> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/llama-server-and-openai-endpoint.md).

# Bereitstellungsleitfaden für llama-server & OpenAI-Endpunkt

Bereitstellung über llama-server mit einem OpenAI-kompatiblen Endpunkt

Wir werden Devstral-2 bereitstellen – siehe [Devstral 2](/docs/de/modelle/tutorials/devstral-2.md) für weitere Einzelheiten zum Modell. 

Holen Sie sich die neueste `llama.cpp` auf [hier auf GitHub](https://github.com/ggml-org/llama.cpp). Sie können auch die folgenden Build-Anweisungen befolgen. Ändern Sie `-DGGML_CUDA=ON` zu `-DGGML_CUDA=OFF` wenn Sie keine GPU haben oder nur CPU-Inferenz möchten. **Für Apple-Mac-/Metal-Geräte**, setzen Sie `-DGGML_CUDA=OFF` und fahren Sie dann wie gewohnt fort – Metal-Unterstützung ist standardmäßig aktiviert.

{% code overflow="wrap" %}

```bash
apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \\
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp
```

{% endcode %}

{% hint style="info" %}
Bei der Verwendung von `--jinja` fügt llama-server die folgende Systemnachricht hinzu, wenn Tools unterstützt werden: `Antworte im JSON-Format, entweder mit tool_call (einer Anfrage zum Aufrufen von Tools) oder mit response als Antwort auf die Anfrage des Benutzers` . Dies verursacht manchmal Probleme bei Feinabstimmungen! Siehe das [llama.cpp-Repository](https://github.com/ggml-org/llama.cpp/blob/12ee1763a6f6130ce820a366d220bbadff54b818/common/chat.cpp#L849) für weitere Details.
{% endhint %}

Lade zuerst Devstral 2 herunter:

{% code overflow="wrap" %}

```python
# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "1"
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id = "unsloth/Devstral-2-123B-Instruct-2512-GGUF",
    local_dir = "Devstral-2-123B-Instruct-2512-GGUF",
    allow_patterns = ["*UD-Q2_K_XL*", "*mmproj-F16*"],
)
```

{% endcode %}

Um Devstral 2 für die Produktion bereitzustellen, verwenden wir `llama-server` In einem neuen Terminal, z. B. über tmux, stelle das Modell mit Folgendem bereit:

{% code overflow="wrap" %}

```bash
./llama.cpp/llama-server \\
    --model Devstral-Small-2-24B-Instruct-2512-GGUF/Devstral-Small-2-24B-Instruct-2512-UD-Q4_K_XL.gguf \\
    --mmproj Devstral-Small-2-24B-Instruct-2512-GGUF/mmproj-F16.gguf \\
    --alias "unsloth/Devstral-Small-2-24B-Instruct-2512" \\
    --threads -1 \\
    --n-gpu-layers 999 \\
    --prio 3 \\
    --min-p 0.01 \\
    --ctx-size 16384 \\
    --port 8001 \
    --jinja
```

{% endcode %}

Wenn Sie das oben Genannte ausführen, erhalten Sie:

<figure><img src="https://797013937-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FJSTkWDCcHk5DI6otb72X%2Fimage.png?alt=media&amp;token=b685008e-e9ad-4dea-8f1d-af3fdade8e3b" alt=""><figcaption></figcaption></figure>

Dann in einem neuen Terminal, nachdem du `pip install openai`, mache Folgendes:

{% code overflow="wrap" %}

```python
from openai import OpenAI
import json
openai_client = OpenAI(
    base_url = "http://127.0.0.1:8001/v1",
    api_key = "sk-no-key-required",
)
completion = openai_client.chat.completions.create(
    model = "unsloth/Devstral-Small-2-24B-Instruct-2512",
    messages = [{"role": "user", "content": "Was ist 2+2?"},],
)
print(completion.choices[0].message.content)
```

{% endcode %}

Was einfach 4 ausgeben wird.\
\
Du kannst zum llama-server-Bildschirm zurückkehren und möglicherweise einige Statistiken sehen, die interessant sein könnten:

<figure><img src="https://797013937-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2F6msFgOWJEWXEEgXvLRnr%2Fimage.png?alt=media&amp;token=25fa1784-f671-4e0d-9bad-a4534525afb6" alt=""><figcaption></figcaption></figure>

Für Argumente wie die Verwendung von spekulativem Decoding siehe <https://github.com/ggml-org/llama.cpp/blob/master/tools/server/README.md>

## :grey\_question:Eigenheiten von llama-server

* Bei der Verwendung von `--jinja` fügt llama-server die folgende Systemnachricht hinzu, wenn Tools unterstützt werden: `Antworte im JSON-Format, entweder mit tool_call (einer Anfrage zum Aufrufen von Tools) oder mit response als Antwort auf die Anfrage des Benutzers` . Dies verursacht manchmal Probleme bei Feinabstimmungen! Siehe das [llama.cpp-Repository](https://github.com/ggml-org/llama.cpp/blob/12ee1763a6f6130ce820a366d220bbadff54b818/common/chat.cpp#L849) für weitere Einzelheiten.\
  \
  Du kannst dies stoppen, indem du `--no-jinja` aber dann `Tools` wird nicht mehr unterstützt.\
  \
  Zum Beispiel verwendet FunctionGemma standardmäßig:

  <pre class="language-notebook-python" data-overflow="wrap"><code class="lang-notebook-python">Du bist ein Modell, das Funktionsaufrufe mit den folgenden Funktionen ausführen kann
  </code></pre>

  Aber weil llama-server eine zusätzliche Nachricht anhängt, erhalten wir:

  <pre class="language-notebook-python" data-overflow="wrap"><code class="lang-notebook-python">Du bist ein Modell, das Function Calling mit den folgenden Funktionen ausführen kann\n\nAntworte im JSON-Format, entweder mit `tool_call` (einer Anfrage zum Aufrufen von Tools) oder mit `response` als Antwort auf die Anfrage des Benutzers
  </code></pre>

  Wir haben das Problem gemeldet an <https://github.com/ggml-org/llama.cpp/issues/18323> und die Entwickler von llama.cpp arbeiten an einer Lösung!\
  \
  In der Zwischenzeit füge bitte für alle Feinabstimmungen den Prompt speziell für Tool Calling hinzu!

## :toolbox:Tool Calling mit llama-server

Siehe [Tool Calling Guide](/docs/de/grundlagen/tool-calling-guide-for-local-llms.md) darüber, wie man Tool Calling durchführt!


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://unsloth.ai/docs/de/grundlagen/inference-and-deployment/llama-server-and-openai-endpoint.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.