ztxz16/fastllm

fastllm

| 快速开始 | 部署DeepSeek | 部署Qwen3 | 版本日志 | English Document

引用说明

本项目参考了许多开源项目的代码和相关文章，具体请参考 参考代码和文章

介绍

fastllm是c++实现自有算子替代Pytorch的高性能全功能大模型推理库，可以推理Qwen, Llama, Phi等稠密模型，以及DeepSeek, Qwen-moe等moe模型

• 具有优良的兼容性，支持M40, K80到5090全系列N卡，支持MI50，7900等A卡，支持天数，沐曦等国产卡，支持ThinkForce NPU推理
• 支持任意显卡的FP8推理
• 任意显卡只需要显存 > 10G就可以支持单卡推理满血DeepSeek R1 671B模型
• 双路9004/9005服务器 + 单显卡部署DeepSeek R1 671B - FP8原版模型，单并发速度可达20左右，部署INT4模型单并发速度可达30左右，最高并发速度可达60+

部署交流QQ群：831641348

微信

• 用户交流群（使用、部署等问题）：
• 社区开发群（参与贡献与开发讨论）：

新功能速览

• Fastllm目前支持DeepSeek-V4模型了
• Fastllm目前支持导出通用动态量化模型了！参考动态量化说明
• Fastllm目前可以支持部分GGUF模型的读取了！需要注意，目前需要使用--ori参数指定源模型配置文件夹，请阅读 使用指南

亮点功能

• 🚀 安装使用简单方便，一条命令就能成功安装，一条命令就能成功运行。
• 🚀 支持CPU + GPU混合推理MOE大参数模型（单显卡即可推理DEEPSEEK 671B）。
• 🚀 使用C++实现自有底层算子，不依赖PyTorch。
• 🚀 兼容性好，PIP安装支持可以支持到P100、MI50等老卡，源码安装支持更多设备。
• 🚀 支持多卡张量并行推理，支持3、5、7等奇数张卡。
• 🚀 支持GPU + CPU混合张量并行推理
• 🚀 支持CPU和显卡实现FP8运算，老设备也可以运行
• 🚀 支持多CPU加速，且只占用1份内存
• 🚀 支持ROCM，AMD GPU；支持天数，沐曦，燧原；支持华为昇腾。
• 🚀 支持动态Batch，流式输出；前后端分离设计，可跨平台移植，可在安卓上直接编译。
• 🚀 支持Python自定义模型结构

快速开始

安装

• pip安装支持Nvidia GPU和AMD GPU，其余GPU请使用源码安装
• pip安装速度慢时，可使用镜像加速

pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

Linux系统 + Nvidia GPU:

pip install ftllm -U

Linux系统 + AMD GPU:

由于目前PyPI限制库大小，安装包中不含ROCM依赖，安装ftllm之前建议先手动安装ROCM 6.3.3 (若已安装ROCM可跳过)

wget wget https://repo.radeon.com/amdgpu-install/6.3.3/ubuntu/jammy/amdgpu-install_6.3.60303-1_all.deb
apt install ./amdgpu-install_6.3.60303-1_all.deb -y
amdgpu-install --usecase=hiplibsdk,rocm,dkms -y

然后用pip安装，命令如下：

pip install ftllm-rocm -U

Windows系统 （仅支持Nvidia GPU）:

第一次安装前需要安装依赖库:

pip install https://www.modelscope.cn/models/huangyuyang/fastllmdepend-windows/resolve/master/ftllmdepend-0.0.0.2-py3-none-win_amd64.whl

然后用pip安装，命令如下：

pip install ftllm -U

• Hint

Conda下安装有时候会出现环境错误，如果出现可以尝试在Conda外或使用venv等虚拟环境尝试

（若使用时报错，可参考ftllm报错 )

运行demo程序

可以运行一个较小模型测试安装是否成功, 以Qwen/Qwen3-0.6B模型为例

命令行聊天：

ftllm run Qwen/Qwen3-0.6B

WebUI:

ftllm webui Qwen/Qwen3-0.6B

API Server (OpenAI 风格):

ftllm server Qwen/Qwen3-0.6B

终端部署向导:

ftllm
ftllm tui

ftllm 不带参数时会进入终端部署向导，等价于 ftllm tui。它会保存部署配置到本机用户配置目录，首页可通过键盘选择已保存命令进行新建、编辑、启动或删除。部署表单默认只显示基础配置，更多参数放在高级选项中；模型路径必须填写为已存在的本地目录，可按 Tab 补全目录；也可以从常用 ModelScope 模型列表中选择模型并下载到指定目录。

使用指南

1. 如何启动模型

基本的启动命令格式如下：

ftllm run Qwen/Qwen3-0.6B # 启动本地对话
ftllm webui Qwen/Qwen3-0.6B # 启动WebUI
ftllm server Qwen/Qwen3-0.6B # 启动API Server
ftllm # 通过终端命令列表选择/编辑/启动部署配置，模型路径必须是已存在目录

根据你需要开启的服务，选择相应的命令。以 server 命令为例，格式如下：

ftllm server model

这里的model可以是:

• Huggingface上的模型，例如 Qwen/Qwen3-0.6B 代表 千问3-0.6B模型
• 本地模型路径。例如/mnt/Qwen3-0.6B，高速下载模型可以参考 模型下载

无论是在线模型还是本地模型，目前支持以下几种格式 （均以在线模型举例，可以在Huggingface上搜到对应模型）:

• FP16, BF16格式的原始模型，例如Qwen/Qwen3-0.6B
• FP8格式的模型，例如Qwen/Qwen3-0.6B-FP8
• AWQ格式的模型，例如Qwen/Qwen3-14B-AWQ
• Fastllm格式的模型，例如fastllm/DeepSeek-V3-0324-INT4。也可以下载原始模型后通过 模型导出 中的命令导出
• GGUF 格式的模型，需要用--ori参数指定原始模型路径，例如

ftllm server DeepSeek-V3-0324-Q4_K_M-00001-of-00009.gguf --ori DeepSeek-V3

这里的DeepSeek-V3是原始模型文件夹，无需下载权重文件，可以参考如下命令下载：

ftllm download deepseek-ai/DeepSeek-V3 --exclude "*safetensors*"

如果您是第一次使用ftllm，建议直接使用基本的启动命令启动，所有的参数都会自动设置。如果您希望继续调参，请参照下面的参数设置说明

2. 如何设定推理精度

当启动的模型为浮点精度时（BF16, FP16, FP8）时，可以通过以下参数来设置模型的推理精度：

• --dtype:

  • 描述: 指定模型的数据类型。
  • 可选值: int4g int4 int8 fp8 float16 或其他支持的数据类型。
  • 示例: --dtype int4

• --moe_dtype:

  • 描述: 指定模型MOE层的数据类型。
  • 可选值: int4g int4 int8 fp8 float16 或其他支持的数据类型。
  • 示例: --moe_dtype int4
  • 说明: 如果指定的模型不是moe结构的模型，这个参数不会生效

命令示例：

ftllm server Qwen/Qwen3-0.6B --dtype int8 
# 上面的命令会读取原始模型（这个模型是BF16精度），并在线量化为INT8精度推理

ftllm server deepseek-ai/DeepSeek-V3-0324 --dtype fp8 --moe_dtype int4
# 上面的命令会读取原始模型（这个模型是FP8精度），并使用FP8 + INT4的混合精度推理

• --dtype_config:
  • 描述: 指定动态量化配置文件。
  • 说明: 参考动态量化说明

若不设定这些参数，ftllm会使用模型中设定的精度来进行推理

若使用的模型已经是量化好的模型（例如AWQ模型，Fastllm导出的量化模型等），建议不指定这些参数

3. 如何设定运行设备

可以通过以下参数来设定执行推理的设备

• --device:

  • 描述: 指定模型运行的计算设备。
  • 示例: --device cpu, --device cuda
  • 常用值说明:
    • cpu 使用cpu推理
    • cuda 使用gpu推理
    • numa 使用多路numa节点加速推理，在多CPU的机器才会有提升。使用numa加速时，强烈建议关闭系统numa平衡。（ubuntu中可使用命令sudo sysctl -w kernel.numa_balancing=0)
    • multicuda 使用多设备张量并行推理
      • 使用多显卡: --device multicuda:0,1
      • 使用多显卡+CPU: --device multicuda:0,cpu
      • 按比例使用多显卡+CPU: --device multicuda:0:4,1:5,cpu:1 (cuda:0计算4/10, cuda:1计算5/10, cpu计算1/10)
  • 串行计算: 一些场景下可以指定不同的device串行执行。例如
    • --device "{'cuda:0':3,'cuda:1':2}": 这样3/5的层会运行在cuda:0上，2/5的层会运行在cuda:1上
    • --device "{'multicuda:0,1':3,'cuda:1':2}": 这样3/5的层会使用cuda:0,cuda:1张量并行，2/5的层仅仅运行在cuda:1上
    • 简写: --device cudapp=N 表示N卡均匀串行，例如 --device cudapp=4 等价于 --device "{'cuda:0':1,'cuda:1':1,'cuda:2':1,'cuda:3':1}"
    • 简写: --device cudapp=1:2:3 表示三卡按1:2:3比例串行，等价于 --device "{'cuda:0':1,'cuda:1':2,'cuda:2':3}"

• --moe_device:

  • 描述: 指定 MOE（Mixture of Experts）层的计算设备。
  • 示例: --moe_device cpu, --moe_device numa
  • 常用值说明:
    • cpu 使用cpu推理
    • numa 使用多路numa节点加速推理，在多CPU的机器才会有提升
    • cuda 使用gpu推理 （MOE层需要大量显存，一般不建议指定为cuda）
  • 说明: 一般和device指定为不同的设备实现混合推理，例如 --device cuda --moe_device cpu来实现MOE模型的单卡+CPU混合推理。 --device cuda --moe_device numa 来实现MOE模型的单卡+多NUMA节点加速推理 如果指定的模型不是moe结构的模型，这个参数不会生效

• --moe_device_layers:

  • 描述: 指定最后多少层 MOE 使用 --moe_device，前面的 MOE 层继续使用主设备或 --tp 指定的 CUDA 张量并行设备。
  • 示例: --tp 0,1 --moe_device numa --moe_device_layers 8
  • 说明: 默认 -1 表示所有 MOE 层都使用 --moe_device，设置为 0 表示不单独把后段 MOE 放到 --moe_device。

若不设定这些参数，会使用默认配置来推理，默认配置如下：

如果只设置了device没设置moe_device，则moe_device会跟随device

对于发烧友而言，如果想更进一步榨干硬件，可以参考 混合推理指南

multicuda专用worker线程的调优环境变量见 混合推理指南：multicuda调优环境变量

4. 如何设定运行参数

可以通过下列参数设置运行参数。

需要注意的是，速度和参数设置并不一定正相关，如果对性能要求高，可以多方向尝试一下

• -t 或 --threads:
  • 描述: 设置使用的CPU线程数。
    • 当device为cpu时，这个参数决定了推理使用的线程数
    • 当device为numa时，推理线程数主要由环境变量FASTLLM_NUMA_THREADS决定，threads参数请设得小一点（推荐设为1）
  • 示例: -t 27

例如我们在多CPU设备上用GPU + 多CPU混合部署一个MOE模型fastllm/DeepSeek-V3-0324-INT4，可以尝试这些命令：

export FASTLLM_NUMA_THREADS=27 && ftllm server fastllm/DeepSeek-V3-0324-INT4 --device cuda --moe_device numa -t 1 
# 使用多numa推理，每个numa节点使用27个线程

export FASTLLM_NUMA_THREADS=16 && ftllm server fastllm/DeepSeek-V3-0324-INT4 --device cuda --moe_device numa -t 1 
# 使用多numa推理，每个numa节点使用16个线程

numactl -C 0-31 -m 0 ftllm server fastllm/DeepSeek-V3-0324-INT4 --device cuda --moe_device cpu -t 27 
# 绑定单numa节点，使用CPU推理，使用27线程

不同硬件上，不同参数发挥出的性能有很大不同。一般而言，CPU上使用的线程数不建议超过物理核数

5. 其它参数

• --moe_experts:

  • 描述: 指定 MOE（Mixture of Experts）层使用的专家数。不设定则根据模型配置设定。减少专家数可以提高推理速度，但可能降低推理准确度
  • 示例: --moe_experts 6

• --cuda_se:

  • 描述: 指定 MOE中的共享专家 是否在cuda上执行，默认为true
  • 示例: --cuda_se false

• --cuda_slab:

  • 描述: 设置 CUDA 模型权重 slab 分配块大小，单位 MB。默认 0 表示关闭。将大量 MOE 专家权重放在 CUDA 上时，可用它减少小权重分别 cudaMalloc 带来的显存页对齐和碎片开销。
  • 示例: --cuda_slab 1024

• --port:

  • 描述: 指定服务运行的端口号。
  • 示例: --port 8080

• --help:

  • 描述: 查看模块参数详细信息。
  • 示例: ftllm server --help

• --version 或 -v:

  • 描述: 查看ftllm版本号。
  • 示例: ftllm -v

• --hide_input:

  • 描述: server模式隐藏日志中的请求信息。
  • 示例: ftllm server --hide_input

• --api_key:

  • 描述: server模式设定api_key。
  • 示例: ftllm server --api_key xxxxxxxx

• --max_context_length:

  • 描述: server模式限制单会话输入与输出合计的最大 token 数。默认取模型上下文上限与共享 KV Cache 总容量的较小值；/v1/models 会返回实际生效值。
  • 示例: ftllm server Qwen/Qwen3.6-27B-FP8 --max_context_length 131072

• --max_token:

  • 描述: webui模式指定最大输出。
  • 示例: ftllm webui --max_token

• --think:

  • 描述: 强制思考。
  • 示例: ftllm webui --think

• --cache_dir:

  • 描述: 指定在线Huggingface模型的缓存目录
  • 示例: ftllm --cache_dir /mnt

• --chat_template:

  • 描述: 指定chat_template文件
  • 示例: ftllm --chat_template deepseekv31.jinja

工具调用

目前以下模型支持工具调用：

• GLM4.5, GLM4.5-AIR
• Qwen3-Instruct系列
• Qwen3-Coder系列
• Kimi-K2
• DeepSeekV3.1, 需要指定chat_template, 文件位于本项目example/chat_template/deepseekv31.jinja

模型获取

模型下载

可以使用如下命令将模型下载到本地（使用高速镜像，无需科学上网）

ftllm download deepseek-ai/DeepSeek-R1

模型导出

如果使用量化加载模型（如--dtype int4），那么每次读取模型时会在线量化，读取速度较慢。

ftllm export 是一个用于导出和转换模型权重的工具。它支持将模型权重转换为不同的数据类型。以下是如何使用 ftllm export 的详细说明。

命令格式

ftllm export <模型路径> -o <输出路径> --dtype <数据类型> -t <线程数>

示例命令

ftllm export /mnt/DeepSeek-V3 -o /mnt/DeepSeek-V3-INT4 --dtype int4 -t 16

混合精度

可以通过指定--moe_dtype来实现混合精度，例如

ftllm export /mnt/DeepSeek-V3 -o /mnt/DeepSeek-V3-FP16INT4 --dtype float16 --moe_dtype int4 -t 16

加载导出后的模型

导出后的模型使用方法和原始模型类似，使用导出模型时--dtype参数将被忽略

例如

ftllm run /mnt/DeepSeek-V3-INT4/

支持的模型

如果需要运行更多早期的模型，请参考支持模型列表

源码安装

若pip安装失败或有其它特殊需求，可以用源码编译安装 源码安装后如果需要卸载，方法和PIP安装一样

pip uninstall ftllm

建议使用cmake编译，需要提前安装gcc，g++ (建议9.4以上), make, cmake (建议3.23以上)

需要安装numa库，在Ubuntu下的安装命令一般使用：

apt-get install libnuma-dev

如果编译出错，建议使用AI工具帮忙安装环境

GPU编译需要提前安装好CUDA编译环境，建议使用尽可能新的CUDA版本，并安装NCCL包

使用如下命令编译

bash install.sh -DUSE_CUDA=ON -D CMAKE_CUDA_COMPILER=$(which nvcc) # 编译GPU版本
# bash install.sh -DUSE_CUDA=ON -DCUDA_ARCH=89 -D CMAKE_CUDA_COMPILER=$(which nvcc) # 可以指定CUDA架构，如4090使用89架构
# bash install.sh # 仅编译CPU版本

其他平台编译

其他不同平台的编译可参考文档

TFACC平台
ROCm平台

编译中遇到问题可参考 FAQ文档

参考代码和文章

大量NN底层算子的实现思路

pytorch

大量LLM具体的模型实现

transfomers

GGML中的一些量化方法、以及计算Kernel

llama.cpp

ik_llama.cpp

FlashInfer中的一些库，主要是Attention, MLA等部分

flashInfer

SM70 (V100) AWQ W4A16 GEMM 路径中使用的 TurboMind s884 内核子集

TurboMind / LMDeploy

1Cat-vLLM 中的 awq_sm70_gemm 适配思路

MOE算子线程不平衡时动态调度的思路

KTransformers 0.3 思路介绍

KT中关于线程调度的相关代码

基于numa改进的MOE动态调度算子

lvllm中的实现

Function call解析相关的代码

vllm中的实现

json的构造和解析

json11

感谢大佬对开源社区的贡献！如发现未标明的引用代码可在issue中提出