跳到正文
原文
Hugging Face Blog·· 2026-06-26精选AI 评分60

一条命令在 HF Jobs 上运行 vLLM 服务器

Run a vLLM Server on HF Jobs in One Command

AI 摘要

Hugging Face 发布教程，介绍用一条 hf jobs run 命令在 HF 基础设施上启动私有、兼容 OpenAI API 的 vLLM 推理端点，按秒计费，无需自行配置服务器或 Kubernetes。

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 或任何地方查询它。

这是为测试、评估或批量生成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——关于何时选择哪一种，文末有更多说明。）

下面是完整的端到端流程。

前提条件

  • 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"。
  • 本地已登录：hf auth login。

启动服务器

hf jobs run 是用于 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，并用 --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 代理路由容器的端口（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 job ID。记下它，后面我们会用到。在本文剩余部分，我们用 <job_id> 作为它的占位符。

给它几分钟下载权重并启动。当日志显示 Application startup complete 时，你就上线了。

从任何地方查询它

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

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? 😊

开始前快速做个健康检查：curl https://<job_id>--8000.hf.jobs/v1/models -H "Authorization: Bearer $(hf auth token)" 应该会列出模型。

🔐 该端点是受门控的，并非公开。每个请求都必须携带一个对该 job 命名空间具有读权限的 HF token。直接用浏览器访问会被拒绝。实际上，jobs 代理就是你的 API 网关：访问权限限定于你（以及你的组织）。这对私人使用没问题，但要相应地对待这个 URL：不要分享它并指望它是开放的，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，请在前面放置一个合适的网关。或者参见下方的 HF Jobs 还是 Inference Endpoints？。

清理

Jobs 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），但显式取消更便宜。一个 a10g-large 的运行价格为 $1.50/小时——查看 hf jobs hardware 获取完整价格列表，并选择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——选择一个更强的 --flavor，并告诉 vLLM 用 --tensor-parallel-size 将模型分片到多个 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，并给更大的模型更长的 --timeout，因为它们下载和加载需要更长时间。对于大模型，H200 规格通常性价比最高。

这些 --max-model-len 32768 --max-num-seqs 256 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的内存。限制上下文长度和并发序列数可使其保持在 GPU 内存范围内。如果模型因内存不足或缓存块错误而无法启动，首先应尝试调低这两个参数。其他所有内容（暴露的 URL、OpenAI 客户端、token 认证）都保持完全不变。

更进一步：在 UI 中与它聊天

更喜欢聊天窗口而不是 curl？几行 Gradio 代码就能指向同一个端点。将 --reasoning-parser deepseek_r1 添加到 vllm serve 命令中，这样 Qwen3 的思考就会作为单独的字段返回（不是必需的，但很有帮助），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，然后聊天——推理过程会流式显示在可折叠面板中，答案在下方。

更进一步：SSH 进入正在运行的服务器

需要调试启动失败、查看 GPU 内存或交互式跟踪日志？你可以直接打开一个 shell 进入正在运行的 job。使用 --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

然后使用 job ID 连接：

hf jobs ssh <job_id>

现在你已进入容器内部，可以运行 nvidia-smi、检查进程或直接操作模型——这使得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：使用 Pi 将其作为编码代理后端

同一个端点也可以为终端编码代理提供支持。Pi 是一个与提供商无关的代理框架。将它指向该 job，你就能在自托管的模型上运行一个 Read/Write/Edit/Bash 代理。

首先需要设置一件事：代理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，请使用 --enable-auto-tool-choice 和与模型系列匹配的 --tool-call-parser 重新启动（Qwen3 使用 hermes）。代理也能从更强大的模型中受益，所以这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 中将该 job 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" }
      ]
    }
  }
}

然后针对它启动代理：

pi

你几条命令之前启动的模型，现在正在你的终端中驱动一个交互式编码代理。

HF Jobs 还是 Inference Endpoints？

HF Jobs 并不是在 Hugging Face 上提供模型的唯一方式。Inference Endpoints 是我们为同一任务提供的托管产品，哪一种适合取决于你的需求。

当你想要最大的灵活性和控制力时，选择 HF Jobs：它只是在 HF 基础设施上运行 docker run，因此你可以选择镜像、确切的 vllm serve 标志和硬件，并且只需按 job 运行时间按秒付费。这使其非常适合实验、一次性评估、批量生成，或在正式投入之前对模型进行试水。

当你想要更接近生产环境的东西时，选择 Inference Endpoints。它们增加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。如果你要搭建一个持久端点而不是运行一个 job，那就是该用的工具。

进一步阅读

本文坚持使用 vLLM，但同样的暴露端口模式也适用于任何 OpenAI 兼容的服务器。若要使用 llama.cpp 提供 GGUF 服务，或改用 SGLang，请参阅在 Jobs 上部署模型指南，其中详细介绍了这些后端。

来源：Hugging Face Blog · huggingface.co

#集群与供电
00