까다로울 수 있으니 GPU 메모리 구성에 맞게 --gpu-memory-utilization 파라미터를 조정하시면 도움이 됩니다. 저는 0.8~0.9 사이에서 가장 안정적이었어요.
혹시 serving 레이어로는 뭘 쓰고 계세요? FastAPI로 래핑해서 쓰는지, 아니면 vLLM의 기본 API 서버를 그대로 쓰는지 궁금하네요.
한 가지 팁인데 vLLM 세팅할 때 tensor-parallelism 설정이 까다로울 수 있으니 GPU 메모리 구성에 맞게 --gpu-memory-utilization 파라미터를 조정하시면 도움이 됩니다. 저는 0.8~0.9 사이에서 가장 안정적이었어요.
혹시 serving 레이어로는 뭘 쓰고 계세요? FastAPI로 래핑해서 쓰는지, 아니면 vLLM의 기본 API 서버를 그대로 쓰는지 궁금하네요.
vLLM 진짜 체감이 다르네요 ㅋㅋ
vLLM 정말 좋더라고요. 저도 처음엔 Ollama 썼는데 배치 처리할 때 메모리 관리가 답답해서 넘어갔거든요. 속도 개선이 정말 체감되실 거예요.
혹시 quantization까지 적용하셨나요? 저는 GPTQ 양자화 모델이랑 조합하니까 리소스 대비 성능이 훨씬 �아졌어요. 세팅은 복잡하지만 문서가 꽤 정리돼 있어서 참고하면서 하면 괜찮습니다.
혹시 quantization까지 적용하셨나요? 저는 GPTQ 양자화 모델이랑 조합하니까 리소스 대비 성능이 훨씬 �아졌어요. 세팅은 복잡하지만 문서가 꽤 정리돼 있어서 참고하면서 하면 괜찮습니다.
vLLM 정말 차이 나네요. 저도 처음엔 Ollama로 시작했다가 같은 이유로 vLLM로 옮겼는데 속도 개선이 확실했어요. 메모리 이슈는 batch size 조정이랑 quantization으로 많이 해결됐던 것 같습니다. 혹시 GPU 메모리가 넉넉하다면 PagedAttention도 한번 체크해보세요.
댓글을 작성하려면 로그인이 필요합니다.