清华开源KTransformers-让24GB显卡流畅运行满血DeepSeek-R1

最新推荐文章于 2025-04-11 09:15:00 发布

AIBigModel

最新推荐文章于 2025-04-11 09:15:00 发布

阅读量2.1k

点赞数 11

文章标签：开源

本文链接：https://blog.csdn.net/AIBigModel/article/details/145651553

版权

在AI技术飞速发展的今天，大语言模型（LLM）的应用越来越广泛。然而，本地运行这些模型，尤其是像DeepSeek-R1这样的大模型，往往需要高性能的硬件支持，这让许多开发者和研究人员望而却步。

今天，为大家推荐一款由清华大学 MADSys 和 Approaching.AI 专为优化大模型本地推理体验而设计的开源框架--KTransformers。它支持在单卡24GB VRAM的GPU上运行满血版的DeepSeek-R1，较llama.cpp而言，预填充阶段性能提升高达27.79倍！其主要的优化策略有：

混合推理：KTransformers 框架采用 CPU 和 GPU 混合推理技术。计算密集型操作被卸载到 GPU，而其他操作则由 CPU 处理。这种分工协作的方式能够充分利用硬件资源，提高效率。
专家选择策略：框架使用了一种基于离线剖析结果的专家选择策略。在推理过程中，选择较少的专家参与计算，在不影响输出质量的前提下，有效地减少了内存占用。
Intel AMX 优化：框架中使用了 AMX 加速内核和缓存友好的内存布局。这些优化措施显著提升了性能，并减少了内存开销。
高效内存管理：为了避免 NUMA 节点之间的数据传输成本，框架将关键矩阵复制到两个 NUMA 节点，从而加快预填充和解码过程。虽然这种方法增加了内存消耗，但显著提升了性能。

这篇文章将带您深入了解KTransformers的强大功能，以及如何轻松上手。

KTransformers是什么？

KTransformers是一个基于Python的开源框架，专注于优化大模型的本地推理体验。它通过先进的内核优化和灵活的硬件配置策略，让开发者能够在有限的资源下实现高效的模型推理，并提供了与 Transformers 兼容的接口、符合 OpenAI 和 Ollama 标准的 RESTful API。

Server architecture

无论是单GPU、多GPU，还是CPU/GPU混合推理，KTransformers都能提供卓越的性能表现。此外，它还支持多种量化方法（如Q2K、Q3K、Q5K等），能够在不显著影响模型精度的情况下，大幅降低内存占用。

KTransformers核心功能

支持DeepSeek-R1/V3本地运行
KTransformers支持在单卡24GB VRAM的GPU上运行DeepSeek-R1/V3的Q4_K_M版本，性能表现如下：
- Prefill Speed（tokens/s）：54.21（单节点）→ 74.362（双节点）→ 286.55（优化后）。
- Decode Speed（tokens/s）：8.73（单节点）→ 11.26（双节点）→ 13.69（优化后）。
- 相比llama.cpp，KTransformers的Prefill速度提升高达27.79倍，Decode速度提升3.03倍！
支持长上下文推理
KTransformers能够在单卡24GB GPU上支持128K甚至1M的长上下文推理，速度比llama.cpp快10倍以上，同时保持100%的推理精度。
多GPU和异构计算支持
KTransformers不仅支持多GPU并行推理，还支持CPU/GPU混合推理，充分利用硬件资源，提升推理效率。
灵活的配置和优化
用户可以通过简单的YAML配置文件，灵活地调整模型的优化策略，例如选择不同的量化方法或替换特定的模块。
丰富的API和教程
KTransformers提供了RESTful API和详细的教程文档，方便开发者快速上手。

如何使用KTransformers？

使用KTransformers非常简单，以下是基本步骤：

安装依赖
```
pip install ktransformers
```

加载模型

from transformers import AutoModelForCausalLM
import torch

with torch.device("meta"):
    model = AutoModelForCausalLM.from_config(config, trust_remote_code=True)

优化和加载模型

from ktransformers import optimize_and_load_gguf

optimize_and_load_gguf(model, optimize_rule_path, gguf_path, config)

生成文本

generated = prefill_and_generate(model, tokenizer, input_tensor.cuda(), max_new_tokens=1000)

性能对比：KTransformers vs llama.cpp

指标	llama.cpp（双节点，64核）	KTransformers（双节点，64核）	提升倍数
Prefill Speed	10.31 tokens/s	286.55 tokens/s	27.79×
Decode Speed	4.51 tokens/s	13.69 tokens/s	3.03×

从上表可以看出，KTransformers在性能上远超llama.cpp，尤其是在Prefill阶段，速度提升了27.79倍！

KTransformers的适用场景

本地开发和测试
如果您希望在本地快速开发和测试大模型，KTransformers是一个理想的选择。
资源受限的环境
对于硬件资源有限的开发者，KTransformers可以通过优化和量化，让模型在有限的资源下运行得更好。
高性能推理需求
如果您需要在本地实现高性能的模型推理，KTransformers的多GPU和异构计算支持能够满足您的需求。

KTransformers的源代码：https://github.com/kvcache-ai/ktransformers