久等多时，本周 OpenAI 终于发布了两款开源模型：GPT OSS 120B和GPT OSS 20B，官方提供的 vLLM 推理需要一系列安装配置步骤才可正常运行，以下基于开源大模型服务平台GPUStack，结合自定义安装的vLLM版本，完成 GPT OSS 系列模型的生产部署推理。同时，我们还选择了Ollama作为对比，基于EvalScope进行压测，对比两种引擎在生产并发场景下的吞吐性能差异。
测试结果显示，vLLM 在资源利用率、并发能力和扩展效率方面均大幅领先。尤其在企业级部署场景中，Ollama 的多实例架构容易造成显存浪费，而 vLLM 则能以更小的显存占用支撑更多并发连接，投资回报率（ROI）远高于前者。
以下为具体的安装部署教程和测试过程：
安装 GPUStack
首先，参考 GPUStack 官方文档完成安装（https://docs.gpustack.ai/latest/installation/nvidia-cuda/online-installation/）。推荐容器化部署方式，在 NVIDIA GPU 服务器上，根据文档要求完成对应版本的 NVIDIA 驱动、Docker 和 NVIDIA Container Toolkit 安装后，通过 Docker 启动 GPUStack 服务。
以下测试在 NVIDIA H20 GPU 上进行：
docker run -d –name gpustack –restart=unless-stopped –gpus all –network=host –ipc=host -e HF_ENDPOINT="https://hf-mirror.com" -v gpustack-data:/var/lib/gpustack gpustack/gpustack –port 9090
查看容器日志确认 GPUStack 是否已正常运行：
docker logs -f gpustack
若容器日志显示服务启动正常，使用以下命令获取 GPUStack 控制台的初始登录密码：
docker exec -it gpustack cat /var/lib/gpustack/initialadminpassword
在浏览器中通过服务器 IP 和自定义的 9090 端口访问 GPUStack 控制台（http://YOURHOSTIP:9090），使用默认用户名 admin 和上一步获取的初始密码登录。登录 GPUStack 后，在资源菜单即可查看识别到的 GPU 资源：
安装自定义 vLLM 版本
目前，GPUStack 0.7.0 版本集成的 vLLM 版本为 0.9.2，vLLM 的最新版本为 0.10.0，但 0.10.0 版本仍不支持 openai/gpt-oss-120b 和 openai/gpt-oss-20b 模型的推理运行。
查看模型介绍：https://huggingface.co/openai/gpt-oss-120b，模型的 README 中已说明需要安装vLLM 0.10.1 gptoss分支版本才能运行：
为了提前体验gpt-oss-120b和gpt-oss-20b模型，我们需要手动安装该开发分支。
GPUStack 支持推理引擎多版本并行使用，用户可以在保留默认稳定版本的同时，灵活安装并使用自定义的 vLLM 版本，实现对新发布模型的推理。
进入 GPUStack 容器，创建一个独立的 Python 虚拟环境来安装vllm 0.10.1+gptoss版本：
docker exec -it gpustack bash
由于vllm_0.10.1+gptoss依赖 Python 3.12，而 GPUStack 镜像内置版本为 3.11，安装 Miniconda 用于提供 Python 3.12。到持久化目录下创建 Python 虚拟环境，这样在容器重建后仍然可以使用该环境：
在持久化路径下创建目录mkdir -p /var/lib/gpustack/miniconda3# 下载 Miniconda Minicondawget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O /var/lib/gpustack/miniconda3/miniconda.sh# 安装 Miniconda 到持久化目录bash /var/lib/gpustack/miniconda3/miniconda.sh -b -u -p /var/lib/gpustack/miniconda3# 删除 Miniconda 安装包rm /var/lib/gpustack/miniconda3/miniconda.sh# 激活 base 环境source /var/lib/gpustack/miniconda3/bin/activate# 接受使用协议conda tos accept –override-channels –channel https://repo.anaconda.com/pkgs/mainconda tos accept –override-channels –channel https://repo.anaconda.com/pkgs/r
创建 Python 3.12 虚拟环境：
创建环境conda create -n vllm0.10.1+gptoss python=3.12 -y# 激活环境conda activate vllm0.10.1+gptoss# 检查 Python 版本python -V
安装vllm_0.10.1+gptoss：
设置清华 PyPI 源pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple# 安装 vLLM 0.10.1+gptosspip install –pre vllm==0.10.1+gptoss –extra-index-url https://wheels.vllm.ai/gpt-oss/ –extra-index-url https://download.pytorch.org/whl/nightly/cu128# 将 vllm0.10.1+gptoss 虚拟环境的 vllm 可执行文件链接到 /var/lib/gpustack/bin/ 下用于 GPUStack 调用ln -sf /var/lib/gpustack/miniconda3/envs/vllm0.10.1+gptoss/bin/vllm /var/lib/gpustack/bin/vllm_0.10.1+gptoss
离线环境可以参考以下命令，打包 wheel 包到离线环境安装（注意安装时如果有 wheel 包损坏，重新下载该 wheel 包到内网替换并安装）：
pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simplepip download –pre vllm==0.10.1+gptoss –extra-index-url https://wheels.vllm.ai/gpt-oss/ –extra-index-url https://download.pytorch.org/whl/nightly/cu128 –dest ./vllm0.10.1gptosstar -zcvf vllm0.10.1gptoss.tar vllm0.10.1gptoss/
下载 GPT OSS 模型
在 GPUStack UI 点击模型文件菜单，选择添加模型文件，可以从 Hugging Face 或 ModelScope 联网下载模型文件。国内网络建议从 ModelScope 搜索并下载gpt-oss-120b和gpt-oss-20b模型。
部署 GPT OSS 模型
确认模型下载完成后，点击已下载模型右侧的部署按钮，部署模型。
在部署页面，展开高级配置，设置模型类别为 LLM。并在后端版本中，填写自定义后端版本为0.10.1+gptoss，GPUStack会自动调用/var/lib/gpustack/bin/vllm_0.10.1+gptoss来运行模型：
并设置以下后端参数和环境变量：
后端参数：
–max-model-len=32768
环境变量：
VLLMATTENTIONBACKEND=FLASH_ATTN
VLLMUSEFLASHINFER_SAMPLER=0
保存部署，等待模型启动完成，确认模型正常运行（Running）：
然后可以在试验场测试模型：
GPT OSS 20B
GPT OSS 120B
EvalScope 压测对比 Ollama
EvalScope 是魔搭社区推出的模型评测与性能基准测试框架，简单易上手，此处使用 EvalScope 来对比 Ollama 和 GPUStack vLLM 后端运行的 GPT OSS 20B 与 GPT OSS 120B 的吞吐性能表现。
使用 Conda 安装 EvalScope：
创建虚拟环境conda create -n evalscope python=3.10 -y# 激活虚拟环境conda activate evalscope# 安装 EvalScopepip install -U 'evalscope[perf]' plotly gradio wandb
以下为压测记录，可以直接跳过到最后查看压测结果汇总分析。
GPT OSS 20B 单卡运行
10 请求 1并发
GPUStack vLLM
evalscope perf –url "https://gpustack.xxx.xx/v1/chat/completions" –api-key "gpustackc07786062fb72316ce5da3294ec87a708b25bda4082d894b" –model gpt-oss-20b –number 10 –parallel 1 –api openai –dataset openqa –stream
Ollama
evalscope perf –url "http://192.168.0.1:11434/v1/chat/completions" –model gpt-oss:20b –number 10 –parallel 1 –api openai –dataset openqa –stream
100 请求 10并发
GPUStack vLLM
evalscope perf –url "https://gpustack.xxx.xx/v1/chat/completions" –api-key "gpustackc07786062fb72316ce5da3294ec87a708b25bda4082d894b" –model gpt-oss-20b –number 100 –parallel 10 –api openai –dataset openqa –stream
Ollama
evalscope perf –url "http://192.168.0.1:11434/v1/chat/completions" –model gpt-oss:20b –number 100 –parallel 10 –api openai –dataset openqa –stream
500 请求 50并发
GPUStack vLLM
evalscope perf –url "https://gpustack.xxx.xx/v1/chat/completions" –api-key "gpustackc07786062fb72316ce5da3294ec87a708b25bda4082d894b" –model gpt-oss-20b –number 500 –parallel 50 –api openai –dataset openqa –stream
Ollama
由于 Ollama 单请求处理效率过低，为节约时间，减少请求数，并发保持不变
evalscope perf –url "http://192.168.0.1:11434/v1/chat/completions" –model gpt-oss:20b –number 100 –parallel 50 –api openai –dataset openqa –stream
在 50 并发下，Ollama 出现 41% 的错误请求。
1000 请求 100并发
GPUStack vLLM
evalscope perf –url "https://gpustack.xxx.xx/v1/chat/completions" –api-key "gpustackc07786062fb72316ce5da3294ec87a708b25bda4082d894b" –model gpt-oss-20b –number 1000 –parallel 100 –api openai –dataset openqa –stream
Ollama
由于 Ollama 单请求处理效率过低，为节约时间，减少请求数，并发保持不变
evalscope perf –url "http://192.168.0.1:11434/v1/chat/completions" –model gpt-oss:20b –number 100 –parallel 100 –api openai –dataset openqa –stream
在 100 并发下，Ollama 出现 71% 的错误请求。
GPT OSS 120B 4卡运行
10 请求 1并发
GPUStack vLLM
evalscope perf –url "https://gpustack.xxx.xx/v1/chat/completions" –api-key "gpustackc07786062fb72316ce5da3294ec87a708b25bda4082d894b" –model gpt-oss-120b –number 10 –parallel 1 –api openai –dataset openqa –stream
Ollama
evalscope perf –url "https://gpustack.xxx.xx/v1/chat/completions" –api-key "gpustackc07786062fb72316ce5da3294ec87a708b25bda4082d894b" –model gpt-oss-120b –number 10 –parallel 1 –api openai –dataset openqa –stream
100 请求 10并发
GPUStack vLLM
evalscope perf –url "https://gpustack.xxx.xx/v1/chat/completions" –api-key "gpustackc07786062fb72316ce5da3294ec87a708b25bda4082d894b" –model gpt-oss-120b –number 100 –parallel 10 –api openai –dataset openqa –stream
Ollama
由于 Ollama 单请求处理效率过低，为节约时间，减少请求数，并发不变。
evalscope perf –url "https://gpustack.xxx.xx/v1/chat/completions" –api-key "gpustackc07786062fb72316ce5da3294ec87a708b25bda4082d894b" –model gpt-oss-120b –number 10 –parallel 10 –api openai –dataset openqa –stream
500 请求 50并发
GPUStack vLLM
evalscope perf –url "https://gpustack.xxx.xx/v1/chat/completions" –api-key "gpustackc07786062fb72316ce5da3294ec87a708b25bda4082d894b" –model gpt-oss-120b –number 500 –parallel 50 –api openai –dataset openqa –stream
Ollama
由于 Ollama 单请求处理效率过低，为节约时间，减少请求数，并发不变。
evalscope perf –url "https://gpustack.xxx.xx/v1/chat/completions" –api-key "gpustackc07786062fb72316ce5da3294ec87a708b25bda4082d894b" –model gpt-oss-120b –number 50 –parallel 50 –api openai –dataset openqa –stream
在 50 并发下，Ollama 出现 58% 的错误请求。
1000 请求 100并发
GPUStack vLLM
evalscope perf –url "https://gpustack.xxx.xx/v1/chat/completions" –api-key "gpustackc07786062fb72316ce5da3294ec87a708b25bda4082d894b" –model gpt-oss-120b –number 1000 –parallel 100 –api openai –dataset openqa –stream
Ollama
由于 Ollama 单请求处理效率过低，为节约时间，减少请求数，并发不变。
evalscope perf –url "https://gpustack.xxx.xx/v1/chat/completions" –api-key "gpustackc07786062fb72316ce5da3294ec87a708b25bda4082d894b" –model gpt-oss-120b –number 100 –parallel 100 –api openai –dataset openqa –stream
在 100 并发下，Ollama 出现 78% 的错误请求。
将以上压测结果的吞吐表现汇总如下表：
以上测试结果表明，在大模型推理的场景下，硬件投入越高，选择像 vLLM 这样的高效推理引擎，其投资回报率（ROI）也就越高。举个形象的例子：如果企业采购了价值 1000 万元的 GPU 硬件，假设使用 vLLM 可以将 GPU 使用效率提升到约 80%，相当于真正发挥出 800 万元的硬件价值。而若选择如 Ollama 这类桌面型工具，相同资源条件下，实际吞吐能力仅为 vLLM 的几分之一，能够释放的计算能力远低于 vLLM。对于重视成本效益与性能表现的企业来说，如何选型，自然不言而喻。
以上测试数据基于单实例运行环境。尽管 Ollama 单实例的资源占用看似远低于 vLLM，但由于其技术架构的限制，单实例一般也仅能支持个位数的并发连接。要想支撑更高的并发，必须通过部署多个实例来扩展能力。然而，多实例部署带来的最大问题就是显存资源的严重浪费。以部署 GPT OSS 20B 模型为例，单个 Ollama 实例加载约 14GB 的模型权重，假设每个实例支持 4 路并发，实现 100 路并发需部署 25 个实例，显存总占用超过 350GB。而采用 vLLM，仅需约 130GB 显存即可支撑相同并发，且具备更强的扩展能力。
综上，从资源利用率、扩展能力到总体成本控制，vLLM 在实际生产环境中均展现出显著优势，是面向企业级大模型推理部署的更优解
