在 HF Jobs 上一条命令运行 vLLM 服务器

You can spin up a private, OpenAI-compatible LLM endpoint on Hugging Face infrastructure with a single command — no servers to provision, no Kubernetes, pay-per-second. Once it's up, you can query it from your laptop, a notebook, or anywhere else.

这是快速启动模型以进行测试、评估或批量生成的最快方式。（如果你追求的是托管式、可投入生产环境的服务，那么推理端点才是你需要的——文末会详细介绍何时选择哪种方案。）

以下是完整的端到端流程。

前置条件

• 需要已启用一种支付方式或有正数预付信用余额（Jobs 按硬件使用分钟数计费）。
• huggingface_hub >= 1.20.0：执行 `pip install -U "huggingface_hub>=1.20.0"`。
• 本地已登录：执行 `hf auth login`。

启动服务器

`hf jobs run` 是 HF 基础设施上的 `docker run`。我们使用官方 `vllm/vllm-openai` 镜像，通过 `--flavor` 请求一块 GPU，并通过 `--expose` 暴露 vLLM 的端口：

hf jobs run --flavor a10g-large --expose 8000 --timeout 2h \
  vllm/vllm-openai:latest \
  vllm serve Qwen/Qwen3-4B --host 0.0.0.0 --port 8000

`--expose 8000` 将容器的端口通过 HF 的公共作业代理路由出去（完整参考请查阅《服务模型》指南）。该命令会打印你的服务器可访问的 URL：

✓ Job started
  id: 6a381ca1953ed90bfb947332
  url: https://huggingface.co/jobs/qgallouedec/6a381ca1953ed90bfb947332
Hint: Exposed ports are reachable at (requires an HF token with read access to the job):
  https://6a381ca1953ed90bfb947332--8000.hf.jobs

`6a381ca1953ed90bfb947332` 是你的作业 ID。请记住它，后面会用到。在本文后续部分，我们将使用 `<job_id>` 作为它的占位符。

给它几分钟时间来下载权重并启动。当日志显示 `Application startup complete` 时，说明服务器已就绪。

从任何地方查询它

vLLM 兼容 OpenAI API，每个请求只需将你的 HF token 作为 Bearer Token 传递。最快的方式是使用 curl：

curl https://<job_id>--8000.hf.jobs/v1/chat/completions \
  -H "Authorization: Bearer $(hf auth token)" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Qwen/Qwen3-4B",
    "messages": [{"role": "user", "content": "Hello!"}],
    "chat_template_kwargs": {"enable_thinking": false}
  }'

这会返回标准的 OpenAI 风格 JSON，其中 `choices[0].message.content` 包含 "Hello! How can I assist you today? 😊"。

或者，在 Python 中，将 OpenAI 客户端指向暴露的 URL，并将 token 作为 API key 传入：

from huggingface_hub import get_token
from openai import OpenAI

client = OpenAI(
    base_url="https://<job_id>--8000.hf.jobs/v1",
    api_key=get_token(),
)
resp = client.chat.completions.create(
    model="Qwen/Qwen3-4B",
    messages=[{"role": "user", "content": "Hello!"}],
    extra_body={"chat_template_kwargs": {"enable_thinking": False}},
)
print(resp.choices[0].message.content)

Hello! How can I assist you today? 😊

开始前快速健康检查：执行 `curl https://<job_id>--8000.hf.jobs/v1/models -H "Authorization: Bearer $(hf auth token)"` 应能列出模型。

🔐 该端点是有权限控制的，并非公开。每个请求必须携带具有作业命名空间读取权限的 HF token。直接通过浏览器访问会被拒绝。实际上，作业代理就是你的 API 网关：访问权限仅限于你（及你的组织）。这对私有使用来说没问题，但请妥善处理 URL：不要将其当作公开链接分享，也不要在不可信的地方粘贴你的 token。如果你需要更精细的权限控制或公开访问，请在前面放置一个合适的网关。或者参考下面的“HF Jobs 还是推理端点？”部分。

清理

任务按秒计费，因此用完之后请停止服务器：

hf jobs cancel <job_id>

你设置的 `--timeout` 是一个安全网（它会自动停止），但显式取消更省钱。一个 a10g-large 实例运行费用为 $1.50/小时 — 查看 hf jobs hardware 获取完整价格表，选择适合你模型的最小规格。

更进一步：更大规模的模型

同样的命令可以扩展到更大的模型 — 选择一个更强的 `--flavor`，并通过 `--tensor-parallel-size` 告诉 vLLM 在多个 GPU 上分片模型。例如，在 2× H200 上运行 122B 参数的 Qwen3.5 混合专家模型：

hf jobs run --flavor h200x2 --expose 8000 --timeout 2h \
  vllm/vllm-openai:latest \
  vllm serve Qwen/Qwen3.5-122B-A10B \
  --host 0.0.0.0 --port 8000 --tensor-parallel-size 2 \
  --max-model-len 32768 --max-num-seqs 256

`--tensor-parallel-size` 应与 flavor 中的 GPU 数量匹配（h200x2 → 2, h200x8 → 8）。运行 hf jobs hardware 查看可用配置，并为更大的模型设置更长的 `--timeout`，因为它们的下载和加载耗时更长。对于大模型，H200 flavors 通常性价比最高。

`--max-model-len 32768 --max-num-seqs 256` 这两个标志是此模型特有的：Qwen3.5-122B 是一种混合 Mamba/注意力架构，默认上下文窗口为 256K token，这会导致 vLLM 的默认批次设置内存不足。限制上下文长度和并发序列数量可以使其保持在 GPU 内存范围内。如果模型因内存不足或缓存块错误而启动失败，首先尝试调低这两个参数。其他的一切（暴露的 URL、OpenAI 客户端、token 认证）都保持不变。

更进一步：在 UI 中与之对话

更偏好聊天窗口而不是 curl？几行 Gradio 代码即可指向同一个端点。在 vllm serve 命令中添加 `--reasoning-parser deepseek_r1`，这样 Qwen3 的思考过程会作为单独字段返回（非必需，但很有用），然后在本地运行此代码（你只需要任务 ID）：

import gradio as gr
from gradio import ChatMessage
from huggingface_hub import get_token
from openai import OpenAI

client = OpenAI(base_url="https://<job_id>--8000.hf.jobs/v1", api_key=get_token())

def chat(message, history):
    messages = [{"role": m["role"], "content": m["content"]} for m in history if not m.get("metadata")]
    messages.append({"role": "user", "content": message})
    stream = client.chat.completions.create(model="Qwen/Qwen3-4B", messages=messages, stream=True)

    thinking, answer = "", ""
    for chunk in stream:
        delta = chunk.choices[0].delta
        thinking += delta.model_extra.get("reasoning", "")
        answer += delta.content or ""
        out = []
        if thinking.strip():
            status = "done" if answer.strip() else "pending"
            out.append(ChatMessage(role="assistant", content=thinking, metadata={"title": "💭 Thinking", "status": status}))
        if answer.strip():
            out.append(ChatMessage(role="assistant", content=answer))
        yield out

gr.ChatInterface(chat).launch()

运行它，打开 http://127.0.0.1:7860，然后开始聊天 — 推理结果会流式显示在可折叠面板中，答案则在下方。

更进一步：SSH 连接到运行中的服务器

需要调试启动失败、查看 GPU 内存或交互式地跟踪日志？你可以直接打开一个 shell 进入正在运行的任务。使用 `--ssh` 启动，并确保你的公钥已在 huggingface.co/settings/keys 注册：

hf jobs run --flavor a10g-large --expose 8000 --timeout 2h --ssh \
  vllm/vllm-openai:latest \
  vllm serve Qwen/Qwen3-4B --host 0.0.0.0 --port 8000

然后使用任务 ID 连接：

hf jobs ssh <job_id>

你现在位于容器内部，可以在其中运行 nvidia-smi、检查进程或直接操作模型——这使得调试和监控比从外部读取日志容易得多。SSH 支持需要 huggingface_hub >= 1.20.0。

更进一步：将其用作 Pi 的编码智能体后端

同一个端点可以为终端编码智能体提供支持。Pi 是一个与提供商无关的智能体框架。将其指向该任务，你就能得到一个在你自托管模型上运行的具备读写/编辑/Bash 能力的智能体。

需要先设置一件事：智能体通过工具调用来驱动模型，而 vLLM 只有在服务器启动时启用了工具调用功能才会接受这些调用。所以用 `--enable-auto-tool-choice` 和一个与模型家族匹配的 `--tool-call-parser`（Qwen3 使用 hermes）重新启动。智能体也受益于更强的模型，因此这里很适合引入更大的模型：

hf jobs run --flavor h200x2 --expose 8000 --timeout 2h \
  vllm/vllm-openai:latest \
  vllm serve Qwen/Qwen3.5-122B-A10B \
  --host 0.0.0.0 --port 8000 --tensor-parallel-size 2 \
  --max-model-len 32768 --max-num-seqs 256 \
  --reasoning-parser deepseek_r1 \
  --enable-auto-tool-choice --tool-call-parser hermes

然后在 `~/.pi/agent/models.json` 中将该任务添加为自定义提供商：

{
  "providers": {
    "hf-jobs": {
      "baseUrl": "https://<job_id>--8000.hf.jobs/v1",
      "api": "openai-completions",
      "apiKey": "!hf auth token",
      "models": [
        { "id": "Qwen/Qwen3.5-122B-A10B" }
      ]
    }
  }
}

接着启动智能体指向它：

pi

你刚才用几条命令启动的模型，现在正在你的终端中驱动一个交互式编码智能体。

HF Jobs 还是 Inference Endpoints？

HF Jobs 并不是在 Hugging Face 上部署模型的唯一方式。Inference Endpoints 是我们用于相同任务的托管产品，选择哪一个取决于你的需求。

当你需要最大灵活性和控制力时，选择 HF Jobs：它只是在 HF 基础设施上运行 docker run，所以你可以选择镜像、精确的 vllm serve 参数以及硬件，并按秒为任务运行时长付费。这使得它非常适合实验、一次性评估、批量生成，或在正式投入前先试运行某个模型。

当你需要更具生产就绪性的方案时，选择 Inference Endpoints。它们提供了长生命周期服务所需的运维便利：更细粒度的访问控制（端点可以是公开的、受保护的或私有的），以及缩放到零功能，这样在不活动期间你不会被收费。如果你要建立一个持久端点而不是运行一次性任务，那么这是应该使用的工具。

延伸阅读

本文聚焦于 vLLM，但相同的暴露端口模式适用于任何兼容 OpenAI 的服务器。若要通过 llama.cpp 提供 GGUF 服务或改用 SGLang，请参阅《在 Jobs 上部署模型》指南，该指南详细介绍了这些后端。