llama-server 与 OpenAI 端点部署指南

通过 llama-server 部署并提供与 OpenAI 兼容的端点

我们正在部署 Devstral-2 —— 参见 Devstral 2 以获取有关该模型的更多详细信息。

获取最新的 llama.cpp 在 此处的 GitHub。您也可以按照下面的构建说明进行。若 -DGGML_CUDA=ON 更改为 -DGGML_CUDA=OFF 如果您没有 GPU 或仅想要在 CPU 上进行推理。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后照常继续 - Metal 支持默认启用。

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

在使用 --jinja 时，llama-server 会追加以下系统消息（如果支持工具）： 以 JSON 格式响应，要么使用 tool_call（请求调用工具），要么使用 response 回应用户的请求 。这有时会对微调造成问题！请参见 llama.cpp 仓库 以获取更多详细信息。

首先下载 Devstral 2：

# !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*"],
)

要将 Devstral 2 部署到生产环境，我们使用 llama-server 在新终端（例如通过 tmux）中，通过以下命令部署模型：

./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

运行上述命令后，您将获得：

然后在新终端中，执行 pip install openai，然后执行：

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": "What is 2+2?"},],
)
print(completion.choices[0].message.content)

这将仅打印 4。 你可以返回到 llama-server 屏幕，可能会看到一些有趣的统计信息：

关于诸如使用推测解码等参数，请参见 https://github.com/ggml-org/llama.cpp/blob/master/tools/server/README.md

❔Llama-server 的怪异行为

• 在使用 --jinja 时，llama-server 会追加以下系统消息（如果支持工具）： 以 JSON 格式响应，要么使用 tool_call（请求调用工具），要么使用 response 回应用户的请求 。这有时会对微调造成问题！请参见 llama.cpp 仓库 以获取更多详情。 你可以通过使用来停止此行为 --no-jinja 但这样一来， 工具 将不再受支持。 例如 FunctionGemma 默认使用：

  您是一个可以进行函数调用的模型，具有以下函数

  但由于 llama-server 追加了一条额外消息，我们得到：

  你是一个可以进行函数调用的模型，具有以下函数\n\n以 JSON 格式响应，要么使用 `tool_call`（请求调用工具），要么使用 `response` 回应用户的请求

  我们已将该问题报告给 https://github.com/ggml-org/llama.cpp/issues/18323 llama.cpp 的开发者正在努力修复此问题！ 在此期间，对于所有微调，请特别添加用于工具调用的提示词！

🧰使用 llama-server 的工具调用

GLM 4.7 的工具调用 Tool Calling Guide 有关如何进行工具调用的说明！