跳到正文
北京时间
原文
Hugging Face：Blog（RSS）·· 2026-06-26精选AI 评分62

一条命令在HF Jobs上启动vLLM服务器

Run a vLLM Server on HF Jobs in One Command

AI 导读

HuggingFace Jobs 支持一条命令启动 vLLM 服务器，用于测试、评估或批量生成。使用 `hf jobs run` 命令，指定官方 `vllm/vllm-openai` 镜像、GPU flavor（如 `a10g-large`）、暴露端口 8000 并设置超时。服务器启动后可通过 OpenAI 兼容 API 访问，每次请求需携带 HF token 作为 bearer token（仅限有读权限的用户）。示例部署了 Qwen/Qwen3-4B（多 GPU 需 `--tensor-parallel-size`）。`a10g-large` 价格为 $1.50/小时，按分钟计费，可通过 `hf jobs cancel` 停止。

推荐理由

这是一条命令在HF上启动vLLM的完整教程，适合快速测试模型的开发者，但方案完全绑定Hugging Face平台，通用性有限。

正文 · AI 翻译

你只需一条命令，就能在 Hugging Face 基础设施上启动一个私有的、兼容 OpenAI 的 LLM 端点——无需配置服务器，无需 Kubernetes，按秒计费。一旦启动，你就可以从笔记本电脑、notebook 或任何其他地方向它发起查询。

这是为测试、评测或批量生成快速搭建模型的最快方式。（如果你想要的是托管式的、生产就绪的服务，那正是 Inference Endpoints 的用途——关于何时选择哪种方案，文末有更多说明。）

下面是完整的端到端流程。

前置条件

  • 一种支付方式，或正数的预付费余额（Jobs 按硬件使用时长每分钟计费）。
  • huggingface_hub >= 1.20.0：pip install -U "huggingface_hub>=1.20.0"。
  • 已在本地登录：hf auth login。

启动服务器

hf jobs run 是面向 HF 基础设施的 docker run。我们使用官方 vllm/vllm-openai 镜像，申请一块带 --flavor 的 GPU，并通过 --expose 暴露 vLLM 的端口：

hf jobs run --flavor a10g-large --expose 8000 --timeout 2h \
  vllm/vllm-openai:latest \
  vllm serve Qwen/Qwen3-4B --host 0.0.0.0 --port 8000

--expose 8000 通过 HF 的公共 jobs 代理转发容器的端口（完整参考见 Serve Models 指南）。该命令会打印出你的服务器可访问的 URL：

✓ Job started
  id: 6a381ca1953ed90bfb947332
  url: https://huggingface.co/jobs/qgallouedec/6a381ca1953ed90bfb947332
Hint: Exposed ports are reachable at (requires an HF token with read access to the job):
  https://6a381ca1953ed90bfb947332--8000.hf.jobs

6a381ca1953ed90bfb947332 是你的任务 ID。请记好它，我们后面会用到。在本文剩余部分，我们将用 <job_id> 作为它的占位符。

给它几分钟时间下载权重并启动。当日志显示 Application startup complete 时，就说明已经上线了。

从任何地方查询它

vLLM 使用 OpenAI API 协议，每个请求只需将你的 HF token 作为 bearer token 传入即可。最快的方式是用 curl 发起请求：

curl https://<job_id>--8000.hf.jobs/v1/chat/completions \
  -H "Authorization: Bearer $(hf auth token)" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Qwen/Qwen3-4B",
    "messages": [{"role": "user", "content": "Hello!"}],
    "chat_template_kwargs": {"enable_thinking": false}
  }'

它会返回常见的 OpenAI 风格 JSON，其中 choices[0].message.content 包含 "Hello! How can I assist you today? 😊"。

或者，在 Python 中，将 OpenAI 客户端指向暴露出来的 URL，并把 token 作为 API key 传入：

from huggingface_hub import get_token
from openai import OpenAI

client = OpenAI(
    base_url="https://<job_id>--8000.hf.jobs/v1",
    api_key=get_token(),
)
resp = client.chat.completions.create(
    model="Qwen/Qwen3-4B",
    messages=[{"role": "user", "content": "Hello!"}],
    extra_body={"chat_template_kwargs": {"enable_thinking": False}},
)
print(resp.choices[0].message.content)

Hello! How can I assist you today? 😊

开始之前先做个快速健康检查：curl https://<job_id>--8000.hf.jobs/v1/models -H "Authorization: Bearer $(hf auth token)" 应当列出该模型。

🔐 该端点受访问控制保护，并非公开。 每个请求都必须携带一个对任务所在命名空间具有 读取权限 的 HF token。直接用浏览器访问会被拒绝。实际上，任务代理 就是 你的 API 网关：访问权限仅限于你（以及你的组织）。这对私人使用来说没问题，但要相应地对待这个 URL：不要分享它并指望它是公开的，也不要把你的 token 粘贴到不受信任的地方。如果你需要更细粒度或公开的访问权限，请在前面部署一个正规的网关。或者参见下方的 HF Jobs 还是 Inference Endpoints？。

清理

任务按秒计费，所以用完后请停止服务器：

hf jobs cancel <job_id>

你设置的 --timeout 是一道安全网（它会自动停止），但显式取消更省钱。一个 a10g-large 的运行价格为 $1.50/小时——查看 hf jobs hardware 了解完整价格列表，并挑选适合你模型的最小规格。

更进一步：更大的模型

同一条命令可以扩展到更大的模型——挑选一个更强的 --flavor，并通过 --tensor-parallel-size 让 vLLM 把模型分片到多个 GPU 上。例如，在 2× H200 上运行 122B 的 Qwen3.5 混合专家模型：

hf jobs run --flavor h200x2 --expose 8000 --timeout 2h \
  vllm/vllm-openai:latest \
  vllm serve Qwen/Qwen3.5-122B-A10B \
  --host 0.0.0.0 --port 8000 --tensor-parallel-size 2 \
  --max-model-len 32768 --max-num-seqs 256

--tensor-parallel-size 应与该规格中的 GPU 数量一致（h200x2 → 2，h200x8 → 8）。运行 hf jobs hardware 查看有哪些可用规格，并给更大的模型设置更长的 --timeout，因为它们下载和加载需要更长时间。对于大型模型，H200 规格通常性价比最高。

--max-model-len 32768 --max-num-seqs 256 这些标志是该模型特有的：Qwen3.5-122B 是一种混合 Mamba/注意力架构，默认上下文为 256K token，这没有为 vLLM 的默认批处理设置留下足够内存。限制上下文长度和并发序列数可以让它保持在 GPU 的内存范围内。如果某个模型因内存不足或缓存块错误而启动失败，首先应该尝试的就是把这两项调低。其他一切（暴露的 URL、OpenAI 客户端、token 认证）都完全保持不变。

更进一步：在 UI 中与它对话

更喜欢聊天窗口而不是 curl？只需几行Gradio指向同一个端点。把--reasoning-parser deepseek_r1加到vllm serve命令中，这样 Qwen3 的思考过程会作为单独的字段返回（不是必须的，但很有用），然后在本地运行这段代码（你只需要 job ID）：

import gradio as gr
from gradio import ChatMessage
from huggingface_hub import get_token
from openai import OpenAI

client = OpenAI(base_url="https://<job_id>--8000.hf.jobs/v1", api_key=get_token())

def chat(message, history):
    messages = [{"role": m["role"], "content": m["content"]} for m in history if not m.get("metadata")]
    messages.append({"role": "user", "content": message})
    stream = client.chat.completions.create(model="Qwen/Qwen3-4B", messages=messages, stream=True)

    thinking, answer = "", ""
    for chunk in stream:
        delta = chunk.choices[0].delta
        thinking += delta.model_extra.get("reasoning", "")
        answer += delta.content or ""
        out = []
        if thinking.strip():
            status = "done" if answer.strip() else "pending"
            out.append(ChatMessage(role="assistant", content=thinking, metadata={"title": "💭 Thinking", "status": status}))
        if answer.strip():
            out.append(ChatMessage(role="assistant", content=answer))
        yield out

gr.ChatInterface(chat).launch()

运行它，打开 http://127.0.0.1:7860，然后开始对话——推理过程会流式输出到可折叠面板中，答案显示在下方。

更进一步：通过 SSH 连接到正在运行的服务器

需要调试启动失败、查看 GPU 内存，或者交互式地跟踪日志？你可以直接打开一个 shell 进入正在运行的 job。用 --ssh 启动它，并确保你的公钥已在 huggingface.co/settings/keys 注册：

hf jobs run --flavor a10g-large --expose 8000 --timeout 2h --ssh \
  vllm/vllm-openai:latest \
  vllm serve Qwen/Qwen3-4B --host 0.0.0.0 --port 8000

然后用 job ID 连接：

hf jobs ssh <job_id>

现在你已经进入容器内部，可以运行 nvidia-smi、检查进程，或者直接探查模型——这让调试和监控比从外部读取日志要容易得多。SSH 支持需要 huggingface_hub >= 1.20.0。

更进一步：用 Pi 将其作为编码智能体后端

同一个端点还能支撑终端编码智能体。Pi 是一个与提供商无关的智能体框架。把它指向这个任务，你就能得到一个运行在你自己自托管模型上的 Read/Write/Edit/Bash 智能体。

首先需要设置一件事：智能体通过工具调用来驱动模型，而 vLLM 只有在服务器启动时启用了工具调用，才会接受这些调用。因此，请用 --enable-auto-tool-choice 以及一个与模型系列匹配的 --tool-call-parser（Qwen3 对应 hermes）重新启动。智能体也能从更强的模型中获益，所以这里是引入更大模型的好时机：

hf jobs run --flavor h200x2 --expose 8000 --timeout 2h \
  vllm/vllm-openai:latest \
  vllm serve Qwen/Qwen3.5-122B-A10B \
  --host 0.0.0.0 --port 8000 --tensor-parallel-size 2 \
  --max-model-len 32768 --max-num-seqs 256 \
  --reasoning-parser deepseek_r1 \
  --enable-auto-tool-choice --tool-call-parser hermes

然后在 ~/.pi/agent/models.json 中把这个任务添加为自定义提供商：

{
  "providers": {
    "hf-jobs": {
      "baseUrl": "https://<job_id>--8000.hf.jobs/v1",
      "api": "openai-completions",
      "apiKey": "!hf auth token",
      "models": [
        { "id": "Qwen/Qwen3.5-122B-A10B" }
      ]
    }
  }
}

然后针对它启动智能体：

pi

你几条命令之前启动的那个模型，现在正在你的终端里驱动一个交互式编码智能体。

HF Jobs 还是 Inference Endpoints？

HF Jobs 并不是在 Hugging Face 上服务模型的唯一方式。Inference Endpoints 是我们为同一任务提供的托管产品，哪一个更合适取决于你的需求。

当你想要最大的灵活性和控制力时，就选择 HF Jobs：它本质上就是在 HF 基础设施上运行 docker run，因此你可以自行选择镜像、确切的 vllm serve 参数以及硬件，并且只需按作业运行的秒数付费。这使它非常适合实验、一次性评测、批量生成，或者在正式投入之前先试跑一下某个模型。

当你想要更接近生产就绪的方案时，就选择 Inference Endpoints。它们补充了长期运行服务所需的运维便利性：更细粒度的访问控制（端点可以是公开、受保护或私有的），以及缩容到零，因此在不活跃期间不会计费。如果你要搭建的是一个持久化端点，而不是运行一个作业，那这就是该用的工具。

延伸阅读

本文只聚焦 vLLM，但同样的暴露端口模式适用于任何 OpenAI 兼容的服务器。如果想用 llama.cpp 来服务 GGUF，或者改用 SGLang，请参阅 Serve Models on Jobs 指南，其中详细介绍了这些后端。

来源：Hugging Face：Blog（RSS） · huggingface.co

#Hugging Face#教程/实践#部署/工程