← 返回文章列表 / Back to list
usage

NVIDIA NIM 本地与云端点部署

NVIDIA NIM Local and Cloud Endpoint Deployment

⚠️ 待更新·2026-08-29核验 · 更新时间待核验 · 本文信息可能已过期,请以官方文档为准 更新时间:2026-08-29 · 核验状态:待更新 · 官方溯源待补

简介

NVIDIA NIM(NVIDIA Inference Microservices)是 NVIDIA 推出的容器化推理服务,把 TensorRT-LLM、Triton 等优化打包成 OpenAI 兼容 API。它有两种使用方式:本地用 Docker 跑容器,或直接调用 build.nvidia.com 上的云端端点。本篇分别演示,并给出选型建议。

架构图

flowchart LR A[NVIDIA NIM] --> B[Cloud: build.nvidia.com] A --> C[Local: Docker NIM container] B --> B1[Free 1000 credits] C --> C1[Self-hosted GPU box] B1 --> D[OpenAI-compatible endpoint] C1 --> D

方式一:本地容器部署

前置条件:NVIDIA GPU(显存 ≥ 16GB)+ 驱动 ≥ 535、nvidia-container-toolkit、NGC 账号。

# 1. 登录 NGC 拉取镜像
docker login nvcr.io -u '$oauthtoken' -p "$(cat ngc-key.txt)"

# 2. 拉取 Llama-3.1-8B NIM 镜像
docker pull nvcr.io/nim/meta/llama-3.1-8b-instruct:1.0.0

# 3. 启动容器(单卡)
docker run -d --name nim-llama \
  --runtime=nvidia --gpus all \
  -e NGC_API_KEY=$(cat ngc-key.txt) \
  -v $HOME/.cache/nim:/opt/nim/.cache \
  -p 8000:8000 \
  --shm-size=16g \
  nvcr.io/nim/meta/llama-3.1-8b-instruct:1.0.0

首次启动会下载模型权重(约 16GB),完成后访问 http://localhost:8000/docs 查看 Swagger 文档,/v1/models 列出可用模型,/v1/chat/completions 是 OpenAI 兼容端点。

方式二:调用云端端点

不想自己装 GPU?直接用 build.nvidia.com 托管的端点。在 https://build.nvidia.com 注册并生成 NGC API Key,然后即可调用:

curl https://integrate.api.nvidia.com/v1/chat/completions \
  -H "Authorization: Bearer $NVIDIA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "meta/llama-3.1-8b-instruct",
    "messages": [{"role":"user","content":"hi"}],
    "max_tokens": 128
  }'

新账号有 1000 次免费调用额度,适合快速原型验证。云端还托管很多特色模型,如 nvidia/llama-3.1-nemotron-70b-instruct(NVIDIA 自研对齐版本)、deepseek-ai/deepseek-r1(推理模型)。

选型建议

维度 本地 NIM 云端 NIM
启动成本 高(需 A10/A100) 0
延迟 低(本地 GPU) 中(走公网)
数据隐私 完全本地 数据出网
适用场景 内网/合规场景 原型/小流量

性能调优

  • 开启 TensorRT-LLM:NIM 镜像默认启用,首次启动会编译引擎(约 5 分钟),之后推理提速 2-5 倍。
  • 调整 batch size:在容器环境变量里设 NIM_MAX_BATCH_SIZE=128 提升吞吐。
  • 多卡推理:--gpus all + NIM_TENSOR_PARALLEL_SIZE=2 把模型切到两张卡上。

常见问题

  • CUDA out of memory:8B 模型至少需要 16GB 显存,加 --shm-size=16g 重试,或换 4B 模型。
  • 拉镜像 401:确认 NGC API Key 有效,且账号已加入 NIM early access。
  • 想跑别的模型:在 https://build.nvidia.com 浏览所有可用 NIM 镜像,替换 nvcr.io/nim/<vendor>/<model> 即可。
  • 冷启动慢:容器首次启动需下载并编译引擎,生产环境用 --restart unless-stopped 保活。

部署完成后,参考《NVIDIA NIM 推理调用示例》用 OpenAI SDK 调用。

部署对比

部署方式 优势 限制
云端 build.nvidia.com 零运维,1000 credits 共享 QPS,延迟有波动
本地 Docker NIM 独占 GPU,低延迟 需 GPU 卡(A10/L4 起步)

最佳实践

  • 首次跑用云端:1000 credits 跑完调通流程,再决定是否上本地。
  • 本地选 L4 而非 A10:L4 性价比高,单卡跑 7B-70B 量化版都够。
  • NIM 容器要 GPU 驱动:装好 nvidia-docker runtime,否则容器看不到 GPU。

相关文章 / Related

Gemini API 免费层调用在本地 IDE 中集成免费 APIOpenRouter API Key 申请与费率OpenCode 接入免费模型实战免费 OCR 与文档解析 API 实战