diff --git a/README_ZH.md b/README_ZH.md index 178f837..6a5df33 100644 --- a/README_ZH.md +++ b/README_ZH.md @@ -283,13 +283,13 @@ python -m ktransformers.local_chat --model_path deepseek-ai/DeepSeek-V2-Lite-Cha

RESTful API and Web UI

-Start without website: +启动不带网站的服务： ```sh ktransformers --model_path deepseek-ai/DeepSeek-V2-Lite-Chat --gguf_path /path/to/DeepSeek-V2-Lite-Chat-GGUF --port 10002 ``` -Start with website: +启动带网站的服务： ```sh ktransformers --model_path deepseek-ai/DeepSeek-V2-Lite-Chat --gguf_path /path/to/DeepSeek-V2-Lite-Chat-GGUF --port 10002 --web True @@ -360,7 +360,6 @@ YAML 文件中的每个规则都有两部分：`match` 和 `replace`。`match` 您可以在 [ktransformers/optimize/optimize_rules](ktransformers/optimize/optimize_rules) 目录中找到用于优化 DeepSeek-V2 和 Qwen2-57B-A14 的示例规则模板。这些模板用于为 `local_chat.py` 示例提供支持。 -If you are interested in our design principles and the implementation of the injection framework, please refer to the [design document](doc/en/deepseek-v2-injection.md). 如果您对我们的设计原则和注入框架的实现感兴趣，请参考 [设计文档](doc/en/deepseek-v2-injection.md)。

致谢和贡献者

diff --git a/doc/zh/DeepseekR1_V3_tutorial_zh.md b/doc/zh/DeepseekR1_V3_tutorial_zh.md new file mode 100644 index 0000000..b8ef85e --- /dev/null +++ b/doc/zh/DeepseekR1_V3_tutorial_zh.md @@ -0,0 +1,168 @@ + +# GPT-4/o1 级别本地 VSCode Copilot 在仅 24GB 显存的台式机上的表现 +- [摘要](#摘要) + - [先决条件](#先决条件) + - [基准测试结果](#基准测试结果) + - [V0.2](#v02) + - [设置](#设置) + - [内存占用](#内存占用) + - [基准测试结果](#基准测试结果) + - [V0.3-Preview](#V0.3-Preview) + - [设置](#设置-1) + - [内存占用](#内存占用-1) + - [基准测试结果](#基准测试结果-1) + - [如何运行](#如何运行) + - [V0.2 展示](#v02-展示) + - [单插槽版本 (32 核心)](#单插槽版本（32 核心）) + - [双插槽版本 (64 核心)](#双插槽版本（64 核心）) + - [V0.3 展示](#v03-展示) + - [双插槽版本 (64 核心)](#双插槽版本（64 核心）-1) + - [一些解释](#一些解释) + - [常见问题解答](#常见问题解答) + - [R1 不思考](#R1 不返回思考过程) + - [更多常见问题解答](#更多常见问题解答) + +# 摘要 + +> **2025年2月10日**: 支持在单个（24GB 显存）/多个 GPU 和 382GB 内存上运行 DeepseekR1 和 V3，速度提升高达 3~28 倍。
+ +嗨，我们是 KTransformers 团队（以前因本地 CPU/GPU 混合推理开源项目 DeepSeek-V2 而闻名）。 + +我们听到了您对 DeepSeek-R1/V3 支持的请求——我们很高兴终于可以交付了！很抱歉让您久等了，但我们一直在酝酿一些真正令人惊叹的东西！ + +今天，我们自豪地宣布，我们不仅支持 DeepSeek-R1/V3，如下视频所示： + +https://github.com/user-attachments/assets/ebd70bfa-b2c1-4abb-ae3b-296ed38aa285 + +

+ +- **[NEW!!!] 本地 671B DeepSeek-Coder-V3/R1:** 仅使用 14GB 显存和 382GB 内存运行其 Q4_K_M 版本。 + - 预填充(Prefill)速度 (tokens/s): + - KTransformers: 54.21 (32 核心) → 74.362 (双插槽，2×32 核心) → 255.26 (优化的 AMX 基 MoE 内核，仅 V0.3) → 286.55 (选择性使用 6 个专家，仅 V0.3) + - 与 llama.cpp 在 2×32 核心下 10.31 tokens/s 相比，速度提升高达 **27.79 倍** + - 解码(Decode)速度 (tokens/s): + - KTransformers: 8.73 (32 核心) → 11.26 (双插槽， 2×32 核心) → 13.69 (选择性使用 6 个专家，仅 V0.3) + - 与 llama.cpp 在 2×32 核心下 4.51 tokens/s 相比，速度提升高达 **3.03 倍** + + +我们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，这将显著提升性能。通过 V0.3 预览版，我们在预填充方面实现了高达 286 tokens/s 的速度，比本地推理的 llama.cpp **快 28 倍**。二进制发行版现已可用，源代码即将推出！请查看 wheel 包 [此处](https://github.com/kvcache-ai/ktransformers/releases/download/v0.1.4/ktransformers-0.3.0rc0+cu126torch26fancy-cp311-cp311-linux_x86_64.whl) 。 + + +## 先决条件 +我们在以下配置下进行了最佳性能测试（V0.2）：
+CPU: Intel (R) Xeon (R) Gold 6454S 1T 内存 (2 NUMA 节点)
+GPU: 4090D 24G 显存
+内存: 标准 DDR5-4800 服务器内存 (1 TB) +## 基准测试结果 +### V0.2 +#### 设置 +- Model: DeepseekV3-q4km (int4)
+- CPU: cpu_model_name: Intel (R) Xeon (R) Gold 6454S，每个插槽 32 核心，2 个插槽，2 个 NUMA 节点 +- GPU: 4090D 24G 显存 +- 我们在充分预热后进行测试 +#### 内存占用: + - 单插槽: 382G 内存，至少 14GB 显存 + - 双插槽: 1T 内存，至少 14GB 显存 + +#### 基准测试结果 + +“6 个专家” 情况是 V0.3 预览版中内容 + +| Prompt
(500 tokens) | 双插槽 Ktrans (6 个专家) | 双插槽 Ktrans (8 个专家) | Single socket Ktrans (6 个专家) | Single socket Ktrans (8 个专家)| llama.cpp (8 个专家) | +|------------------------| --- | --- | --- | --- | --- | +| 预填充(Prefill) token/s | 97.32 | 82.94 | 65.14 | 54.21 | 10.31 | +| 解码(Decode) token/s | 13.69 | 12.208 | 10.303 | 8.73 |4.51 | + +**最高加速比在解码方面达到 3.03x 倍，在预填充方面达到 9.44x 倍。** + +### V0.3-Preview +#### 设置 +- Model: DeepseekV3-BF16 (在线量化为 CPU 的 int8 和 GPU 的 int4) +- CPU: cpu_model_name: Intel (R) Xeon (R) Gold 6454S，每个插槽 32 核心，2 个插槽，2 个 NUMA 节点 +- GPU: (1~4)x 4090D 24G 显存 (更长的 prompt 需要更多显存) + +#### 内存占用: +- 644GB 内存，至少 14GB 显存 + +#### 基准测试结果 +| Prompt length | 1K | 2K | 4K | 8K | +|---------------|-----|-----|-----|-----| +| KTrans (8 个专家) Prefill token/s | 185.96 | 255.26 | 252.58 | 195.62 | +| KTrans (6 个专家) Prefill token/s | 203.70 | 286.55 | 271.08 | 207.20 | + +**KTrans V0.3 的预填充速度比 KTrans V0.2 快 3.45x 倍，比 llama.cpp 快 27.79x 倍。** +**解码速度与 KTrans V0.2（6 个专家版本）相同，因此省略。** + +主要加速来自于 +- 英特尔 AMX 指令集和我们专门设计的缓存友好内存布局 +- 专家选择策略，根据离线配置文件结果选择更少的专家 + + +*从我们对 DeepSeekV2、DeepSeekV3 和 DeepSeekR1 的研究中，当我们略微减少推理中的激活专家数量时，输出质量没有变化。但解码和预填充的速度加快了，这令人鼓舞。因此，我们的展示利用了这一发现。* + +## 如何运行 +### V0.2 展示 +#### 单插槽版本（32 核心） +我们的 local_chat 测试命令是: +``` shell +git clone https://github.com/kvcache-ai/ktransformers.git +cd ktransformers +git submodule init +git submodule update +numactl -N 1 -m 1 python ./ktransformers/local_chat.py --model_path --gguf_path --prompt_file --cpu_infer 33 --max_new_tokens 1000 +<当您看到聊天时，按回车键加载文本提示文件> +``` +`` 可以是本地路径，也可以是在线路径，例如 deepseek-ai/DeepSeek-V3。如果在线连接出现问题，可以尝试使用镜像（hf-mirror.com）
+`` 也可以是在线路径，但由于其体积较大，我们建议您下载并量化模型（注意这是目录路径）
+`--max_new_tokens 1000` 是最大输出 token 长度。如果发现答案被截断，可以增加此数字以获得更长的答案（但要注意内存不足问题，增加此数字会降低生成速度）. +
+命令 numactl -N 1 -m 1 的目的是避免 NUMA 节点之间的数据传输
+注意！如果测试 R1 可能会跳过思考。因此，可以添加参数：`--force_think true`，这在 [常见问题解答](#常见问题解答) 部分中解释。 + +#### 双插槽版本（64 核心） +在安装之前（使用 install.sh 或 `make dev_install`），请确保设置环境变量 `USE_NUMA=1`，方法是 `export USE_NUMA=1`（如果已经安装，请重新安装并设置此环境变量）
+我们的 local_chat 测试命令是： +``` shell +git clone https://github.com/kvcache-ai/ktransformers.git +cd ktransformers +git submodule init +git submodule update +export USE_NUMA=1 +make dev_install # or sh ./install.sh +python ./ktransformers/local_chat.py --model_path --gguf_path --prompt_file --cpu_infer 65 --max_new_tokens 1000 +<当您看到聊天时，按回车键加载文本提示文件> +``` +参数的含义相同。但因为我们使用双插槽，所以将 cpu_infer 设置为 65。 + +### V0.3 展示 +#### 双插槽版本（64 核心） +我们的 local_chat 测试命令是： +``` shell +wget https://github.com/kvcache-ai/ktransformers/releases/download/v0.1.4/ktransformers-0.3.0rc0+cu126torch26fancy-cp311-cp311-linux_x86_64.whl +pip install ./ktransformers-0.3.0rc0+cu126torch26fancy-cp311-cp311-linux_x86_64.whl +python -m ktransformers.local_chat --model_path --gguf_path --prompt_file --cpu_infer 65 --max_new_tokens 1000 +<当您看到聊天时，按回车键加载文本提示文件> +``` +参数的含义与 V0.2 相同。但因为我们使用双插槽，所以将 cpu_infer 设置为 65。 + +## 一些解释 +1. 我们还想进一步利用 Xeon Gold CPU 上的两个 NUMA 节点。为了避免节点之间的数据传输成本，我们在两个节点上 "copy" 了关键矩阵，这会增加内存占用，但会加速预填充和解码过程。但这种方法占用大量内存，加载权重时速度较慢，因此加载时请耐心等待并监控内存使用情况。我们计划优化这一巨大的内存开销。敬请期待。 + +2. 命令参数 `--cpu_infer 65` 指定使用多少核心（超过物理核心数量是可以的，但并不是越多越好。根据实际核心数量适当降低此值）。
+ +3. 为什么使用 CPU/GPU 混合推理？ +DeepSeek 的 MLA 操作符计算密集。虽然全部在 CPU 上运行是可行的，但将繁重的计算任务卸载到 GPU 上能带来巨大的性能提升。 + +4. 加速来自哪里？ + + - 专家卸载：与传统的基于层或 KVCache 卸载（如 llama.cpp 中的）不同，我们将专家计算卸载到 CPU，将 MLA/KVCache 卸载到 GPU，与 DeepSeek 的架构完美对齐，实现最佳效率。 + - 英特尔 AMX 优化 – 我们的 AMX 加速内核经过精心调优，运行速度是现有 llama.cpp 实现的数倍。我们计划在清理后开源此内核，并考虑向 llama.cpp 上游贡献代码。 + +5. 为什么选择英特尔 CPU？ +英特尔目前是唯一支持 AMX 类似指令的 CPU 供应商，与仅支持 AVX 的替代方案相比，性能显著更好。 +## 常见问题解答 +### R1 不返回思考过程 +注意！如果测试 R1 可能会跳过思考。因此，可以添加参数：`--force_think true`。详细信息在 [常见问题解答](./FAQ.md) 部分中。
+ +### 更多常见问题解答 +[详见](./FAQ.md)