# Guide de déploiement et d'inférence vLLM

### :computer:Installation de vLLM

Pour les GPU NVIDIA, utilisez uv et exécutez :

```bash
pip install --upgrade pip
pip install uv
uv pip install -U vllm --torch-backend=auto
```

Pour les GPU AMD, veuillez utiliser l'image Docker nightly : `rocm/vllm-dev:nightly`

Pour la branche nightly pour les GPU NVIDIA, exécutez :

{% code overflow="wrap" %}

```bash
pip install --upgrade pip
pip install uv
uv pip install -U vllm --torch-backend=auto --extra-index-url https://wheels.vllm.ai/nightly
```

{% endcode %}

Voir [docs vLLM](https://docs.vllm.ai/en/stable/getting_started/installation) pour plus de détails

### :truck:Déploiement des modèles vLLM

Après avoir sauvegardé votre fine-tune, vous pouvez simplement faire :

```bash
vllm serve unsloth/gpt-oss-120b
```

### :fire\_engine:Options, arguments et flags du serveur de déploiement vLLM

Quelques flags importants du serveur à utiliser se trouvent à [#vllm-deployment-server-flags-engine-arguments-and-options](#vllm-deployment-server-flags-engine-arguments-and-options "mention")

### 🦥Déploiement des finetunes Unsloth dans vLLM

Après le fine-tuning [Fine-tuning Guide](/docs/fr/commencer/fine-tuning-llms-guide.md) ou en utilisant nos notebooks à [Carnets Unsloth](/docs/fr/commencer/unsloth-notebooks.md), vous pouvez sauvegarder ou déployer vos modèles directement via vLLM dans un seul flux de travail. Un exemple de script de finetuning Unsloth par ex :

```python
from unsloth import FastLanguageModel
import torch
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = "unsloth/gpt-oss-20b",
    max_seq_length = 2048,
    load_in_4bit = True,
)
model = FastLanguageModel.get_peft_model(model)
```

**Pour sauvegarder en 16 bits pour vLLM, utilisez :**

{% code overflow="wrap" %}

```python
model.save_pretrained_merged("finetuned_model", tokenizer, save_method = "merged_16bit")
## OU pour téléverser sur HuggingFace :
model.push_to_hub_merged("hf/model", tokenizer, save_method = "merged_16bit", token = "")
```

{% endcode %}

**Pour sauvegarder seulement les adaptateurs LoRA**, utilisez soit :

```python
model.save_pretrained("finetuned_lora")
tokenizer.save_pretrained("finetuned_lora")
```

Ou utilisez simplement notre fonction intégrée pour le faire :

{% code overflow="wrap" %}

```python
model.save_pretrained_merged("finetuned_model", tokenizer, save_method = "lora")
## OU pour téléverser sur HuggingFace
model.push_to_hub_merged("hf/model", tokenizer, save_method = "lora", token = "")
```

{% endcode %}

Pour fusionner en 4 bits afin de charger sur HuggingFace, appelez d'abord `merged_4bit`. Puis utilisez `merged_4bit_forced` si vous êtes certain de vouloir fusionner en 4 bits. Je vous le déconseille fortement, sauf si vous savez ce que vous allez faire avec le modèle 4 bits (par ex. pour l'entraînement DPO ou pour le moteur d'inférence en ligne de HuggingFace)

{% code overflow="wrap" %}

```python
model.save_pretrained_merged("finetuned_model", tokenizer, save_method = "merged_4bit")
## Pour téléverser sur HuggingFace :
model.push_to_hub_merged("hf/model", tokenizer, save_method = "merged_4bit", token = "")
```

{% endcode %}

Puis pour charger le modèle finetuné dans vLLM dans un autre terminal :

```bash
vllm serve finetuned_model
```

Vous devrez peut-être fournir le chemin complet si ce qui précède ne fonctionne pas, par ex :

```bash
vllm serve /mnt/disks/daniel/finetuned_model
```

Voir autre contenu :

### [Arguments du moteur vLLM](/docs/fr/bases/inference-and-deployment/vllm-guide/vllm-engine-arguments.md)

### [Guide de permutation à chaud LoRA](/docs/fr/bases/inference-and-deployment/vllm-guide/lora-hot-swapping-guide.md)


---

# Agent Instructions: Querying This Documentation

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

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://unsloth.ai/docs/fr/bases/inference-and-deployment/vllm-guide.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
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.