KTransformers 是一个以 Python 为中心的灵活框架，其核心是可扩展性。通过用一行代码实现并注入优化模块，用户可以获得与 Transformers 兼容的接口、符合 OpenAI 和 Ollama 的 RESTful API，甚至是一个简化的类似 ChatGPT 的 Web 界面。
我们对 KTransformers 的愿景是成为一个用于实验创新 LLM 推理优化的灵活平台。如果您需要任何其他功能，请告诉我们。
- 2025 年 2 月 15 日：KTransformers V0.2.1: 长上下文(从4K到8K，24GB VRAM) & 稍快的速度(+15%)(最快 16 Tokens/s)，文档请参见 这里 和 在线指南 。
- 2025 年 2 月 10 日：支持 Deepseek-R1 和 V3 在单个（24GB VRAM）/多 GPU 和 382G DRAM 上运行，速度提升高达 3~28 倍。详细教程请参见 这里。
- 2024 年 8 月 28 日：支持 InternLM2.5-7B-Chat-1M 模型下的 1M 上下文，使用 24GB 的 VRAM 和 150GB 的 DRAM。详细教程请参见 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：更新了详细的 教程，介绍注入和多 GPU 的使用。
- 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；支持新模型：mixtral 8*7B 和 8*22B；支持 q2k、q3k、q5k 在 GPU 上的去量化。
- 2024 年 8 月 9 日：支持 Windows。
v3.up.mov
-
[NEW!!!] 本地 671B DeepSeek-Coder-V3/R1：使用其 Q4_K_M 版本，仅需 14GB VRAM 和 382GB DRAM 即可运行（教程请参见 这里）。
- 预填充速度（tokens/s）：
- KTransformers：54.21（32 核）→ 74.362（双插槽，2×32 核）→ 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 核下相比，达到 27.79× 速度提升。
- 解码速度（tokens/s）：
- KTransformers：8.73（32 核）→ 11.26（双插槽，2×32 核）→ 13.69（选择性使用 6 个专家，仅 V0.3）
- 与 llama.cpp 在 2×32 核下相比，达到 3.03× 速度提升。
- 即将开源发布：
- AMX 优化和选择性专家激活将在 V0.3 中开源。
- 目前仅在预览二进制分发中可用，可从 这里 下载。
- 预填充速度（tokens/s）：
-
本地 236B DeepSeek-Coder-V2：使用其 Q4_K_M 版本，仅需 21GB VRAM 和 136GB DRAM 即可运行，甚至在 BigCodeBench 中得分超过 GPT4-0613。
- 更快的速度：通过 MoE 卸载和注入来自 Llamafile 和 Marlin 的高级内核，实现了 2K 提示预填充 126 tokens/s 和生成 13.6 tokens/s 的速度。
- VSCode 集成：封装成符合 OpenAI 和 Ollama 的 API，可无缝集成到 Tabby 和其他前端的后端。
ktransformers-tabby.mp4
Ktransformers.long.context.mp4
- 1M 上下文 InternLM 2.5 7B：以全 bf16 精度运行，使用 24GB VRAM 和 150GB DRAM，可在本地桌面设置中实现。在 1M "针在干草堆中" 测试中达到 92.88% 的成功率，在 128K NIAH 测试中达到 100%。
-
增强的速度：使用稀疏注意力，通过 llamafile 内核实现 1M 上下文生成 16.91 tokens/s 的速度。这种方法比 llama.cpp 的全注意力方法快 10 倍以上。
-
灵活的稀疏注意力框架：提供了一个灵活的块稀疏注意力框架，用于 CPU 卸载解码。与 SnapKV、Quest 和 InfLLm 兼容。更多信息请参见 这里。
更多高级功能即将推出，敬请期待！
KTransformers 的入门非常简单！请参考我们的安装指南进行安装。
KTransformers 的核心是一个用户友好的、基于模板的注入框架。这使得研究人员可以轻松地将原始 torch 模块替换为优化的变体。它还简化了多种优化的组合过程，允许探索它们的协同效应。
鉴于 vLLM 已经是一个用于大规模部署优化的优秀框架，KTransformers 特别关注受资源限制的本地部署。我们特别关注异构计算时机，例如量化模型的 GPU/CPU 卸载。例如，我们支持高效的 Llamafile 和Marlin 内核，分别用于 CPU 和 GPU。 更多详细信息可以在 这里找到。
要使用提供的内核，用户只需创建一个基于 YAML 的注入模板，并在使用 Transformers 模型之前添加对 `optimize_and_load_gguf` 的调用。with torch.device("meta"):
model = AutoModelForCausalLM.from_config(config, trust_remote_code=True)
optimize_and_load_gguf(model, optimize_rule_path, gguf_path, config)
...
generated = prefill_and_generate(model, tokenizer, input_tensor.cuda(), max_new_tokens=1000)在这个示例中，首先在 meta 设备上初始化 AutoModel，以避免占用任何内存资源。然后，optimize_and_load_gguf 遍历模型的所有子模块，匹配您的 YAML 规则文件中指定的规则，并将它们替换为指定的高级模块。
注入后，原始的 generate 接口仍然可用，但我们还提供了一个兼容的 prefill_and_generate 方法，这使得可以进一步优化，例如使用 CUDAGraph 提高生成速度。
一个详细的使用 DeepSeek-V2 作为示例的注入和 multi-GPU 教程在 这里。
以下是一个将所有原始 Linear 模块替换为 Marlin 的 YAML 模板示例，Marlin 是一个高级的 4 位量化内核。
- match:
name: "^model\\.layers\\..*$" # 正则表达式
class: torch.nn.Linear # 仅匹配同时符合名称和类的模块
replace:
class: ktransformers.operators.linear.KTransformerLinear # 量化数据类型的优化内核
device: "cpu" # 初始化时加载该模块的 device
kwargs:
generate_device: "cuda"
generate_linear_type: "QuantizedLinearMarlin"YAML 文件中的每个规则都有两部分：match 和 replace。match 部分指定应替换的模块，replace 部分指定要注入到模型中的模块以及初始化关键字。
您可以在 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。
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。
KTransformer 的开发基于 Transformers 提供的灵活和多功能框架。我们还受益于 GGUF/GGML、Llamafile 和 Marlin 等高级内核。我们计划通过向上游贡献我们的修改来回馈社区。
KTransformer 由清华大学 MADSys group 小组的成员以及 Approaching.AI 的成员积极维护和开发。我们欢迎新的贡献者加入我们，使 KTransformer 更快、更易于使用。
如果您有任何问题，欢迎随时提出 issue。或者，您可以加入我们的微信群进行进一步讨论。二维码： 微信群
一些常见问题的答案可以在 FAQ 中找到。