2026年7月9日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

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: 6775
作者:AI产品汇

微信搜一搜,关注“AI产品汇”

推荐语

低成本实现高性能AI部署,中小企业的福音来了!

核心内容:
1. DeepSeek-R部署1的高成本难题
2. KTransformers框架介绍及其优势
3. 4090单卡部署DeepSeek-R1的实践与效果

杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家


 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
混合专家模型(MoE)详解
    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。

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅