OpenBMB/OmniLMM项目中vLLM API调用MiniCPM模型的正确方式

2025-05-11 17:32:47作者：柯茵沙

项目地址：https://gitcode.com/gh_mirrors/om/OmniLMM

在使用OpenBMB/OmniLMM项目中的MiniCPM-V-2_6模型时，许多开发者会遇到通过vLLM API调用模型时出现的404 Not Found错误。本文将详细解释这一问题的根源以及正确的配置方法。

问题现象

当开发者使用以下命令启动vLLM服务：

CUDA_VISIBLE_DEVICES=1 vllm serve /home/suny/.cache/modelscope/hub/OpenBMB/MiniCPM-V-2_6/ --host 0.0.0.0 --port 9998 --gpu-memory-utilization 0.3 --enforce-eager --max-model-len 2048 --trust-remote-code --api-key minicpm

然后尝试通过OpenAI客户端库调用时：

client = OpenAI(api_key='minicpm', base_url="http://0.0.0.0:9998/v1")
client.chat.completions.create(
    model="/home/suny/.cache/modelscope/hub/OpenBMB/MiniCPM-V-2_6",
    messages=[...]
)

系统会返回404错误，提示模型不存在。

问题根源

这个问题的根本原因在于vLLM服务的模型名称配置与API调用时的模型名称不匹配。vLLM服务默认不会自动识别模型路径作为服务名称，而是需要显式指定。

正确配置方法

1. 启动vLLM服务

正确的服务启动命令应该包含--served-model-name参数，明确指定服务暴露的模型名称：

NAME="MiniCPM-V-2_6" && \
vllm serve /mnt/models/$NAME \
    --served-model-name $NAME \
    --host 0.0.0.0 \
    --port 8001 \
    --tensor-parallel-size 4 \
    --max-model-len 4096 \
    --trust-remote-code

关键参数说明：

--served-model-name：定义API调用时使用的模型名称
--trust-remote-code：允许加载自定义模型代码
--max-model-len：设置最大上下文长度

2. API调用方式

对应的Python调用代码应为：

client = OpenAI(
    api_key='EMPTY_API_KEY',  # 如果未设置API密钥验证，可以使用任意字符串
    base_url='http://localhost:8001/v1'
)

response = client.chat.completions.create(
    model='MiniCPM-V-2_6',  # 必须与--served-model-name一致
    messages=[{
        'role': 'user',
        'content': [
            {'type': 'text', 'text': '请描述这张图片'},
            {'type': 'image_url', 'image_url': {'url': image}}
        ]
    }],
    extra_body={'stop_token_ids': [151645, 151643]}  # MiniCPM特定的停止token
)

高级配置建议

GPU内存管理：对于大模型，可以使用--gpu-memory-utilization参数控制GPU内存使用率，例如0.8表示使用80%的GPU内存。
批处理大小：通过--max-num-seqs参数可以控制并行处理的请求数量，平衡吞吐量和延迟。
量化配置：如果使用量化模型，需要添加--quantization参数指定量化方法，如awq或gptq。

当前限制

需要注意的是，当前vLLM官方实现对于多模态输入有以下限制：

不支持视频输入
不支持多张图片同时输入
图像处理能力取决于具体模型实现

OpenBMB团队表示将持续跟进这些功能的开发进展。

最佳实践总结

始终明确指定--served-model-name参数
API调用时使用简化的模型名称而非完整路径
对于MiniCPM系列模型，需要设置正确的stop_token_ids
监控GPU使用情况，合理配置内存参数
多模态功能使用时需确认模型支持情况

通过以上配置，开发者可以顺利地在生产环境中部署和调用MiniCPM模型，充分发挥其多模态能力。

OmniLMM