安装 — Xinference (original) (raw)

安装#

Xinference 在 Linux, Windows, MacOS 上都可以通过 pip 来安装。如果需要使用 Xinference 进行模型推理，可以根据不同的模型指定不同的引擎。

如果你希望能够推理所有支持的模型，可以用以下命令安装所有需要的依赖：

pip install "xinference[all]"

某些使用场景需要特别注意。

GGUF 格式 配合 llama.cpp 引擎 使用

在这种情况下，建议根据您的硬件规格手动安装其依赖项以启用加速。更多详情请参见 Llama.cpp 引擎 部分。

AWQ 或 GPTQ 格式 配合 transformers 引擎 使用

本节内容新增于 v1.6.0。

这是因为此阶段的依赖项需要特殊选项，并且安装起来比较困难。请提前运行以下命令

pip install "xinference[transformers_quantization]" --no-build-isolation

某些依赖项，如 transformers，可能会被降级，您可以之后运行 pip install "xinference[all]"。

如果你只想安装必要的依赖，接下来是如何操作的详细步骤。

Transformers 引擎#

PyTorch(transformers) 引擎支持几乎有所的最新模型，这是 Pytorch 模型默认使用的引擎：

pip install "xinference[transformers]"

vLLM 引擎#

vLLM 是一个支持高并发的高性能大模型推理引擎。当满足以下条件时，Xinference 会自动选择 vllm 作为引擎来达到更高的吞吐量：

• 模型格式为 pytorch ， gptq 或者 awq 。
• 当模型格式为 pytorch 时，量化选项需为 none 。
• 当模型格式为 awq 时，量化选项需为 Int4 。
• 当模型格式为 gptq 时，量化选项需为 Int3 、 Int4 或者 Int8 。
• 操作系统为 Linux 并且至少有一个支持 CUDA 的设备
• 自定义模型的 model_family 字段和内置模型的 model_name 字段在 vLLM 的支持列表中。

目前，支持的模型包括：

• llama-2, llama-3, llama-3.1, llama-3.2-vision, llama-2-chat, llama-3-instruct, llama-3.1-instruct, llama-3.3-instruct
• mistral-v0.1, mistral-instruct-v0.1, mistral-instruct-v0.2, mistral-instruct-v0.3, mistral-nemo-instruct, mistral-large-instruct
• codestral-v0.1
• Yi, Yi-1.5, Yi-chat, Yi-1.5-chat, Yi-1.5-chat-16k
• code-llama, code-llama-python, code-llama-instruct
• deepseek, deepseek-coder, deepseek-chat, deepseek-coder-instruct, deepseek-r1-distill-qwen, deepseek-v2-chat, deepseek-v2-chat-0628, deepseek-v2.5, deepseek-v3, deepseek-v3-0324, deepseek-r1, deepseek-r1-0528, deepseek-prover-v2, deepseek-r1-0528-qwen3, deepseek-r1-distill-llama
• yi-coder, yi-coder-chat
• codeqwen1.5, codeqwen1.5-chat
• qwen2.5, qwen2.5-coder, qwen2.5-instruct, qwen2.5-coder-instruct, qwen2.5-instruct-1m
• baichuan-2-chat
• internlm2-chat
• internlm2.5-chat, internlm2.5-chat-1m
• qwen-chat
• mixtral-instruct-v0.1, mixtral-8x22B-instruct-v0.1
• chatglm3, chatglm3-32k, chatglm3-128k
• glm4-chat, glm4-chat-1m, glm4-0414
• codegeex4
• qwen1.5-chat, qwen1.5-moe-chat
• qwen2-instruct, qwen2-moe-instruct
• XiYanSQL-QwenCoder-2504
• QwQ-32B-Preview, QwQ-32B
• marco-o1
• fin-r1
• seallms-v3
• skywork-or1-preview, skywork-or1
• HuatuoGPT-o1-Qwen2.5, HuatuoGPT-o1-LLaMA-3.1
• DianJin-R1
• gemma-it, gemma-2-it, gemma-3-1b-it
• orion-chat, orion-chat-rag
• c4ai-command-r-v01
• minicpm3-4b
• internlm3-instruct
• moonlight-16b-a3b-instruct
• qwen3

安装 xinference 和 vLLM：

pip install "xinference[vllm]"

FlashInfer is optional but required for specific functionalities such as sliding window attention with Gemma 2.

For CUDA 12.4 & torch 2.4 to support sliding window attention for gemma 2 and llama 3.1 style rope

pip install flashinfer -i https://flashinfer.ai/whl/cu124/torch2.4

For other CUDA & torch versions, please check https://docs.flashinfer.ai/installation.html

Llama.cpp 引擎#

Xinference 通过 xllamacpp 支持 gguf 格式的模型。xllamacpp 由 Xinference 团队开发，并从 v1.6.0 开始成为 llama.cpp 的唯一后端。

警告

自 Xinference v1.5.0 起，llama-cpp-python 被弃用；在 Xinference 从 v1.6.0 开始，该后端已被移除。

初始步骤：

xllamacpp 的安装说明：

• CPU 或 Mac Metal：
• CUDA:
  pip install xllamacpp --force-reinstall --index-url https://xorbitsai.github.io/xllamacpp/whl/cu124
• HIP:
  pip install xllamacpp --force-reinstall --index-url https://xorbitsai.github.io/xllamacpp/whl/rocm-6.0.2

SGLang 引擎#

SGLang 具有基于 RadixAttention 的高性能推理运行时。它通过在多个调用之间自动重用KV缓存，显著加速了复杂 LLM 程序的执行。它还支持其他常见推理技术，如连续批处理和张量并行处理。

初始步骤：

pip install "xinference[sglang]"

For CUDA 12.4 & torch 2.4 to support sliding window attention for gemma 2 and llama 3.1 style rope

pip install flashinfer -i https://flashinfer.ai/whl/cu124/torch2.4

For other CUDA & torch versions, please check https://docs.flashinfer.ai/installation.html

MLX 引擎#

MLX-lm 用来在苹果 silicon 芯片上提供高效的 LLM 推理。

初始步骤：

pip install "xinference[mlx]"

其他平台#

• Ascend NPU