我要投稿

4090单卡部署671B DeepSeek，本地部署“成本骤降32倍”，助力R1真正落地「中小企业」中！

发布日期：2025-02-13 08:06:40 浏览次数： 2608 来源：AI产品汇

“ 近期国内外都流行一股DeepSeek-R1部署热，大家都纷纷在自己的本地主机上面尝试着部署满血版本的DeepSeek-R1。然而，要部署一个完整的版本的DeepSeek-R1在本地，大概需要16张A800，大概会花费200百万左右的成本。产业界苦671B的大模型已久，希望能有一些低成本的满血版671B DeepSeek部署方案。小编今天给大家推荐一个框架-KTransformers，它支持在单台（24GB VRAM）/多gpu和382G DRAM上的Deepseek-R1和V3，速度提升3~28倍。这可能是很多朋友一直在寻找的东西吧，感兴趣的尽快收藏。”

项目主页-https://github.com/kvcache-ai/ktransformers/tree/main

代码链接-https://github.com/kvcache-ai/ktransformers/tree/main

01-DeepSeek-R1部署痛点梳理

China's DeepSeek AI is hitting Nvidia where it hurts | The Verge

近期国内外都流行一股DeepSeek-R1部署热，大家都纷纷在自己的本地主机上面尝试着部署满血版本的DeepSeek-R1。然而，要部署一个完整的版本的DeepSeek-R1在本地，大概需要16个A800，大概会花费200百万左右的成本。这高昂的部署成本直接劝退了很多人，然而仍然有一些财大气粗的公司花费了巨额资本部署了满血版本的DeepSeek-R1。

除此之外，大量的网友表示70B及以下的小模型效果与满血版本的性能差异较大。而微调模型的成本也比较高。由于上面的一些限制，导致满血版大模型的能力并不能很好的赋能更多的人。产业界苦671B的大模型已久，希望能有一些低成本的满血版671B DeepSeek部署方案。

02-ktransformers框架简介

KTransformers，发音为Quick Transformers，它旨在利用高级内核优化和放置并行来增强您的? Transformers。

KTransformers是一个灵活的、以Python为中心的框架，其核心是可扩展性。通过利用一行代码实现和注入一个优化的模块，用户可以访问与Transformers兼容的接口、与OpenAI和Ollama兼容的RESTful API，甚至是一个简化的类似ChatGPT的web UI。作者希望KTransformers能够成为一个灵活的平台，用于实验创新的LLM推理优化。

03-ktransformers框架关键里程碑

2025年2月10日：支持单台（24GB VRAM）/多gpu和382G DRAM上的Deepseek-R1和V3，速度高达3~28倍。

2024年8月28日：在InternLM2.5-7B-Chat-1M模型下支持1M上下文，使用24GB VRAM和150GB DRAM。详细教程在这里。

2024年8月28日：将DeepseekV2所需的VRAM从21G降低到11G。

2024年8月15日：更新注射和多GPU的详细教程。

2024年8月14日：支持llamfile作为线性后端。

2024年8月12日：支持多GPU；支持新型号：mixtral8*7B和8*22B；在gpu上支持q2k、q3k、q5k等数量。

2024年8月9日：支持windows原生。

04-ktransformers框架硬件配置

RTX 4090

CPU型号：Intel (R) Xeon (R) Gold 6454S 1T DRAM (2 NUMA nodes)

GPU型号: 4090D 24G VRAM
内存: 标注 DDR5-4800 server DRAM (1 TB)

模型: DeepseekV3-q4km (int4)

05-ktransformers框架性能指标

本地671B DeepSeek-Coder-V3/R1：仅使用14GB VRAM和382GB DRAM运行其Q4_K_M版本。

预填充速度（令牌/秒）：KTransformr:54.21（32核）→74.362（双插槽，2×32核）>255.26（基于AMX的优化MoE内核，仅V0.3）→ 286.55 （有选择地使用6位专家，仅V0.3）与2×32核的llama.cpp中的10.31个令牌/秒相比，速度提高了27.79倍。

解码速度（令牌/秒）：KTransformr:8.73（32个内核）→11.26（双插槽，2×32核）→13.69（选择性使用6个专家，仅V0.3）与2×32内核的llama.cpp中的4.51令牌/秒相比，速度提高了3.03倍。

除此之外，作者还提供了即将推出的优化预览，包括英特尔AMX加速内核和选择性专家激活方法，这将显著提高性能。使用V0.3-preview，作者实现了高达286个令牌/秒的预填充，使其比llama.cpp的局部推理快28倍。具体的wheel文件-。

06-ktransformers框架上手指南

# 步骤1-利用wget将.wh文件下载到本地wget https://github.com/kvcache-ai/ktransformers/releases/download/v0.1.4/ktransformers-0.3.0rc0+cu126torch26fancy-cp311-cp311-linux_x86_64.whl
# 步骤2-安装.whl文件pip install ktransformers-0.3.0rc0+cu126torch26fancy-cp311-cp311-linux_x86_64.whl
# 步骤3-执行推理python -m ktransformers.local_chat --model_path <your model path> --gguf_path <your gguf path>  --prompt_file <your prompt txt file>  --cpu_infer 65 --max_new_tokens 1000 <when you see chat, then press enter to load the text prompt_file>

更详细的细节见-https://github.com/kvcache-ai/ktransformers/blob/main/doc/en/DeepseekR1_V3_tutorial.md。

07-ktransformers框架优化细节

07.01-利用MoE架构的稀疏性

DeepSeek中使用到MoE架构，它是一种创新的模型设计范式，通过将计算任务动态分配到专门化的子网络模块，实现模型计算的高效解耦。在推理过程中，该架构采用选择性激活策略，仅调用部分专家模块，从而显著降低计算复杂度，提升模型的计算资源利用率。总而言之，MoE架构通常需要大量的存储空间，但是并不需要很多的计算资源。

基于上面的观察，该团队提出一个GPU与CPU的异构计算划分策略。该策略的优势是：仅需将非Shared部分的稀疏MoE矩阵放在CPU/DRAM上并使用llamafile提供的高速算子处理，剩余稠密部分放在GPU上使用Marlin算子处理。

基于上面的策略，如果使用了4比特量化方式，在GPU上面的参数只需24GB的显存，而一张4090刚好可以满足这个需求。

07.02-引入高性能的CPU与GPU算子

该团队使用了Marlin算子来充分利用GPU的性能，它能够针对量化后的矩阵进行高效计算，与其它的一些矩阵乘相比，在相同的GPU上面，Marlin算子基本上能做到3.87倍左右的加速比！

该团队使用llamafile来完成CPU算子的推理，利用expert等多种并行优化技术。除此之外，还利用到负载均衡、多线程、任务调度、NUMA感知等多种优化技巧。

07.03-优化基于计算强度的offload策略

DeepSeeK团队引入了MLA算子，它首先将MLA展开成MHA；然后利用MHA执行计算，整个过程中不仅降低了推理性能，而且还可以扩大KV Cache的大小。

为了对MLA进行优化，KTransformers团队尝试着把该矩阵放在out_proj和p_proj权重中。这种方法不仅可以提升GPU的利用率，而且可以显著降低KV缓存大小。

在实际的计算中，Expert与MLA具有不同的计算强度，相差的倍数在数千左右。为了解决该问题，该团队通过利用计算强度来决定具体的划分策略，具体按照MLA > Shared Expert > Routed Expert的方法将计算强度高的放入GPU中进行计算，直到GPU中放满为止！

07.04-改进并优化CUDA Graph

由于Python接口的调用具有很大的开销，为了降低该开销，在利用CUDA Graph执行过程中，该框架尽可能的来减少GPU与CPU之间由于通选所导致的断点问题。将CPU算子也交叉式的放在CUDA Graph中，从而实现了在单个Decoder过程中，仅仅会输出单个CUDA Graph的调用输出结果。