KTransformers实战DeepSeek-R1-1.58bit量化模型

技术背景

在上一篇文章中，我们介绍过KTransformers大模型高性能加载工具的安装和使用方法。但是当时因为是在一个比较老旧的硬件上面进行测试，其实并没有真正的运行起来。现在补一个在KTransformers下运行DeepSeek-R1的1.58bit量化模型的实战测试。

软硬件设施

1. 显卡：NVIDIA GeForce RTX 4080（只需1张）
2. CPU：Intel(R) Xeon(R) Silver 4310 CPU @ 2.10GHz（不支持AVX512）
3. 内存：640GB（未完全占满）
4. 运行环境：Ubuntu + Docker

启动指令

具体的部署方法，主要还是参考这篇文章，这里不做过多讲解。以Docker安装的方式直接进入实战。

Docker容器创建指令

在还没有配置好的情况下，先启动这个旧版本的镜像：

$ docker run -it --gpus '"device=2,3"' -v /home/dechin/:/models --name ktransformers -itd docker.1ms.run/approachingai/ktransformers:0.2.1 nvidia-smi

这里加载了2张显卡到容器环境中，注意一定要把模型路径映射到容器的相应目录下。还有一点需要注意的是，这里下载下来的容器镜像是0.2.1的版本，如果直接运行，有可能出现CUDA OOM和Illegal instruction (core dumped)报错。所以最好是从github的主分支下载下来最新的代码，配置环境export USE_NUMA=1之后运行bash install.sh重新编译一遍。在最新的代码中，不会发生CUDA OOM报错。

Docker容器运行指令

$ docker start ktransformers
$ docker exec -it ktransformers /bin/bash

这样就可以进入到Docker容器的命令行界面。

KTransformers启动指令

在容器中我们进入到ktransformers路径下，就可以执行：

python3 -m ktransformers.local_chat --gguf_path /models/llm/models/DeepSeek-R1-IQ1_S --model_path /models/llm/models/DeepSeek-R1 --cpu_infer 36 -f true --port 11434 --max_new_tokens 1000

如果软件版本没问题的话，上述命令会运行成功并进入到一个本地Chat的模式。但是经过实际测试，默认的0.2.1的版本还是有问题。我建议直接clone最新分支代码，直接运行bash install.sh进行安装。

Local Chat测试结果

简单提问：

测试经典AI问题（更多类似问题可以参考这篇文章）：

平均tokens速度大概就是在6T/s了，从实际体验来说的话，勉强能接受。更多的示例就不放了，需要记住的是，如果tokens配置的不够多，输出有可能会受限：

KTransformers服务

上面介绍的是使用local_chat的模式，但是如果要有更好的使用体验的话，还是需要用服务模式：

ktransformers --gguf_path /models/llm/models/DeepSeek-R1-IQ1_S --model_path /models/llm/models/DeepSeek-R1 --cpu_infer 36 --force_think --host 0.0.0.0 --port 8080 --max_new_tokens 4096 --model_name DeepSeek-R1 --fast_safetensors true --dynamic_temperature true --use_cuda_graph

容器内启动成功以后，可以在宿主机测试一个OpenAI格式的请求（如果是Ollama格式的请求，需要额外装一些软件，默认不带Ollama格式请求的支持）：

curl -X 'POST' \
  'http://localhost:11434/v1/chat/completions' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
  "messages": [
    {
      "content": "Who are you?",
      "role": "user"
    }
  ],
  "model": "DeepSeek-R1",
  "stream": false
}'

如果得到一个这样的输出：

{"id":"xxx","choices":[{"finish_reason":"stop","index":0,"logprobs":null,"message":{"content":"<think>\nI'm DeepSeek-R1, an artificial intelligence created by DeepSeek. I'm at your service. I'm an open AI, so feel free to ask me anything. I'll do my best to provide valuable answers. If you have any questions, go ahead. I'm here to help!\n</think>\n\nI'm DeepSeek-R1, an artificial intelligence created by DeepSeek. I'm at your service. I'm an open AI, so feel free to ask me anything. I'll do my best to provide valuable answers. If you have any questions, go ahead. I'm here to help!","refusal":null,"role":"assistant","audio":null,"function_call":null,"tool_calls":null}}],"created":1741763162,"model":"DeepSeek-R1","object":"chat.completion","service_tier":null,"system_fingerprint":null,"usage":{"completion_tokens":126,"prompt_tokens":7,"total_tokens":133,"completion_tokens_details":null,"prompt_tokens_details":null}}

那就表示服务启动成功了，其中content部分就是模型生成的答复。服务部署成功以后，就可以继续考虑使用一些WebUI的服务，让KTransformers模型的使用更加友好。

Web服务

如果我们想要一个像DeepSeek官网那种可以Chat的网站，或者是类似于之前的文章中介绍过的PageAssist这样的插件，就需要部署一个WebUI的服务。但是如果参考KTransformers官网的做法：

我在运行的过程中，最后一步会出现大量的ninja进程：

$ ps -ef | grep "[n]inja" | grep -v "grep" | wc -l
25349

而且数量会不断增长，因此我个人的建议是暂时先不要使用KTransformers自带的这个Web服务，可以试一试另一个开源Web服务：Open WebUI。

Open WebUI

Open WebUI有两种安装方法，一种比较简单的直接在本机使用python进行安装：

conda create -n open-webui python=3.11 -y
conda activate open-webui
pip install open-webui
open-webui serve

需要注意的是，open-webui对于python的版本有要求，所以使用虚拟环境创建一个新的python环境是最好的。成功启动服务之后，可以在浏览器打开：http://localhost:8080进入到Open WebUI的主界面。

考虑到安装的逻辑，这里先介绍第二种安装open-webui的方法，再进入到演示成果。第二种方法就是使用docker来安装，也是我个人比较推荐的一个方案：

docker pull ghcr.io/open-webui/open-webui:main
docker run -d -p 3000:8080 -v open-webui:/app/backend/data --name open-webui ghcr.io/open-webui/open-webui:main

可以查看容器日志，以确认服务部署的进度：

docker logs -f open-webui

因为这里使用了端口映射，所以在本地启动web服务时使用的路径应该为http://localhost:3000。然后这两种方案的部署，都可以进入到主页：

点击开始使用：

这里有一个账号分配的界面，对于多用户的使用非常友好，可以直接在服务器上面部署一个Open WebUI服务（注意安全性配置问题），然后本地多用户直接在同一个IP下创建自己的使用账号即可。

进入以后，在设置界面，配置KTransformers为外部连接：

然后就可以像PageAssist和DeepSeek的官网那样，去使用本地使用KTransformers进行推理的DeepSeek-R1模型了：

还有其他更多的一些测试：

虽然咱用的是一个1.58bit的迷你量化版，但毕竟也是全量参数的DeepSeek，效果上确实明显比70B的蒸馏版要好一些。

空间占用

因为KTransformers主打的是使用CPU指令集加速的推理方法，所以对于GPU的需求没有很高（nvidia-smi）：

内存方面，不知道为什么占了很多的磁盘I/O（docker stats）：

我只能手动配置一下尽量不适用磁盘I/O：

sysctl vm.swappiness=0

这样大部分的内存消耗都被放到cache里面（free -h）：

SlackBot配置

在前面一篇文章中，我们提到可以将Ollama对接SlackBot，做一个Slack大模型聊天机器人。这里对照OpenAI的请求格式，我们做一个对应的调整，使得SlackBot可以对接上KTransformer搭建的推理模型：

import os
import re
import time
from datetime import datetime
import requests
from slack_bolt import App
from slack_bolt.adapter.socket_mode import SocketModeHandler
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()

# 初始化 Slack 应用
app = App(
    token=os.environ["SLACK_BOT_TOKEN"],
    signing_secret=os.environ["SLACK_SIGNING_SECRET"]
)

# OpenAI 配置
# OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
OPENAI_ENDPOINT = "http://xxx.xxx.xxx.xxx:11434/v1/chat/completions"
OPENAI_MODEL = os.getenv("OPENAI_MODEL", "DeepSeek-R1")

class PerformanceMetrics:
    def __init__(self):
        self.start_time = None
        self.total_tokens = 0
        self.total_duration = 0.0
    
    def start_timing(self):
        self.start_time = time.time()
    
    def add_response(self, openai_response: dict):
        """更新性能统计"""
        self.total_duration = time.time() - self.start_time
        self.total_tokens = openai_response.get('usage', {}).get('total_tokens', 0)
    
    def get_metrics(self) -> str:
        if self.total_duration > 0:
            speed = self.total_tokens / self.total_duration
        else:
            speed = 0
        
        return (
            f"\n\n_性能统计：生成 {self.total_tokens} tokens | "
            f"速度 {speed:.1f} tokens/s | "
            f"总耗时 {self.total_duration:.1f}s_"
        )

def query_openai(prompt: str) -> dict:
    """向 OpenAI 发送请求并获取响应"""
    headers = {
        "accept": "application/json",
        "Content-Type": "application/json"
    }
    
    payload = {
        "model": OPENAI_MODEL,
        "messages": [{
            "role": "user",
            "content": f"请先输出思考过程（用THINKING:开头），再输出最终答案（用ANSWER:开头），输出结果中的`请用引号'替代：\n\n{prompt}"
        }],
        "stream": "false",
    }

    try:
        metrics = PerformanceMetrics()
        metrics.start_timing()
        
        response = requests.post(OPENAI_ENDPOINT, headers=headers, json=payload, timeout=60*60*6)
        response.raise_for_status()
        
        json_response = response.json()
        metrics.add_response(json_response)
        json_response["metrics"] = metrics
        
        return json_response
    except requests.exceptions.RequestException as e:
        return {"error": f"OpenAI 请求失败: {str(e)}"}
    except Exception as e:
        return {"error": f"处理响应时发生错误: {str(e)}"}

def format_slack_response(raw_response: str) -> str:
    """将原始响应分割为思考过程和最终答案"""
    # 统一处理可能的错误信息
    if 'error' in raw_response:
        return f"⚠️ 错误：{raw_response['error']}"
    
    content = raw_response['choices'][0]['message']['content']
    
    thinking_match = re.search(r"THINKING:(.*?)(ANSWER:|\Z)", content, re.DOTALL)
    answer_match = re.search(r"ANSWER:(.*)", content, re.DOTALL)

    thinking = thinking_match.group(1).strip() if thinking_match else "未提供思考过程"
    answer = answer_match.group(1).strip() if answer_match else content

    return (
        f"*🤔 思考过程*：\n```{thinking}```\n\n"
        f"*💡 最终回答*：\n```{answer}```"
    )

@app.event("app_mention")
def handle_openai_query(event, say):
    """处理 Slack 提及事件"""
    say(text=f"AI模型正在思考（{OPENAI_MODEL}），请稍候...")
    
    # 移除机器人提及标记
    query = event["text"].replace(f'<@{app.client.auth_test()["user_id"]}>', '').strip()
    
    # 获取 OpenAI 响应
    response = query_openai(query)
    
    if 'error' in response:
        say(text=response['error'], channel=event["channel"])
        return
    
    # 格式化消息
    message_content = format_slack_response(response)
    
    # 添加性能统计
    if 'metrics' in response:
        message_content += response['metrics'].get_metrics()
    
    # 发送最终响应
    say(text=message_content, channel=event["channel"])

if __name__ == "__main__":
    SocketModeHandler(app, os.environ["SLACK_APP_TOKEN"]).start()

运行效果大概是这样的：

生成代码：

实际上SlackBot还可以利用会话修改的功能，生成流式的答复，但是如果高频的调用SlackBot的API，有可能会被官方限流。所以，不建议这么用。

重要提示

1. KTransformers官方不支持多用户同时使用，采用的是队列阻塞模式。
2. 部分老旧型号的显卡运行KTransformers可能报错TORCH_USE_CUDA_DSA，没有太好的解决方案。
3. 如果CPU不支持AVX512指令集，无法充分发挥KTransformers的性能。
4. 如果在Docker容器中对KTransformers的版本做了更新，记得把更新commit到镜像中。
5. 容器内部的接口监听，必须是0.0.0.0，或者匹配自己的IP段。

总结概要

本文介绍了国产的大模型推理工具KTransformers在本地成功运行的一个案例，在容器化部署的基础上，结合Open WebUI做了一个用户友好的大模型服务。

版权声明

本文首发链接为：https://www.cnblogs.com/dechinphy/p/kt158.html

作者ID：DechinPhy

更多原著文章：https://www.cnblogs.com/dechinphy/

请博主喝咖啡：https://www.cnblogs.com/dechinphy/gallery/image/379634.html

参考链接

1. https://kvcache-ai.github.io/ktransformers/en/api/server/website.html
2. https://ollama.cadn.net.cn/api.html
3. https://docs.openwebui.com/getting-started/quick-start/