Toutes les ressources premium et membres pour 8,99 €/mois, en abonnement sans engagement. Voir les offres

PalateKit

Se connecter
Menu

Demander une ressource

Décrivez en une phrase la ressource qui vous manque. Nous vous écrirons quand elle sera publiée.

0 / 280

Une page, une vidéo ou une image en ligne.

Débloquer PalateKit

Tout débloquer

Offre

Le paiement vaut acceptation de nos conditions générales de vente.

Paiement sécurisé par Stripe. Reçus et factures envoyés par e-mail.

Content de vous revoir

Connectez-vous pour installer, télécharger ou sauvegarder cette ressource. Un compte gratuit suffit pour les ressources gratuites.

Service d'inférence LLM à haut débit avec vLLM v1.0.0

Utilisez cette ressource pour déployer un LLM avec vLLM, à haut débit et faible latence

Nouveau

  • 500 téléchargements
  • 129 mentions J'aime
  • 220 sauvegardes

Gratuit

Installer avec la CLI

Dans un terminal, depuis le dossier voulu :

npx --yes palatekit@latest install vllm-llm-serving

Sans option, la skill va dans ~/.agents/skills/ ; ajoutez --agent claude-code (ou codex, cursor…) pour viser un agent.

Première fois : connectez la CLI avec

npx --yes palatekit@latest login

L'agent configure un serveur vLLM avec PagedAttention et le traitement par lots continu, adapte l'usage de la mémoire GPU au modèle, applique la quantification (GPTQ, AWQ, FP8) et répartit le modèle sur plusieurs GPU. Vous obtenez une API compatible OpenAI et des étapes de test de charge.

Choisie surtout par

Mise à jour le 2 novembre 2026

Carte de la skill « Service d'inférence LLM à haut débit avec vLLM »

Caractéristiques

Fonctionne dans
Guides d'installation
Génère avec
Le modèle de votre agent
Licence
MIT

Ressources similaires

Tout voir

Ce que vous obtenez

  • SKILL.md : démarrage rapide, workflows de déploiement et tests de charge
  • references/quantization.md : formats de quantification
  • references/troubleshooting.md : résolution des problèmes

Pour qui

  • Vous exposez un modèle open source via une API compatible OpenAI
  • La mémoire de votre GPU ne suffit pas pour le modèle visé

Pas pour qui

    Étiquettes

    • vllm
    • inférence
    • llm

    À propos

    Vous dites

    « Déploie Llama 3 8B sur mon GPU avec une API compatible OpenAI et une quantification AWQ. »

    Carte de la skill « Service d'inférence LLM à haut débit avec vLLM »

    Skill publiée par davila7 sous licence MIT. Fichiers livrés dans leur version d'origine, en anglais.

    Voir plus

    Comment l'utiliser

    1. Installez la skill dans le dossier de skills de votre agent
    2. Demandez à votre agent de déployer un LLM avec vLLM, à haut débit et faible latence
    3. Relisez et ajustez le résultat

    Aperçu du contenu

    Fichiers

    • LICENSE1,1 Ko
    • NOTICE-PALATEKIT.md0,5 Ko
    • references/optimization.md5,9 Ko
    • references/quantization.md6,9 Ko
    • references/server-deployment.md5,4 Ko
    • references/troubleshooting.md9,3 Ko
    • SKILL.md9,2 Ko

    Origine et licence

    Référencée sans modification

    Auteur
    davila7
    Source
    github.com/davila7/claude-code-templates/tree/f57964ebda91cdfb31755661ecea9395f30020f1/cli-tool/components/skills/ai-research/inference-serving-vllm
    Licence
    MIT

    Notice

    « inference-serving-vllm » (davila7, MIT) livré dans sa version d'origine : fiche en français et en anglais par PalateKit.

    Avis des utilisateurs

    –

    Aucune note pour l'instant

    Chargement des avis…

    Supprimer votre avis ?

    Votre note et votre commentaire seront retirés de la fiche.