Zum Hauptinhalt springen
Auf dieser Seite erhalten Sie eine detaillierte Anleitung: von der Erstinstallation von vLLM auf Ihrem GPU-Rechner bis hin zu einem remote erreichbaren, authentifizierten API-Endpunkt – in etwa 5 Minuten. Ihr Modell verbleibt dabei auf Ihrer eigenen Hardware; Ihre Anfragen gelangen niemals an externe Inferenzserver.
Läuft vLLM bereits? Überspringen Sie direkt zu Schritt 3: Installation des Tokios-Connectors. Falls Sie nur die Kurzfassung benötigen, lesen Sie bitte Fernzugriff auf vLLM.

Voraussetzungen

Bevor Sie beginnen, stellen Sie bitte sicher, dass folgendes vorhanden ist:
  • 1 NVIDIA-GPU mit CUDA-Unterstützung (RTX 3090, 4090, A100 oder DGX Spark).
  • CUDA 12.1+ ist installiert (führen Sie nvidia-smi aus, um dies zu überprüfen).
  • Python 3.9–3.12 mit verfügbarem pip.
  • Ein Tokios account-Konto (die Registrierung ist kostenlos).
Für Systeme mit mehreren GPUs finden Sie Informationen unter Tensor-Parallelismus.

Schritt 1: vLLM installieren und starten

Installieren Sie vLLM mittels pip:
Starten Sie den OpenAI-kompatiblen Server. Binden Sie ihn ausschließlich an 127.0.0.1 – verwenden Sie keine breitere Bindung:
Beim ersten Start lädt vLLM die Modellgewichte, lädt sie in den GPU-Speicher und startet anschließend einen OpenAI-kompatiblen HTTP-Server auf http://127.0.0.1:8000.

Überprüfen Sie, ob der Server aktiv ist.

Öffnen Sie in einem weiteren Terminal:
Dort sollte Ihr Modell aufgelistet sein.

Häufig genutzte Startkonfigurationen

Wählen Sie die Parameter, die zu Ihrer Hardware passen:
--max-model-len bestimmt, wie viel GPU-Speicher vLLM für den KV-Cache reserviert. Beginnen Sie mit einem konservativen Wert (4096 oder 8192) und erhöhen Sie ihn erst, wenn das Modell ohne Speicherüberlauf lädt. Weitere Details zur Speicherberechnung finden Sie unter KV-Cache und Kontext.

Mehrfach-GPU: Tensor-Parallelismus

Bei Modellen, die nicht in den Speicher von 1 GPUs passen, kann man Tensor-Parallelismus nutzen, um mehrere GPUs auf demselben Rechner zu verwenden:
Bei einer einzelnen Node mit mehreren GPUs ist Tensor-Parallelismus dem Pipeline-Parallelismus vorzuziehen, da er die Bandbreitennutzung während der Dekodierungsphase optimiert.

Windows (WSL2)

vLLM lässt sich unter Windows nicht nativ ausführen. Nutzen Sie stattdessen Docker innerhalb von WSL2 mit GPU-Passthrough.

Schritt 2: Testen Sie die Funktionen lokal.

Stellen Sie vor der Einrichtung des Remote-Zugriffs sicher, dass vLLM korrekt reagiert.
Sie sollten eine gültige Antwort zur Chat-Abschlussverarbeitung erhalten.

Schritt 3: Installieren Sie den Tokios-Connector.

Der Connector initiiert Verbindungen ausgehend von Ihrem Rechner zu https://api.tokios.com. Es werden keine eingehenden Ports geöffnet, keine Portweiterleitungen benötigt sowie keine DNS-Einträge erforderlich. Melden Sie sich bei tokios.com/console an, öffnen Sie den Reiter Setup und klicken Sie auf Start pairing. Tokios generiert anschließend einen einmalig gültigen Pairing-Code wie TKS-XXXX-XXXX, der etwa 15 Minuten lang verwendbar ist. Geben Sie den Installationsbefehl auf dem Rechner ein, auf dem vLLM läuft.
Windows
macOS
Linux
Ist tokios-connector bereits installiert? Geben Sie den Code direkt ein.
Kehren Sie anschließend in die Konsole zurück und klicken Sie auf Approve im Reiter Setup bzw. Connectors. Nach Genehmigung wird das Token des Connectors (ct-tok-…) über den Tunnel übermittelt – es wird weder auf dem Bildschirm angezeigt noch müssen Sie es in eine Datei einfügen.

Schritt 4: Richten Sie den Connector auf vLLM aus

Der OpenAI-kompatible Server von vLLM verwendet exakt die Schnittstelle, die Tokios erwartet. Bei einem einzelnen Modell wählt der Einrichtungs-Assistent der Konsole automatisch http://127.0.0.1:8000/v1 aus. Bei mehreren Modellen oder einer individuellen Konfiguration erstellen Sie bitte ein tokios-connector.json.
Das vollständige Format für mehrfache Modelle finden Sie in der Dokumentation unter Connector-Konfiguration.

Schritt 5: Registrieren Sie eine Deployment

Auf dem Reiter Models legen Sie Ihr vLLM-Modell an und wählen einen öffentlichen Namen – etwa mistral-tunnel. Dieser öffentliche Name wird von Clients im Feld model übermittelt. Er steht unabhängig von der lokalen Upstream-Modell-ID von vLLM, sodass Sie das Upstream-Modell ändern können, ohne bestehende Client-Konfigurationen zu beeinträchtigen.
Nutzen Sie LoRA-Adapter? Starten Sie vLLM mit --enable-lora --lora-modules adapter1=/path/to/adapter und registrieren Sie jeden Adapter als eigenständige Tokios-Deployment. Nähere Informationen finden Sie unter Modell-Routing.

Schritt 6: Erstellen Sie einen API-Schlüssel

Auf dem Reiter Keys klicken Sie auf Create key.
  • Optional können Sie den API-Schlüssel auf bestimmte Deployments beschränken, indem Sie Muster für Modellnamen angeben – als Kommasett getrennte Platzhalter, wobei * für alle Modelle gilt.
  • Kopieren Sie den sk-tok-…-Schlüssel nun – er wird nur ein einziges Mal angezeigt.
Sie können mehrere API-Schlüssel erstellen – jeweils einen pro Teammitglied, Agenten oder Umgebung – und diese einzeln widerrufen.

Schritt 7: Verbindung von jedem beliebigen Client aus herstellen

Ihr vLLM-Modell ist nun unter https://api.tokios.com erreichbar. So rufen Sie es auf:
Das Feld model enthält stets den von Ihnen registrierten Namen Ihrer Deployment-Instanz (mistral-tunnel); es handelt sich dabei niemals um die Upstream-Modell-ID von vLLM.

Sicherheitsmodell: Tunnel ausschließlich für ausgehende Verbindungen

Im Folgenden erklären wir, worin sich dieses Verfahren von SSH-Tunneln, Port-Weiterleitungen oder Tailscale unterscheidet:
Ihr vLLM-Prozess bleibt unverändert bei 127.0.0.1:8000 und ist von außen nicht erreichbar. Der Connector ist das einzige Element, das Zugriff darauf hat, und er initiiert ausschließlich ausgehende Verbindungen.
Sie können das --api-key-Flag von vLLM weiterhin nutzen, um die Sicherheit der Loopback-Verbindung zwischen Connector und vLLM zu erhöhen. Anfragen von Clients über Tokios werden mittels Ihres sk-tok-… API-Schlüssels authentifiziert – nur der Connector erhält überhaupt Zugriff auf 127.0.0.1:8000.

Häufig gestellte Fragen

Ja. Legen Sie "stream": true fest; daraufhin liefert Tokios standardmäßige Server-Sent Events (SSE) im OpenAI- oder Anthropic-Format, je nachdem, welche API-Schnittstelle Sie genutzt haben.
Ja. Registrieren Sie weitere Deployments im Reiter Models oder nutzen Sie eine tokios-connector.json-Konfiguration, um mehrere Upstream-Modell-IDs sowie Routen zu definieren. Weitere Informationen finden Sie unter Connector-Konfiguration.
Ja. Erstellen Sie für jedes Teammitglied einen separaten sk-tok-…-API-Schlüssel im Reiter Keys. Beschränken Sie die Berechtigungen jedes Schlüssels auf die jeweils benötigten Deployments. Durch das Deaktivieren eines Schlüssels wird der Zugriff sofort entzogen.
Der Connector stellt automatisch eine neue Verbindung zu vLLM her, sobald dieses wieder verfügbar ist. Keine manuelle Eingreifung erforderlich – starten Sie vLLM neu, und der Endpunkt ist sofort wieder nutzbar.
Ja. Führen Sie vLLM mithilfe von Docker in WSL2 aus (siehe die oben genannte WSL2-Konfiguration). Anschließend installieren Sie den Tokios-Connector entweder auf dem Windows-Host oder in WSL2 – beides ist möglich.

Ihr vLLM, jederzeit und überall erreichbar

vLLM läuft weiterhin exakt wie bisher – auf dem lokalen Rechner, auf Ihrer GPU, ohne dass dazu externe Ports erforderlich wären. Der Connector initiiert lediglich ausgehende Verbindungen. Alles Weitere – Authentifizierung, Routing, Streaming sowie Verwaltung der API-Schlüssel – erfolgt über einen einzigen Endpunkt, den Sie von jedem Gerät, Teammitglied oder Agenten aus aufrufen können, dem Sie einen Schlüssel zuweisen.

Schnellstart

Richten Sie einen Connector ein und registrieren Sie Ihr erstes Modell in nur wenigen Schritten.

API-Schlüssel

Erstellen, verwalten und wechseln Sie sk-tok-… API-Schlüssel für Teammitglieder sowie Agenten.

Kompatible Clients

39 Clients, die sich erfolgreich nutzen lassen – Coding-Agenten, Chat-Anwendungen sowie SDKs.

Vergleich der Remote-Zugriffsmethoden

Ein Vergleich von Tokios mit Tailscale, Cloudflare Tunnel sowie SSH-Tunneln.