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！

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。。今天给大家推荐一个框架-KTransformers，01-DeepSeek-R1部署痛点梳理近期国内外都流行一股DeepSeek-R1部署热，大家都纷纷在自己的

程序员笑武

2075人浏览 · 2025-02-14 19:14:55

程序员笑武 · 2025-02-14 19:14:55 发布

“ 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。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 ® Xeon ® 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。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述