vLLM-Omni是专为全模态模型设计的高效推理引擎，支持文本、图像、音频、视频等多种模态输入输出。它超越传统自回归架构，采用异构模型流水线和Stage拆分技术，实现高吞吐性能。文章详细介绍了其架构特点、支持的模型类型，以及Qwen2.5-Omni等模型的部署实践，是开发大模型应用的必备工具。
其实很早就想写这个东西，只是一直没有时间去写，而且看里面的源代码真的很难看懂
介绍
看到vllm-Omni这个名字，如果是做大模型相关的，肯定就想着这是不是vllm家的？是的，它就是vllm家的，只是从vllm里面抽离出去，单独做了一个项目，你可能有一个疑问，为啥要抽离出来单独开一个子项目呢？
那是因为vLLM最初设计是专注于为了支持基于文本的自回归生成任务的大型语言模型推理引擎，并为其提供高吞吐量、内存高效服务。然而，随着生成式人工智能的迅速变化，模型不再只是文字输入、文字输出。如阿里开源的现有的Qwen3-Omni或者Wan2.2-I2V等最先进的模型能够跨越文本、图像、音频和视频进行推理，并通过多样的架构生成异构输出(音频、视频等格式)。这里如果对Omni模型结构不了解的可以看我之前的一篇文章：Omni(全模态)模型架构解读。
可能你会问，Transformer库也可以呀，而且一般官方模型服务商给的方式也是Tansformer，这里我就不多说了，直接放一个官方的图吧，你应该就知道了，为什么对于Omni模型要用这个推理引擎(看看是几倍的提升?)
架构
正因现在的模型格局发展，vLLM-Omni 应运而生，它是一个专门对全模态模型推断和服务支持的框架与引擎，它与vllm不同，它能够将文本、图片、音频、视频等作为输入，通过中间模态的转换，生成文本、图片、音频、视频，并以此作为输出。其整体架构如下图所示:
vllm-omni架构和vllm很相似但又不同，我们就先抛出它的优点，让大家能够记住它，其具体表现如下：
1、核心优势
vllm-Omni在架构上主要突出以下三个关键点：
1、它是真正的全模态，可以无缝处理和生成文本、图像、视频和音频。
2、它超越自回归架构，并将vllm自回归架构的经验(内存管理、流水线等)扩展到Diffusion Transformers 和其他相关的生成模型
3、采用异构模型流水线，通过协调复杂的模型工作流程，保障资源尽可能利用最大化，从而使单一请求尽可能的调用多个异构模型组件(例如，多模编码、AR 推理、基于扩散的多模生成等)，从而实现高吞吐性能。
4、通过支持多种加速方式，使得推理更加高效快捷：并行推理（DP/TP/SP/USP…）、缓存加速（TeaCache/DBCache…）和计算加速（quantization/sparse attention…）；
5、推理拆解成Stage（编码器/预填充/解码/生成），以提升吞吐量并降低延迟，这里我们以Qwen2.5-Omni来看它的Stage拆分(thinker、talker、code2wav)，具体看配置文件，如下：
# stage config for running qwen2.5-omni with architecture of OmniLLM. stage_args: - stage_id: 0 # mark the unique id for each stage runtime: # The disaggregated configuration process: true # Run this stage in a separate process devices: "0" # Visible devices for this stage (CUDA_VISIBLE_DEVICES/torch.cuda.set_device) max_batch_size: 1 # the batch_size for offline inference engine_args: # Engine arguments for a certain engine model_stage: thinker model_arch: Qwen2_5OmniForConditionalGeneration # The model implementation registered in model_executor/models/registry.py worker_cls: vllm_omni.worker.gpu_ar_worker.GPUARWorker # The specific worker used scheduler_cls: vllm_omni.core.sched.omni_ar_scheduler.OmniARScheduler # The specific scehduler used gpu_memory_utilization: 0.8 # The gpu memory allocation for the stage within a single chip enforce_eager: true # Now we only support eager mode trust_remote_code: true # Needed by huggingface config parsing engine_output_type: latent # It claims that the stage will input latent hiddenstates besides token ids enable_prefix_caching: false # For request with hiddenstates output, the prefix caching is not supported now is_comprehension: true # If the stage is a text or multimodal comprehension module. If it is, the AsyncOmni will use its tokenizer as default final_output: true # If the stage has output as part of final outputs. If it is false, which means that the stage only works as a intermediate role. final_output_type: text # What is the final output type. It can be text and audio now. default_sampling_params: # sampling parameters for the stage. Their meaning aligns with vLLM. temperature: 0.0 top_p: 1.0 top_k: -1 max_tokens: 2048 seed: 42 detokenize: True repetition_penalty: 1.1 - stage_id: 1 runtime: process: true devices: "1" max_batch_size: 3 engine_args: model_stage: talker model_arch: Qwen2_5OmniForConditionalGeneration worker_cls: vllm_omni.worker.gpu_ar_worker.GPUARWorker scheduler_cls: vllm_omni.core.sched.omni_ar_scheduler.OmniARScheduler gpu_memory_utilization: 0.8 enforce_eager: true trust_remote_code: true enable_prefix_caching: false engine_output_type: latent engine_input_source: [0] custom_process_input_func: vllm_omni.model_executor.stage_input_processors.qwen2_5_omni.thinker2talker default_sampling_params: temperature: 0.9 top_p: 0.8 top_k: 40 max_tokens: 2048 seed: 42 detokenize: True repetition_penalty: 1.05 stop_token_ids: [8294] - stage_id: 2 runtime: process: true devices: "0" # Example: use a different GPU than the previous stage; use "0" if single GPU max_batch_size: 1 engine_args: model_stage: code2wav model_arch: Qwen2_5OmniForConditionalGeneration worker_cls: vllm_omni.worker.gpu_generation_worker.GPUGenerationWorker scheduler_cls: vllm_omni.core.sched.omni_generation_scheduler.OmniGenerationScheduler gpu_memory_utilization: 0.15 enforce_eager: true trust_remote_code: true enable_prefix_caching: false engine_output_type: audio engine_input_source: [1] final_output: true final_output_type: audio default_sampling_params: temperature: 0.0 top_p: 1.0 top_k: -1 max_tokens: 2048 seed: 42 detokenize: True repetition_penalty: 1.1 # Top-level runtime config (concise): default windows and stage edges runtime: enabled: true defaults: window_size: -1 # Simplified: trigger downstream only after full upstream completion max_inflight: 1 # Simplified: process serially within each stage edges: - from: 0 # thinker → talker: trigger only after receiving full input (-1) to: 1 window_size: -1 - from: 1 # talker → code2wav: trigger only after receiving full input (-1) to: 2 window_size: -1这个图就很好解释了上面的配置文件。
除此之外，vllm-Omni集成了vllm的灵活易用的特点：
1、兼容OpenAI的API 接口；
2、无缝衔接Huggingface上众多开源模型，如：全模态模型(Qwen2.5-Omni, Qwen3-Omni等)、DiT模型(Qwen-Image、wan2.2等)；
3、通过设置启动参数方式，支持张量、流水线、数据和专家并行。
说了这么多，就一句话，好用，为啥好用？因为vllm-Omni是截至目前为止，唯一一个统一了Omni和DIT模型的推理加速引擎。
2、架构
前不久，vllm-omni做了一个分享，我觉得这个图很不错，也分享给大家看看，其实整个架构的核心也在这个图中，如下:
vllm-omni三将AR和Diffusion整个在一起，AR沿用LLMEngine，而Diffusion则使用DiffusionEngine。
对于APIServer设计，也沿用了vllm的方案，有同步和异步，但是推理增加了diffusion engine。
3、支持模型
可以通过下图可知，支持的模型很多，更多是omni以及diffusion模型，这也弥补了diffusion推理框架的一个空白。
实践
本来想着试试text-to-video，用一下阿里开源的wan2.2-5b模型，查了一下发现，需要4090卡，emmm…，玩不起，4090都是24G起步，所以咱们玩玩image-to-image吧，试试Qwen-Image-Edit-2509。
呵呵…笑死，看了下模型，没一个模型能玩的，找到最低尺寸的5b模型，大小都超过了我显卡显存，截图给你们看。
好消息是，看到unsloth有量化模型，不过也很大，跑不起啦
Qwen2.5-Omni部署
1、下载模型
我们来试试Qwen2.5-Omni-3B模型吧，首先我们下载模型，如下图所示，已经下载好了模型，大概在6G大小左右。
2、docker部署
执行下面命令：
然后我们可以通过docker命令查看日志：
docker logs -f e79c呐，最后就是我电脑显卡不足，连这个都跑不起来。
3、vllm命令部署
当然，除了docker部署，我们还可以通过vllm serve 部署，很多人想这一块，其实在vllm里面就可以实现，不一定要用vllm-omni，你错了，既然vllm-omni新开了，肯定在后续的模型支持里面vllm不会去支持了，要支持也会在vllm-omni项目中。
vllm serve Qwen/Qwen2.5-Omni-7B --omni --port 8091注意：–omni参数
如果你使用了stage部署，可以使用如下方式：
vllm serve Qwen/Qwen2.5-Omni-7B --omni --port 8091 --stage-configs-path /path/to/stage_configs_file这个可以参考之前上面提到的Qwen2.5-Omni的三阶段。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
（支持资料、图片参考_相关定制）_文章底部可以扫码)
