# Fastllm: A LLM inference library that runs DeepSeek-V4 with 10GB VRAM

> Source: <https://github.com/ztxz16/fastllm>
> Published: 2026-06-30 03:47:19+00:00

| [快速开始](#%E5%BF%AB%E9%80%9F%E5%BC%80%E5%A7%8B) | [部署DeepSeek](/ztxz16/fastllm/blob/master/docs/deepseek.md) | [部署Qwen3](/ztxz16/fastllm/blob/master/docs/qwen3.md) | [版本日志](/ztxz16/fastllm/blob/master/docs/version.md) | [English Document](/ztxz16/fastllm/blob/master/README_EN.md)

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](#%E5%8F%82%E8%80%83%E4%BB%A3%E7%A0%81%E5%92%8C%E6%96%87%E7%AB%A0)

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](/ztxz16/fastllm/blob/master/docs/dtype_config.md) - 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](#%E4%BD%BF%E7%94%A8%E6%8C%87%E5%8D%97)

- 🚀 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](/ztxz16/fastllm/blob/master/docs/custom.md)

`pip`

安装支持`Nvidia GPU`

和`AMD GPU`

，其余`GPU`

请使用[源码安装](#%E6%BA%90%E7%A0%81%E5%AE%89%E8%A3%85)`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](/ztxz16/fastllm/blob/master/docs/faq.md#ftllm%E5%8A%A0%E8%BD%BD%E6%8A%A5%E9%94%99) )

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](https://hf-mirror.com/Qwen/Qwen3-0.6B) - 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](#%E6%A8%A1%E5%9E%8B%E4%B8%8B%E8%BD%BD)

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](#%E6%A8%A1%E5%9E%8B%E5%AF%BC%E5%87%BA)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 
# 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](/ztxz16/fastllm/blob/master/docs/dtype_config.md)

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](/ztxz16/fastllm/blob/master/docs/mixforward.md)

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](/ztxz16/fastllm/blob/master/docs/mixforward.md#multicuda%E8%B0%83%E4%BC%98%E7%8E%AF%E5%A2%83%E5%8F%98%E9%87%8F)

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 
# 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

-
`--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](/ztxz16/fastllm/blob/master/docs/models.md)

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](/ztxz16/fastllm/blob/master/docs/faq.md)

[1Cat-vLLM 中的 awq_sm70_gemm 适配思路](https://github.com/1CatAI/1Cat-vLLM/blob/main/csrc/quantization/awq/awq_sm70_gemm.cu)

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