vLLM 和 Xinference、Ollama 对 .safetensors 和 .gguf 格式的支持对比

1. vLLM 的支持情况

• .safetensors 格式
  vLLM 原生支持通过 --load-format 参数加载 .safetensors 格式的模型权重。用户可通过设置 --load-format safetensors 直接加载此类文件，例如在部署时使用 vllm serve 命令，并指定模型路径。vLLM 默认优先尝试加载 .safetensors 格式（若存在），否则回退到 PyTorch 的 .bin 格式。

• .gguf 格式
  vLLM 从 0.6.2 版本开始支持 .gguf 格式的模型加载。需通过 --load-format gguf 显式指定格式，并搭配对应的量化参数（如 Q4_K_M）。例如，在 AMD GPU 上使用 ROCm 后端时，vLLM 能高效运行量化后的 .gguf 模型，且性能优于部分竞品。

2. Xinference 的支持情况

• .safetensors 格式
  Xinference 通过集成 Hugging Face 生态，默认支持 .safetensors 格式的模型加载（尤其是 Transformer 架构的模型）。例如，用户可直接从 Hugging Face 或 ModelScope 下载 .safetensors 模型，通过 xinference launch 命令部署。

• .gguf 格式
  Xinference 通过集成 llama.cpp 引擎支持 .gguf 格式。需在安装时启用 llama.cpp 后端（如设置 CMAKE_ARGS 适配硬件），并通过 Modelfile 指定 .gguf 文件路径。例如，在 CPU 或 Apple M 芯片上运行时，Xinference 可通过内存映射（mmap）高效加载量化后的 .gguf 模型。

3. Ollama 的支持情况

• .safetensors 格式
  Ollama 支持通过 Safetensors 适配器 微调后的模型导入。需在 Modelfile 中使用 ADAPTER 指令指向包含 .safetensors 文件的目录，例如将 Lora 微调后的适配器与基础模型结合使用。但需确保适配器与基础模型架构（如 Llama、Mistral）兼容。

• .gguf 格式
  Ollama 原生支持 .gguf 格式的模型部署。用户可直接在 Modelfile 中通过 FROM 指令指定 .gguf 文件路径（例如 FROM ./model.gguf），并利用 ollama create 命令注册模型。此外，Ollama 支持对 FP16/FP32 模型自动量化为 .gguf（如 Q4_K_M），优化显存占用。

总结

适用场景建议：

• vLLM：适合需要高性能推理且依赖 GPU 资源的场景（如生产环境 API 服务）。
• Xinference：适合多模态模型部署及 CPU/边缘设备上的灵活推理。
• Ollama：适合本地快速部署量化模型，尤其适合个人开发者或资源受限环境。