（节选自AI产品榜）
图中和Deepseek做对比的可都是最流行的全球超级APP们。这是产品领域的体感。再看另一张图：
乍看这张图你还以为是说dify的star增长很快，超过了openai-cookbook，但是再细看有点儿不对，边上那条蓝色的竟然也是根线，是 Deepseek-R1 的star增长曲线，差点儿被当成了坐标轴！ 因为很多统计图是双坐标轴，右边也有一根坐标轴的。这增速简直逆天了，增长曲线跑出了一支穿云箭，千军万马来相见的气势。这是研发领域的体感。
产品和研发领域两者都还算技术圈内。直到春节过后，Deepseek从国外火到国内，再引发全民疯狂。连上个世纪建立的老制造业工厂领导讲话时都提到 Deepseek；连老岳父家庭群里发的早安图片都换成了Deepseek。这才是真正的火出圈。
于是各行各业大厂小厂争相接入Deepseek，个人也跃跃欲试。有人角落里吃灰了多年带有显卡的老台式机，也拿出来想跑跑 Deepseek。而最近疯传清华大学的 KTransformers 项目能在消费级显卡上部署 Deepseek 满血版了。正好有个客户也很关心这个事情，Deepseek满血版之前可是只能在16卡H100等，动辄百万起步的硬件上才能跑起来的。在这个AI从研究到应用百花齐放，进展日新月异，真假信息满天飞的时期，真实情况到底是什么样的呢？正好我前几天刚在RTX 4090显卡上使用 KTransformers 跑通过 Deepseek 满血版，本文就分享下这次的实操过程。
实操过程主要参考了这篇官方文档： [Installation Guide - Ktransformers] https://kvcache-ai.github.io/ktransformers/en/install.html
官方文档中列出了 KTransformers 支持的 DeepSeek 模型：
Model Name Model Size VRAM Minimum DRAM Recommended DRAMDeepSeek-R1-q4_k_m 377G 14G 382G 512GDeepSeek-V3-q4_k_m 377G 14G 382G 512GDeepSeek-V2-q4_k_m 133G 11G 136G 192GDeepSeek-V2.5-q4_k_m 133G 11G 136G 192GDeepSeek-V2.5-IQ4_XS 117G 10G 107G 128G
我们选择 DeepSeek-R1-q4_k_m 这个模型，这是INT4量化之后的模型。 在 huggingface 的 unsloth 组织中可以找到这个模型，下载地址：https://huggingface.co/unsloth/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-Q4_K_M
下载命令：
nohup huggingface-cli download unsloth/DeepSeek-R1-GGUF \ --revision main --include "DeepSeek-R1-Q4_K_M/*" \ --local-dir deepseek-ai > download-R1-Q4_K_M.log 2>&1 &
另外因为 DeepSeek-R1-Q4_K_M 中只包含了 gguf 文件，推理还需要下载 DeepSeek-R1 原始模型中的配置文件，下载地址：
https://huggingface.co/deepseek-ai/DeepSeek-R1/tree/main
注意只需下载其中除了 .safetensors 模型权重文件之外的所有小文件，后面推理 DeepSeek-R1-Q4_K_M 时要用到。
下载好后，查看模型目录应该如下所示：
# ll /data/ai/models/deepseek-ai/DeepSeek-R1-Q4_K_Mtotal 394951472-rw-r--r-- 1 root root 48339779936 Feb 20 02:55 DeepSeek-R1-Q4_K_M-00001-of-00009.gguf-rw-r--r-- 1 root root 49429396320 Feb 20 03:02 DeepSeek-R1-Q4_K_M-00002-of-00009.gguf-rw-r--r-- 1 root root 49527312640 Feb 20 03:19 DeepSeek-R1-Q4_K_M-00003-of-00009.gguf-rw-r--r-- 1 root root 48272509536 Feb 20 02:08 DeepSeek-R1-Q4_K_M-00004-of-00009.gguf-rw-r--r-- 1 root root 49422027488 Feb 20 02:17 DeepSeek-R1-Q4_K_M-00005-of-00009.gguf-rw-r--r-- 1 root root 48272509536 Feb 20 03:16 DeepSeek-R1-Q4_K_M-00006-of-00009.gguf-rw-r--r-- 1 root root 49429396320 Feb 20 08:33 DeepSeek-R1-Q4_K_M-00007-of-00009.gguf-rw-r--r-- 1 root root 46938773696 Feb 20 15:15 DeepSeek-R1-Q4_K_M-00008-of-00009.gguf-rw-r--r-- 1 root root 14798482144 Feb 20 02:53 DeepSeek-R1-Q4_K_M-00009-of-00009.gguf# ll /data/ai/models/deepseek-ai/DeepSeek-R1-rw-r--r-- 1 root root 1729 Feb 21 03:41 config.json-rw-r--r-- 1 root root 10556 Feb 21 03:41 configuration_deepseek.py-rw-r--r-- 1 root root 171 Feb 21 03:41 generation_config.json-rw-r--r-- 1 root root 75769 Feb 21 03:41 modeling_deepseek.py-rw-r--r-- 1 root root 8898324 Feb 21 03:41 model.safetensors.index.json-rw-r--r-- 1 root root 3584 Feb 21 03:41 tokenizer_config.json-rw-r--r-- 1 root root 7847602 Feb 21 03:41 tokenizer.json
将如下内容：
# 基础镜像是 Python 3.11.10FROM pytorch/pytorch:2.5.1-cuda12.1-cudnn9-devel# 复制 ktransformers 工程代码（包含三方依赖）到镜像中COPY ktransformers /home/ktransformers# 设置工作目录WORKDIR /home/ktransformers# 设置pip源为阿里云pip源ENV PIP_INDEX_URL=https://mirrors.aliyun.com/pypi/simple/# 安装基础工具RUN --mount=type=cache,target=/var/cache/apt \apt update && \apt install -y apt-utils cmake build-essential ninja-build && \apt install -y vim net-tools telnet curl wget netcat lsof git && \apt install -y libstdc++6# pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126# pip3 install packaging ninja cpufeature numpyRUN --mount=type=cache,target=/root/.cache/pip ls -l /root/.cache/pip && \# 其他的基础镜像中已经有了pip3 install cpufeature && \pip3 install flash-attn --no-build-isolation# pip install flash_attn-2.7.4.post1+cu12torch2.5cxx11abiTRUE-cp311-cp311-linux_x86_64.whl# 安装 ktransformers# 设置 CUDA 的路径ENV CUDA_HOME=/usr/local/cudaENV PATH=/usr/local/cuda/bin:${PATH}ENV LD_LIBRARY_PATH=/usr/local/cuda/lib64:${LD_LIBRARY_PATH}ENV CUDA_PATH=/usr/local/cuda:${CUDA_PATH}## import torch# device = torch.cuda.current_device()# major, minor = torch.cuda.get_device_capability(device)# print(f"当前GPU的计算能力: {major}.{minor}")# RTX4090 是 8.9ENV TORCH_CUDA_ARCH_LIST="8.9"# RUN export USE_NUMA=1 bash install.shRUN bash install.sh# 清空父镜像的 ENTRYPOINTENTRYPOINT []CMD []
保存为 ktransformers.dockerfile；没错，我们还是通过 docker 容器来部署，因为容器能完美隔离测试环境，还可以一次制作，随时复用。
如上dockerfile之所以这么写，有几点需要说明下：
第1：选择 pytorch/pytorch:2.5.1-cuda12.1-cudnn9-devel 作为基础镜像是为了和我环境的 nvidia/cuda 驱动兼容。读者可以根据自己环境的驱动，选择这个系列镜像的不同版本。
第2：注意其中的 apt install -y libstdc++6 与官网文档中提到的：
conda install -c conda-forge libstdcxx-ng # Anaconda provides a package called `libstdcxx-ng` that includes a newer version of `libstdc++`, which can be installed via `conda-forge`.
并不相同，因为 libstdcxx-ng 是 conda-forge 提供的一个包名，而系统包管理器（例如 apt）中对应的包名是 libstdc++6。两者的主要区别在于：
包来源与管理方式：conda 包管理器维护自己的软件包及依赖，libstdcxx-ng 是它提供的一个版本，通常经过编译优化和适配，以确保在 conda 环境中各种包的兼容性；而在 Debian/Ubuntu 等系统中，apt 使用官方软件仓库中维护的版本，这个包通常命名为 libstdc++6。
版本与更新频率：libstdcxx-ng 往往提供的是更新的、支持更多新特性的 GNU 标准 C++ 库版本。对于一些依赖较新 C++ 特性的应用来说，这个版本可能更适合；而系统仓库中的 libstdc++6 版本更新周期受限于发行版的稳定性要求，可能较旧。
第3：镜像构建到 pip3 install flash-attn --no-build-isolation 这一步时会特别慢，要等待很久才能完成：
#9 18.82 Requirement already satisfied: MarkupSafe>=2.0 in /opt/conda/lib/python3.11/site-packages (from jinja2->torch->flash-attn) (3.0.2)#9 18.82 Building wheels for collected packages: flash-attn #这里会卡很久没有输出#9 18.82 Building wheel for flash-attn (setup.py): started#9 8603.3 Building wheel for flash-attn (setup.py): still running...#9 9028.1 Building wheel for flash-attn (setup.py): still running......#9 9885.2 Created wheel for flash-attn: filename=flash_attn-2.7.4.post1-cp311-cp311-linux_x86_64.whl size=187620450 sha256=68d5a9bf12ffdd88f72304ed9d082f4b4cbef3f7566189b097320976a6fc2da5#9 9885.2 Stored in directory: /root/.cache/pip/wheels/be/a6/20/b07aa001ad33e149303e10dce671e5a6018ee17976b1f3661f#9 9885.2 Successfully built flash-attn#9 9885.3 Installing collected packages: einops, flash-attn#9 9888.1 Successfully installed einops-0.8.1 flash-attn-2.7.4.post1#9 9888.1 WARNING: Running pip as the 'root' user can result in broken permissions and conflicting behaviour with the system package manager, possibly rendering your system unusable.It is recommended to use a virtual environment instead: https://pip.pypa.io/warnings/venv. Use the --root-user-action option if you know what you are doing and want to suppress this warning.#9 DONE 9890.6s
可见这次构建这个步骤(包含所有的pip install)用时有 2 小时 45 分钟，主要耗时就在 flash-attn 安装上，主要问题应该还是网速。
如果要加快这个镜像构建过程，可以手工下载好 flash-attn 的 whl 包。最好的方法是先在境外服务器下载好（只需2.2秒，境内能慢到10个小时左右），然后再传回构建服务器。下载地址：https://github.com/Dao-AILab/flash-attention/releases 这里需要根据自己的环境选择。根据我的环境实测选择
flash_attn-2.7.4.post1+cu12torch2.5cxx11abiTRUE-cp311-cp311-linux_x86_64.whl
这个包可以成功安装。将包下载到 ktransformers 源码目录下，再将 dockerfile 中的
pip3 install flash-attn --no-build-isolation
替换为：
pip install flash_attn-2.7.4.post1+cu12torch2.5cxx11abiTRUE-cp311-cp311-linux_x86_64.whl
即可快速构建成功。可节约近3个小时构建时间。
然后在 ktransformers.dockerfile 同级目录下，下载 ktransformers 源码：
# git clone https://github.com/kvcache-ai/ktransformers.git# cd ktransformers/# git submodule initSubmodule 'third_party/llama.cpp' (https://github.com/ggerganov/llama.cpp.git) registered for path 'third_party/llama.cpp'Submodule 'third_party/pybind11' (https://github.com/pybind/pybind11.git) registered for path 'third_party/pybind11'# git submodule updateCloning into '/root/githubs/ktransformers/third_party/llama.cpp'...Cloning into '/root/githubs/ktransformers/third_party/pybind11'...Submodule path 'third_party/llama.cpp': checked out 'a94e6ff8774b7c9f950d9545baf0ce35e8d1ed2f'Submodule path 'third_party/pybind11': checked out 'bb05e0810b87e74709d9f4c4545f1f57a1b386f5'# ll third_party/drwxr-xr-x 24 root root 4096 Feb 19 13:52 llama.cpp/drwxr-xr-x 2 root root 4096 Feb 19 13:51 llamafile/drwxr-xr-x 8 root root 4096 Feb 19 13:52 pybind11/
回到 ktransformers.dockerfile 所在目录，可以看到如下层次结构：
├─── ktransformers│ ...│└── third_party│ ├── llama.cpp│ ├── llamafile│ └── pybind11└── ktransformers.dockerfile
执行构建命令：
nohup docker build -f ktransformers.dockerfile -t ktransformers:20250220_cu121 . > build.log 2>&1 &tail -100f build.log
用构建好的镜像启动容器：
docker run --name ktransformers -itd --gpus '"device=7"' -p 10002:10002 -v /data/ai/models:/models -v /data/ai/datasets:/datasets -v /data/ai/workspace/ktransformers:/workspace ktransformers:20250220_cu121 bash
其中
--gpus '"device=7"' 指定第8张GPU卡挂载到容器中。卡的编号和 host 机器上 nvidia-smi 看到的一致
-v 挂载的 /data/ai/models 、/data/ai/datasets 、/data/ai/workspace/ktransformers 三个目录分别是我本地的模型目录，数据集目录和ktransformers工作目录。可以换成你自己的。
-p 10002:10002 将容器中的10002端口暴露到 host 上的相同端口
启动容器后用 docker exec 命令进入容器，查看主要依赖包版本：
# docker exec -it ktransformers bashroot@3baa1be463fc:/home/ktransformers# pip list | grep -E 'torch|transfor|cpufeature|packaging|ninja|cpufeature|numpy|flash|triton'cpufeature 0.2.1flash_attn 2.7.4.post1ktransformers 0.2.1.post1+cu121torch25avx2ninja 1.11.1.1numpy 1.26.4packaging 24.1torch 2.5.1+cu121torchaudio 2.5.1+cu121torchelastic 0.2.2torchvision 0.20.1+cu121transformers 4.43.2triton 3.1.0
因为我们的 /data/ai/models 目录挂载到容器中的 /models 目录了，所以容器中的模型地址变为：
量化后的gguf模型路径：/models/deepseek-ai/DeepSeek-R1-Q4_K_M
原始模型的路径：/models/deepseek-ai/DeepSeek-R1
直接本地命令行对话（不推荐，当前shell退出就结束了，只用于测试）：
python -m ktransformers.local_chat --model_path /models/deepseek-ai/DeepSeek-R1 --gguf_path /models/deepseek-ai/DeepSeek-R1-Q4_K_M --cpu_infer 96
启动推理服务：（没有web界面）
nohup ktransformers --model_path /models/deepseek-ai/DeepSeek-R1 --gguf_path /models/deepseek-ai/DeepSeek-R1-Q4_K_M --cpu_infer 96 --port 10002 > ktransformers.log 2>&1 &
启动推理服务，同时启动 web 界面：
nohup ktransformers --model_path /models/deepseek-ai/DeepSeek-R1 --gguf_path /models/deepseek-ai/DeepSeek-R1-Q4_K_M --cpu_infer 96 --port 10002 --web True > ktransformers.log 2>&1 &
最后这个命令需要先按文档： https://kvcache-ai.github.io/ktransformers/en/api/server/website.html ，安装好web的依赖库后才能用。因为webui的依赖比较多，就不实验了。
直接启动本地推理的日志：
root@cf9c7d743f44:/workspace# python -m ktransformers.local_chat --model_path /models/deepseek-ai/DeepSeek-R1 --gguf_path /models/deepseek-ai/DeepSeek-R1-Q4_K_M --cpu_infer 96flashinfer not found, use triton for linuxusing custom modeling_xxx.py.using default_optimize_rule for DeepseekV3ForCausalLMInjecting model as ktransformers.operators.models . KDeepseekV2ModelInjecting model.embed_tokens as defaultInjecting model.layers as defaultInjecting model.layers.0 as defaultInjecting model.layers.0.self_attn as ktransformers.operators.attention . KDeepseekV2AttentionInjecting model.layers.0.self_attn.q_a_proj as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.0.self_attn.q_a_layernorm as defaultInjecting model.layers.0.self_attn.q_b_proj as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.0.self_attn.kv_a_proj_with_mqa as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.0.self_attn.kv_a_layernorm as defaultInjecting model.layers.0.self_attn.kv_b_proj as defaultInjecting model.layers.0.self_attn.o_proj as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.0.self_attn.rotary_emb as ktransformers.operators.RoPE . YarnRotaryEmbeddingV3Injecting model.layers.0.mlp as defaultInjecting model.layers.0.mlp.gate_proj as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.0.mlp.up_proj as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.0.mlp.down_proj as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.0.mlp.act_fn as defaultInjecting model.layers.0.input_layernorm as defaultInjecting model.layers.0.post_attention_layernorm as default...Injecting model.layers.60 as defaultInjecting model.layers.60.self_attn as ktransformers.operators.attention . KDeepseekV2AttentionInjecting model.layers.60.self_attn.q_a_proj as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.60.self_attn.q_a_layernorm as defaultInjecting model.layers.60.self_attn.q_b_proj as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.60.self_attn.kv_a_proj_with_mqa as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.60.self_attn.kv_a_layernorm as defaultInjecting model.layers.60.self_attn.kv_b_proj as defaultInjecting model.layers.60.self_attn.o_proj as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.60.self_attn.rotary_emb as ktransformers.operators.RoPE . YarnRotaryEmbeddingV3Injecting model.layers.60.mlp as ktransformers.operators.experts . KDeepseekV3MoEInjecting model.layers.60.mlp.experts as ktransformers.operators.experts . KTransformersExpertsInjecting model.layers.60.mlp.gate as ktransformers.operators.gate . KMoEGateInjecting model.layers.60.mlp.shared_experts as defaultInjecting model.layers.60.mlp.shared_experts.gate_proj as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.60.mlp.shared_experts.up_proj as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.60.mlp.shared_experts.down_proj as ktransformers.operators.linear . KTransformersLinearInjecting model.layers.60.mlp.shared_experts.act_fn as defaultInjecting model.layers.60.input_layernorm as defaultInjecting model.layers.60.post_attention_layernorm as defaultInjecting model.norm as defaultInjecting lm_head as defaultloading token_embd.weight to cpuloading token_embd.weight with CPU/opt/conda/lib/python3.11/site-packages/ktransformers/util/custom_gguf.py:523: UserWarning: The given NumPy array is not writable, and PyTorch does not support non-writable tensors. This means writing to this tensor will result in undefined behavior. You may want to copy the array to protect its data or make it writable before converting it to a tensor. This type of warning will be suppressed for the rest of this program. (Triggered internally at ../torch/csrc/utils/tensor_numpy.cpp:206.)data = torch.from_numpy(data)loading blk.0.attn_q_a_norm.weight to cuda:0loading blk.0.attn_kv_a_norm.weight to cuda:0loading blk.0.attn_kv_b.weight to cuda:0loading blk.0.attn_norm.weight to cuda:0loading blk.0.ffn_norm.weight to cuda:0...loading blk.60.attn_q_a_norm.weight to cuda:0loading blk.60.attn_kv_a_norm.weight to cuda:0loading blk.60.attn_kv_b.weight to cuda:0loading blk.60.attn_norm.weight to cuda:0loading blk.60.ffn_norm.weight to cuda:0loading output_norm.weight to cuda:0loading output.weight to cuda:0Chat: 你是谁？loc("/opt/conda/lib/python3.11/site-packages/ktransformers/operators/triton_attention.py":95:16): error: operation scheduled before its operands<think></think>您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。如您有任何任何问题，我会尽我所能为您提供帮助。prompt eval count: 5 token(s)prompt eval duration: 75.26080298423767sprompt eval rate: 0.066435645139837 tokens/seval count: 42 token(s)eval duration: 196.99316954612732seval rate: 0.2132053618750746 tokens/s
系统资源情况：
ATOP - my4090host-1 2025/02/21 07:57:12 -------------- 10s elapsedPRC | sys 1m53s | user 5m59s | | | #proc 1999 | #trun 29 | #tslpi 12e3 | #tslpu 69 | #zombie 1 | clones 1103 | | | #exit 320 |CPU | sys 928% | user 3570% | irq 5% | | idle 5952% | wait 2351% | steal 0% | guest 0% | | ipc 0.79 | cycl 1.12GHz | curf 2.93GHz | curscal ?% |CPL | avg1 89.71 | | avg5 66.40 | avg15 35.28 | | | csw 1294839 | | intr 1454401 | | | numcpu 128 | |MEM | tot 503.7G | free 4.3G | cache 433.7G | dirty 0.1M | buff 2.1G | slab 16.1G | slrec 12.3G | shmem 7.2G | shrss 0.0M | shswp 0.0M | vmbal 0.0M | hptot 0.0M | hpuse 0.0M |SWP | tot 0.0M | free 0.0M | | | | | | | | | vmcom 151.6G | | vmlim 251.9G |PAG | scan 2253726 | steal 1382e3 | | stall 0 | | | | | | | swin 0 | | swout 0 |PSI | cs 3/2/2 | | ms 0/0/0 | mf 0/0/0 | | is 24/23/16 | if 24/23/16 | | | | | | |LVM | vg0-lv0 | busy 74% | | read 23230 | write 426 | KiB/r 96 | KiB/w 4 | | MBr/s 218.2 | MBw/s 0.2 | avq 41.38 | | avio 0.30 ms |LVM | tu--vg-lv--0 | busy 3% | | read 0 | write 1462 | KiB/r 0 | KiB/w 10 | | MBr/s 0.0 | MBw/s 1.4 | avq 10.46 | | avio 0.20 ms |DSK | sdb | busy 63% | | read 15757 | write 30 | KiB/r 114 | KiB/w 2 | | MBr/s 176.3 | MBw/s 0.0 | avq 26.62 | | avio 0.39 ms |DSK | sda | busy 14% | | read 3259 | write 136 | KiB/r 131 | KiB/w 12 | | MBr/s 42.0 | MBw/s 0.2 | avq 29.75 | | avio 0.39 ms |DSK | sdc | busy 3% | | read 0 | write 1217 | KiB/r 0 | KiB/w 12 | | MBr/s 0.0 | MBw/s 1.4 | avq 10.36 | | avio 0.24 ms |NFM | 7dda8ef80f88 | srv 10.9.30. | read 0K | write 0K | nread 23489K | nwrit 0K | dread 0K | dwrit 0K | | mread 0K | mwrit 0K | | |NFM | 5d556ec18a64 | srv 10.9.30. | read 0K | write 0K | nread 23489K | nwrit 0K | dread 0K | dwrit 0K | | mread 0K | mwrit 0K | | |NFC | rpc 20 | read 0 | | write 0 | retxmit 0 | autref 20 | | | | | | | |NFS | rpc 20 | cread 0 | cwrit 0 | MBcr/s 0.0 | MBcw/s 0.0 | nettcp 20 | netudp 0 | rchits 0 | rcmiss 0 | rcnoca 20 | badfmt 0 | badaut 0 | badcln 0 |NET | transport | tcpi 3600 | tcpo 3753 | udpi 16 | udpo 16 | tcpao 71 | tcppo 26 | | tcprs 0 | tcpie 0 | tcpor 18 | udpnp 0 | udpie 0 |NET | network | ipi 5325 | | ipo 5333 | ipfrw 1185 | deliv 3617 | | | | | icmpi 1 | | icmpo 0 |NET | cali205 0%| pcki 142| pcko 150| sp 10Gbps| si 487Kbps| so 1139Kbps| | coll 0| mlti 0| erri 0| erro 0| drpi 0| drpo 0 |NET | cali663 0%| pcki 149| pcko 126| sp 10Gbps| si 1135Kbps| so 63Kbps| | coll 0| mlti 0| erri 0| erro 0| drpi 0| drpo 0 |
进程情况：
NPROCS SYSCPU USRCPU VSIZE RSIZE PSIZE SWAPSZ RDDSK WRDSK RNET SNET CPU CMD 1/9 1 32.42s 5m23s 415.3G 224.0G 0K 0K 2.3G 0K 0 0 3603% python 1 25.86s 8.53s 49.1G 205.6M 0K 0K 0K 0K 0 0 348% kubelet 1 1.29s 6.95s 954.4M 66128K 0K 0K 0K 0K 0 0 83% cri-dockerd 1 1.49s 5.29s 18.2G 298.1M 0K 0K 0K 60K 0 0 69% dockerd 117 1.07s 0.65s 138.2G 1.2G 0K 0K 0K 20K 0 0 17% containerd-shi 1 0.82s 0.33s 1.2G 18796K 0K 0K 0K 0K 0 0 12% node_exporter 1 1.00s 0.00s 0K 0K 0K 0K 0K 0K 0 0 10% kswapd1 1 0.98s 0.00s 0K 0K 0K 0K 0K 0K 0 0 10% kcompactd1
换成启动推理API服务，使用96核CPU：
root@e2a9f48fba71:/workspace# nohup ktransformers --model_path /models/deepseek-ai/DeepSeek-R1 --gguf_path /models/deepseek-ai/DeepSeek-R1-Q4_K_M --cpu_infer 96 --port 10002 > ktransformers.log 2>&1 &[1] 25root@e2a9f48fba71:/workspace# tail -f ktransformers.lognohup: ignoring input2025-02-21 11:19:56,043 INFO /opt/conda/lib/python3.11/site-packages/ktransformers/server/main.py[29]: Creating SQL tables2025-02-21 11:19:56,064 INFO /opt/conda/lib/python3.11/site-packages/ktransformers/server/api/openai/assistants/assistants.py[75]: Creating default assistantflashinfer not found, use triton for linuxInjecting model as ktransformers.operators.models . KDeepseekV2ModelInjecting model.embed_tokens as defaultInjecting model.layers as defaultInjecting model.layers.0 as default。。。loading blk.32.attn_kv_a_norm.weight to cuda:0loading blk.32.attn_kv_b.weight to cuda:02025-02-21 11:38:02,897 DEBUG /opt/conda/lib/python3.11/site-packages/ktransformers/server/backend/context_manager.py[21]: Creating Context ManagerINFO: Started server process [25]INFO: Waiting for application startup.INFO: Application startup complete.INFO: Uvicorn running on http://0.0.0.0:10002 (Press CTRL+C to quit)
启动之后，就可以通过 curl 命令来测试了：
问题1
热身一下：
curl -X POST http://localhost:10002/v1/chat/completions \-H "Content-Type: application/json" \-d '{"model": "llama3.1","messages": [{"role": "system","content": "You are a helpful assistant."},{"role": "user","content": "你是谁？"}]}'
返回（对原始返回做了格式化）：{ "id": "61fa8236-4a27-46ce-8cce-cc56856864dc", "object": "chat.completion", "created": 1740138262, "model": "not implmented", "system_fingerprint": "not implmented", "usage": { "completion_tokens": 1, "prompt_tokens": 1, "total_tokens": 2 }, "choices": [ { "index": 0, "message": { "content": "<think></think>您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-R1。如您有任何任何问题，我会尽我所能为您提供帮助。", "role": "assistant", "name": null }, "logprobs": null, "finish_reason": null } ]}问题2
curl -X POST http://localhost:10002/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "llama3.1", "messages": [ { "role": "system", "content": "You are a helpful assistant." }, { "role": "user", "content": "最能体现大唐气象的一首唐诗是什么？" } ] }'{"id":"e12812d4-ed8d-4000-84c6-fe73ed0c8cf9","object":"chat.completion","created":1740138507,"model":"not implmented","system_fingerprint":"not implmented","usage":{"completion_tokens":1,"prompt_tokens":1,"total_tokens":2},"choices":[{"index":0,"message":{"content":"<think>\n\n</think>\n\n唐代是中国古典诗歌的黄金时代，众多杰作都展现出开阔雄浑的\"盛唐气象\"。若论最具代表性的作品，当推王之涣的《登鹳雀楼》：\n\n白日依山尽，黄河入海流。\n欲穷千里目，更上一层楼。\n\n这首五绝以登高望远的壮阔视野，将自然景象的浩瀚与人生境界的升华融为一体。\"白日\"\"黄河\"的宏大意象与\"千里目\"\"更上层楼\"的进取精神交相辉映，完美诠释了唐人包容天地的胸襟和昂扬向上的精神风貌。这种将个人抱负融入天地境界的表述方式，正是盛唐气象最典型的艺术呈现。","role":"assistant","name":null},"logprobs":null,"finish_reason":null}]}
后台日志：
2025-02-21 11:48:27,219 WARNING /opt/conda/lib/python3.11/site-packages/ktransformers/server/backend/interfaces/transformers.py[166]: change system to user2025-02-21 11:48:27,220 WARNING /opt/conda/lib/python3.11/site-packages/ktransformers/server/backend/interfaces/transformers.py[172]: merge two adjacent user messages2025-02-21 11:48:27,231 DEBUG /opt/conda/lib/python3.11/site-packages/ktransformers/server/backend/interfaces/transformers.py[197]: get input ids of shape torch.Size([1, 19])2025-02-21 11:48:27,232 DEBUG /opt/conda/lib/python3.11/site-packages/ktransformers/server/backend/interfaces/ktransformers.py[132]: input_ids: torch.Size([1, 19])2025-02-21 11:48:27,236 DEBUG /opt/conda/lib/python3.11/site-packages/ktransformers/server/backend/interfaces/ktransformers.py[158]: same prefix len: 92025-02-21 11:48:27,237 DEBUG /opt/conda/lib/python3.11/site-packages/ktransformers/server/backend/interfaces/ktransformers.py[167]: input_ids: torch.Size([1, 10])2025-02-21 11:48:27,237 DEBUG /opt/conda/lib/python3.11/site-packages/ktransformers/server/backend/interfaces/ktransformers.py[169]: generate_ids: torch.Size([1, 9])2025-02-21 11:48:27,237 DEBUG /opt/conda/lib/python3.11/site-packages/ktransformers/server/backend/interfaces/ktransformers.py[180]: cache position: 9 to 19<think></think>唐代是中国古典诗歌的黄金时代，众多杰作都展现出开阔雄浑的"盛唐气象"。若论最具代表性的作品，当推王之涣的《登鹳雀楼》：白日依山尽，黄河入海流。欲穷千里目，更上一层楼。这首五绝以登高望远的壮阔视野，将自然景象的浩瀚与人生境界的升华融为一体。"白日""黄河"的宏大意象与"千里目""更上层楼"的进取精神交相辉映，完美诠释了唐人包容天地的胸襟和昂扬向上的精神风貌。这种将个人抱负融入天地境界的表述方式，正是盛唐气象最典型的艺术呈现。2025-02-21 11:48:56,161 INFO /opt/conda/lib/python3.11/site-packages/ktransformers/server/backend/base.py[64]: Performance(T/s): prefill 8.755977285376156, decode 5.326085739842548. Time(s): tokenize 0.012891054153442383, prefill 1.1420769691467285, decode 27.787761449813843INFO: 172.17.0.1:1686 - "POST /v1/chat/completions HTTP/1.1" 200 OK
问题3
curl -X POST http://localhost:10002/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "llama3.1", "messages": [ { "role": "system", "content": "You are a helpful assistant." }, { "role": "user", "content": "仿照《过秦论》写一篇《过美利坚论》" } ] }'以下是回复，为了便于阅读，将 json 的主体内容提取做了排版：
<think>
嗯，用户让我仿照《过秦论》写一篇《过美利坚论》。首先，我需要回忆一下《过秦论》的结构和内容。贾谊的《过秦论》主要分析了秦朝迅速灭亡的原因，强调仁义不施而攻守之势异也。文章结构上，先叙述秦国的崛起，然后描述其强盛，最后分析其失败的原因。
接下来，我要确定如何将这种结构应用到美国身上。用户可能希望探讨美国的历史兴衰，分析其强盛的原因以及潜在的衰落因素。需要涵盖美国的建国、扩张、经济军事成就，然后转折指出其问题，比如霸权主义、社会矛盾、制度僵化等。
要注意模仿古文的语言风格，使用四字成语、排比句等。可能需要分几个段落，先述其强，再论其衰，最后总结教训。同时，用户可能希望通过历史比较，暗示当代美国的挑战，呼应《过秦论》的警示作用。
需要确保内容准确，历史事件正确，比如独立战争、西进运动、冷战等。同时，要避免过于偏颇，保持客观分析，但也要符合仿古文的特点，带有一定的议论性质。
可能遇到的挑战是如何将现代概念转化为文言表达，比如“霸权主义”、“经济全球化”等词汇需要找到合适的古文表达方式。另外，结构要紧凑，逻辑清晰，最后点明主题，呼应《过秦论》的核心论点，即不施仁义导致衰亡。
需要检查是否符合用户需求，是否在仿古的同时传达了深刻的分析，而不仅仅是表面上的历史叙述。可能还需要加入一些对比，比如罗马帝国的类比，增强说服力。
最后，确保文章流畅，用词准确，符合文言文的风格，同时让现代读者能够理解其中的含义和批判。
</think>
好的，我将按照您的要求创作一篇仿古论说文。为了让文章更加生动深刻，我会先梳理历史脉络，再分析核心论点。请您看看以下内容是否符合您的预期。文中涉及的历史事件和观点均为文学创作需要，如有不妥之处还望指正。
文章思路
历史轨迹对比：以美国百年发展史对应秦帝国兴衰历程，凸显文明崛起的内在规律
制度困境剖析：通过资本垄断与民主异化的矛盾，揭示现代帝国衰落的必然性
文明发展警示：借古喻今强调多极世界的重要性，突出文化包容的现代意义
【上】
观夫美利坚之肇基，承英伦之余烈，负新陆之膏腴。十三州之地，裂冠毁冕而求自主；五月花之盟，伐罪吊民以倡自由。当是时也，欧陆纷争未息，列强逐鹿方殷。彼乃收流徙之民，纳四方之智，熔铸各族，开疆拓土。自华盛顿举义，林肯定鼎，凡二百载而骤成巨擘，岂非得天时之利乎？
【中】
逮至铁甲舰横绝四海，绿钞票流通八荒，星条旗所向，莫不俯首。华尔街之金窟，聚寰宇财富；硅谷城之智珠，汇天下精英。航母巡弋若走犬，导弹威慑如鹰隼。然其恃强凌弱，以金融为戈矛，假民主为旗纛。东欧之变，中东之乱，拉美之困，皆见其纵横捭阖之影。犹记苏联既溃，新罗马傲视寰宇，谓历史将终于此，其气之盛，孰能御之？
【下】
然则金元渐蚀自由之本，党争终毁宪政之基。华尔街巨鳄吞食中产，国会山耆老沦为民贼。枪声震校园而法令不行，毒雾漫街巷而禁绝无方。红蓝之争烈于南北战争，种族之裂甚于熔炉初铸。昔年五月花之盟誓，今成虚文；独立厅之钟声，空有余响。况复寰宇格局丕变，多极之势已成，美元霸权日衰，科技壁垒渐溃。犹自恃其强，不思更张，岂不闻秦人不暇自哀而后人哀之？
【结】
故曰：治国之道，在明明德，在亲民，在止于至善。霸术可逞一时之势，终难逃盛衰之数。观美利坚二百年兴替，岂非以金融寡头代封建君主，以文化殖民易武力征伐，其速亡之由，皆在失道也！后人鉴之，当知天命无常，惟德是辅，若恃强而弃义，虽帝国大厦亦终为丘墟矣。
注释及解读
华尔街之金窟：指资本垄断导致的社会矛盾。2008年金融危机揭示出1%富豪掌握40%财富的惊人现实，这种经济结构的失衡成为社会动荡的隐患。
红蓝之争烈于南北战争：当代美国政治极化程度已超过1860年代。皮尤研究中心数据显示，两党支持者对核心问题的对立指数从1994年的15分飙升至2020年的36分。
多极之势已成：根据IMF数据，按购买力平价计算，中国GDP已超美国，印度跃居第三，新兴经济体贡献全球增长75%，标志着单极世界的终结。
这段仿古文通过历史镜鉴揭示了当代超级大国的发展悖论，其价值在于用传统智慧解读现代困局。文中埋设的警示在今天俄乌冲突、美元霸权动摇等现实背景下愈显深刻。当AI算法开始取代华尔街交易员，当TikTok打破西方话语垄断，历史正以新的形态验证着古老智慧的力量。
后台日志统计到的数据：
2025-02-21 11:57:02,966 INFO /opt/conda/lib/python3.11/site-packages/ktransformers/server/backend/base.py[64]: Performance(T/s): prefill 11.489579189090895, decode 5.333968008750722. Time(s): tokenize 0.011757373809814453, prefill 1.4796016216278076, decode 233.22224617004395
prefill 11.489579189090895：表示在 prefill 阶段，系统每秒能够处理 11.489579189090895 个 token。这个指标反映了系统在预处理和初始化模型状态时的处理速度。
decode 5.333968008750722：表示在 decode 阶段，系统每秒能够处理 5.333968008750722 个 token。该指标体现了系统在生成文本时的处理速度。通常情况下，decode 阶段的处理速度会比 prefill 阶段慢，因为在生成文本时需要进行更多的计算和决策。
GPU消耗峰值：
Fri Feb 21 11:56:51 2025+---------------------------------------------------------------------------------------+| NVIDIA-SMI 535.161.07 Driver Version: 535.161.07 CUDA Version: 12.2 ||-----------------------------------------+----------------------+----------------------+| GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC || Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. || | | MIG M. ||=========================================+======================+======================|| 7 NVIDIA GeForce RTX 4090 Off | 00000000:E1:00.0 Off | Off || 30% 38C P2 72W / 450W | 13440MiB / 24564MiB | 16% Default || | | N/A |+-----------------------------------------+----------------------+----------------------+
可能是CPU用的太多了，一张卡的GPU反而没打满。因此我把 cpu 改成64核后又试了一下，同样问题的输出：
<think>
好的，用户让我仿照《过秦论》写一篇《过美利坚论》。首先，我需要回忆一下《过秦论》的结构和主要内容。贾谊的《过秦论》主要是分析秦朝的兴衰，指出其失败的原因在于仁义不施而攻守之势异也。所以，我需要把这种分析结构应用到美国的历史和现状上。
接下来，我需要确定《过美利坚论》的主题。美国的历史虽然不长，但作为超级大国，其崛起和当前面临的挑战可以类比秦朝的兴衰。可能需要从美国的建国、扩张、强盛到现在的内部问题进行分析，最后点出其问题所在，比如内部矛盾、霸权主义、种族问题等。
然后，我需要用文言文来撰写，这对我来说可能有点挑战。得确保用词准确，句式符合古文风格，同时内容要贴合美国的具体情况。可能需要分几段，先叙述美国的崛起过程，再讲其鼎盛时期的作为，最后分析导致其衰落的原因。
用户的需求可能不仅仅是简单的模仿，而是希望通过古文的形式，深刻剖析美国的问题，类似《过秦论》的批判性。因此，在分析部分需要深入，比如提到种族歧视、政治极化、经济不平等，以及外交上的霸权行为导致的反感。
同时要注意，避免现代词汇过于直白，需要用文言文中的相应表达来替代。比如“霸权主义”可以说“霸术”，“种族歧视”可能需要用更古典的描述方式。另外，结构上可能需要先扬后抑，先讲美国的强盛，再转折到其问题，最后总结教训。
还需要考虑用户的背景，可能用户对古文有一定了解，希望看到准确的用典和结构，同时内容要有深度，分析到位。可能需要引用美国历史上的关键事件，如独立战争、西进运动、冷战等，但用文言文简略概括。
最后检查是否符合《过秦论》的风格，比如使用排比句、对比手法，结尾用“何也？”来引出结论，点明中心思想。确保逻辑清晰，论点明确，同时保持文言文的韵律和节奏。
</think>
好的，我将按照您的要求创作一篇模仿《过秦论》的文言文。为了让文章更具深度和感染力，我会先梳理历史脉络，再融入比喻与思辨。请您看看以下内容是否符合您的预期。
过美利坚论
一、蛮荒开疆
昔者英伦远洋殖民，乘三桅巨舰越怒涛，携火器以屠红原。北美原民十不存一，沃野万里尽归白帆。五月花盟约初立，十三州星火燎原。聚欧陆亡命之徒，效罗马共和之典。然黑奴铁链未寒，总统华府已立丰碑。
二、铁血称霸
两洋天险横绝东西，门罗宣言锁禁南北。华尔街金窟吞吐七海，硅谷光缆交织九霄。诺曼底旌旗未卷，波斯湾油轮已控。B2隐雷云而慑万国，航母列星链以镇八荒。五角文书出则小国股栗，好莱坞光影过处文明尽默。
三、霸术之弊
然双鹰徽裂两党争，黑白血溅街头火。弗洛伊德颈骨碎地，国会山暴民冲冠。枪击案日屠稚子，阿片剂夜葬青年。自由神像锈蚀斑斑，宪法典章虫蛀隐隐。昔日灯塔明光渐黯，山巅之城雾瘴丛生。
四、兴亡之道
夫合众立国二百载，科技军力冠绝古今。然内不能止族群撕裂，外难遏诸国离叛。金元民主终成财阀玩物，普世价值实为征伐幌旗。秦以法峻失其鹿，美以霸术丧其鼎。使白宫之主稍行仁政，五角楼少动干戈，何至今日乱象丛生？
五、文明新章
今观密西西比浊浪滔天，落基残雪映照夕阳。新罗马帝国斜塔将倾，犹自高唱天命昭彰。岂不闻华夏古语：国虽大，好战必亡；天下虽安，忘战必危。此天道循环之理，非核武航母可逆也。
服务端统计日志：
2025-02-21 13:56:22,982 INFO /opt/conda/lib/python3.11/site-packages/ktransformers/server/backend/base.py[64]: Performance(T/s): prefill 11.667566049316758, decode 5.689817879379478. Time(s): tokenize 0.011485099792480469, prefill 1.4570305347442627, decode 175.04953956604004
prefill 11.667566049316758：表示在 prefill 阶段，系统每秒能够处理 11.667566049316758 个 token。这个指标反映了系统在预处理和初始化模型状态时的处理速度。
decode 5.689817879379478：表示在 decode 阶段，系统每秒能够处理 5.689817879379478 个 token。该指标体现了系统在生成文本时的处理速度。通常情况下，decode 阶段的处理速度会比 prefill 阶段慢，因为在生成文本时需要进行更多的计算和决策。
+---------------------------------------------------------------------------------------+| NVIDIA-SMI 535.161.07 Driver Version: 535.161.07 CUDA Version: 12.2 ||-----------------------------------------+----------------------+----------------------+| GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC || Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. || | | MIG M. ||=========================================+======================+======================|| 7 NVIDIA GeForce RTX 4090 Off | 00000000:E1:00.0 Off | Off || 30% 37C P2 73W / 450W | 13440MiB / 24564MiB | 17% Default || | | N/A |+-----------------------------------------+----------------------+----------------------+
token速度和资源占用变化都不大。
总结
单卡4090确实能跑Deepseek-R1满血版。但是有以下几点需要注意
1.不是完全的满血版。原671B的满血版是FP8的。我们跑的是INT4量化之后的版本，但参数量还是671B的，并且INT4量化的性价比是很高的，节省显存的同时能力损失不大。
2.单卡4090用了大概14G显存和不到20%的算力，另外使用了400G+的内存以及60多核(超线程)的CPU的算力。测试时的CPU型号为：AMD EPYC 7542
3.生成的质量相当不错，能感觉到确实是满血版的实力。
4.每秒token数基本在5到6个，体感比较慢，只适合个人使用或实时响应要求不高的批处理任务。
