OpenLLM
12,591
Stars
847
Forks
81
Watchers
22
Open Issues
Apache-2.0
许可证
Python
语言
2023-04-19
创建时间
2026-11-09
最近更新
项目能做什么
支持将 DeepSeek、Llama 等开源 LLM 作为兼容 OpenAI 的 API 端点在云端运行。
来源:AI 基于仓库事实生成
· 内容以仓库实际 README 为准
使用说明 查看原始 README 原仓库文档
中文使用说明暂未生成。下面保留原仓库 README 摘录,命令与配置均以原文为准。
原始 README 摘录(英文原文,节选前 3000 字符)
<div align="center">
<h1>🦾 OpenLLM: Self-Hosting LLMs Made Easy</h1>
[](https://github.com/bentoml/OpenLLM/blob/main/LICENSE)
[](https://pypi.org/project/openllm)
[](https://results.pre-commit.ci/latest/github/bentoml/OpenLLM/main)
[](https://twitter.com/bentomlai)
[](https://l.bentoml.com/join-slack)
</div>
OpenLLM allows developers to run **any open-source LLMs** (Llama 3.3, Qwen2.5, Phi3 and [more](#supported-models)) or **custom models** as **OpenAI-compatible APIs** with a single command. It features a [built-in chat UI](#chat-ui), state-of-the-art inference backends, and a simplified workflow for creating enterprise-grade cloud deployment with Docker and Kubernetes.
Understand the [design philosophy of OpenLLM](https://www.bentoml.com/blog/from-ollama-to-openllm-running-llms-in-the-cloud).
## Get Started
Run the following commands to install OpenLLM and explore it interactively.
```bash
pip install openllm # or pip3 install openllm
openllm hello
```

## Supported models
OpenLLM supports a wide range of state-of-the-art open-source LLMs. You can also add a [model repository to run custom models](#set-up-a-custom-repository) with OpenLLM.
<table>
<tr>
<th>Model</th>
<th>Parameters</th>
<th>Required GPU</th>
<th>Start a Server</th>
</tr>
<tr>
<td>deepseek</td>
<td>r1-671b</td>
<td>80Gx16</td>
<td><code>openllm serve deepseek:r1-671b</code></td>
</tr>
<tr>
<td>gemma2</td>
<td>2b</td>
<td>12G</td>
<td><code>openllm serve gemma2:2b</code></td>
</tr>
<tr>
<td>gemma3</td>
<td>3b</td>
<td>12G</td>
<td><code>openllm serve gemma3:3b</code></td>
</tr>
<tr>
<td>jamba1.5</td>
<td>mini-ff0a</td>
<td>80Gx2</td>
<td><code>openllm serve jamba1.5:mini-ff0a</code></td>
</tr>
<tr>
<td>llama3.1</td>
<td>8b</td>
<td>24G</td>
<td><code>openllm serve llama3.1:8b</code></td>
</tr>
<tr>
<td>llama3.2</td>
<td>1b</td>
<td>24G</td>
<td><code>openllm serve llama3.2:1b</code></td>
</tr>
<tr>
<td>llama3.3</td>
<td>70b</td>
<td>80Gx2</td>
<td><code>openllm serve llama3.3:70b</code></td>
</tr>
<tr>
<td>llama4</td>
<td>17b16e</td>
<td>80Gx8</td>
<td><code>openllm serve llama4:17b16e</code></td>
</tr>
<tr>
<td>mistral</td>
<td>8b-2410</td>
<td>24G</td>
<td><code>openllm serve mistral:8b-2410</code></td>
</tr>
<tr>
<td>mistral-large</td>
<td>123b-2407</td>
<td>80Gx4</td
阅读完整原文
商业机会分析 AI 生成
企业私有化开源模型推理交付与调优方案
| 产品构想 | 基于 OpenLLM 为中小型企业提供从模型选型(如 DeepSeek/Llama)、量化剪枝、本地或私有云集群一键部署的整体技术实施与性能调优服务。 |
| 核心功能 | 私有化一键安装脚本、OpenAI 接口兼容层定制、GPU 显存与吞吐量监控、多卡并行/量化调优配置。 |
| 目标用户 | 有数据合规要求、需在内网部署开源 LLM 的金融、医疗或政企客户。 |
| 难度/周期 | 中等偏高 · 1 - 2 个月 · 成本:主要为开发与调试用算力成本(约 $500 - $1500/月),视客户环境而定。 |
| 收费模式 | 按项目交付收取实施费,后续收取按年维护订阅费。 |
| 竞争风险 | BentoML 官方云平台(BentoCloud)可能提供直接竞品;重度依赖定制化现场交付,边际成本高(推测)。 |
| 依据 | 已验证事实 |
LLM 推理网关与多租户权限/计费中继组件
| 产品构想 | 包装 OpenLLM 实例,在其前端提供企业级 API Key 管理、Token 消耗计量、敏感词过滤及多实例负载均衡网关。 |
| 核心功能 | 兼容 OpenAI 协议的鉴权网关、实时 Token 计费看板、多模型实例动态路由与健康检查、模型冷启动管理。 |
| 目标用户 | 内部多部门共用私有 LLM 算力资源的企业架构师、SaaS 开发者。 |
| 难度/周期 | 中等 · 1 - 1.5 个月 · 成本:开发测试服务器与基础云函数开销(约 $100 - $300/月)。 |
| 收费模式 | 开源核心网关 + 商业版(多租户管理、SSO 对接、高级审计日志功能付费)。 |
| 竞争风险 | 市面上存在 LiteLLM、OneAPI 等成熟同类网关工具,竞争激烈(推测)。 |
| 依据 | 数据支持的判断 |
垂直领域小模型一键打包与微调部署工具箱
| 产品构想 | 结合 OpenLLM 的 fine-tuning 与 serving 能力,针对特定任务(如代码审查、结构化抽取)提供预配置微调+部署工作流工具。 |
| 核心功能 | 数据集预处理向导、轻量级 LoRA 微调流水线集成、一键导出为 OpenLLM 兼容服务容器镜像。 |
| 目标用户 | 缺乏专业算法团队但需要定制专有业务小模型的中小研发团队。 |
| 难度/周期 | 高 · 2 - 3 个月 · 成本:模型微调测试算力开销较高(约 $1000 - $3000)。 |
| 收费模式 | 工具软件商业授权许可,或按微调任务打包次数收费。 |
| 竞争风险 | 微调效果受数据质量影响大,客户交付标准难以量化,售后技术支持成本高(推测)。 |
| 依据 | 尚需验证的假设 |
AI 基于仓库公开数据分析生成,含推测成分,不构成收益承诺。
报告会保存到 个人中心
竞品与相似项目 GitHub Search 真实检索
| 项目 | 中文简介 | Stars | 语言 |
|---|---|---|---|
| bentoml/BentoML | 中文介绍暂未生成 The easiest way to serve AI apps and models - Build Model In |
8,936 | Python |
| bentoml/Yatai | 中文介绍暂未生成 Model Deployment at Scale on Kubernetes 🦄️ |
839 | TypeScript |
| bentoml/BentoDiffusion | 中文介绍暂未生成 BentoDiffusion: A collection of diffusion models served with |
390 | Python |
| Pythondeveloper6/Awesome-MLOPS | 中文介绍暂未生成 All the available resources to master MLOPS from scratch |
382 | - |
| aarnphm/whispercpp | 中文介绍暂未生成 Pybind11 bindings for Whisper.cpp |
343 | C++ |
| ssheng/BentoChain | 中文介绍暂未生成 A voice-enabled chatbot application built using of 🦜️🔗 LangC |
194 | Python |
以上为通过 GitHub 官方 Search API 检索的相似项目,功能差异与优劣势需进一步人工确认,配置 AI 后可生成对比分析。
项目优势与风险
| 技术成熟度 | 创建于 2023-04-19,近 30 天仍在推送,发布过 100 个 Release |
| 社区活跃 | Star 12,591 / Fork 847 / Issue 22(数据支持,可自行核实) |
| 许可证 | Apache-2.0 |
| 主要风险 | 上游项目方向可能变化;同赛道竞争者较多(见竞品表);热度与需求不完全等价 |
安装与使用
快速开始(以仓库 README 为准)
git clone https://github.com/bentoml/OpenLLM.git cd OpenLLM # 请阅读仓库 README 获取确切安装步骤(依赖、配置、启动命令)
术语说明:Docker=应用容器(把程序和依赖打包运行);API Key=调用外部服务的密钥;Git Clone=把仓库代码下载到本地。常见错误:API Key 未配置 / 端口占用 / 数据库连接失败,多数项目在 README 的 Troubleshooting 章节有说明。