| 快速开始 | 部署DeepSeek | 部署Qwen3 | 版本日志 | English Document
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
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
- 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
- 🚀 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
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
pip install ftllm -U
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
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 )
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
ftllm run Qwen/Qwen3-0.6B
ftllm webui Qwen/Qwen3-0.6B
ftllm server Qwen/Qwen3-0.6B
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。
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
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
ftllm server deepseek-ai/DeepSeek-V3-0324 --dtype fp8 --moe_dtype int4
--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
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：
| 模型类型 | device | moe_device |
|---|---|---|
| 稠密模型 | cuda | 不生效 |
| MOE模型 | cuda | cpu |
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
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）
- 当
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
export FASTLLM_NUMA_THREADS=16 && ftllm server fastllm/DeepSeek-V3-0324-INT4 --device cuda --moe_device numa -t 1
numactl -C 0-31 -m 0 ftllm server fastllm/DeepSeek-V3-0324-INT4 --device cuda --moe_device cpu -t 27
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
--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_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
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
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
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。
ftllm export <模型路径> -o <输出路径> --dtype <数据类型> -t <线程数>
ftllm export /mnt/DeepSeek-V3 -o /mnt/DeepSeek-V3-INT4 --dtype int4 -t 16
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
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/
如果需要运行更多早期的模型，请参考支持模型列表
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
其他不同平台的编译可参考文档
编译中遇到问题可参考 FAQ文档
1Cat-vLLM 中的 awq_sm70_gemm 适配思路
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