当前位置：首页 > news >正文

DeepSeek R1 671b 满血版部署笔记

news 来源：原创 2025/5/19 16:52:31

前言DeepSeek R1 是最近大火的大语言模型，主要是可以比肩 o1 的性能以及完全开源。之前一篇文章所说，我手里有两台 1T 内存的 EPYC 机器，因此正好可以用来部署 R1。本文主要记录一下利用 llama.cpp 部署过程中的经验。TL;DR: 对于 llama.cpp 以及衍生的 ollama 部署方案，推理速度基本和内存带宽成线性，符合 Roofline 模型。另外欢迎关注我的博客：
DeepSeek R1 671b 满血版部署笔记

模型下载llama.cpp 支持 GGUF 类型的模型，所以直接下载 unsloth 做好的模型。注意 R1 是 FP8 训练的，也就是说其中的 Q8 就是满血版，也是我们这次要用的版本。编译选项如果是纯 CPU 推理，考虑到我希望有 -march=native 来达到最大运算速度采用了本地编译：
git clone

https://github.com/ggerganov/llama.cppcdllama.cppmkdir build&&cdbuildcmake .. -DCMAKE_BUILD_TYPE=Releasemake -j install这里 llama.cpp 会帮我们加上 -mrach=native。如果是需要 GPU 推理，编译选项改为
cmake .. -DCMAKE_BUILD_TYPE=Release -DGGML_CUDA=ONmake -j install运行运行比较简单，我比较喜欢 llama-server 的方法：
llama-server -t48-m ./DeepSeek-R1-Q8_0/DeepSeek-R1.Q8_0-00001-of-00015.gguf\-c4096–no-mmap\–host 0.0.0.0 –port9090
–no-mmap 的话会直接把模型拉到内存里
-t 48 使用 48 个线程
-c 4096 context 设置为 4k
占用合计在700G左右，增大 context 会显著提高内存占用。推理速度内存带宽我自己的服务器上推理速度有 2.5-3.5 token/s，这个数值基本上和内存带宽是绑定的，可以用 mbw 测试
mbw -n128256这个测出来的数值乘以通道数量就是最大内存带宽，我这里有大概 19926 * 16 = 318G/s。考虑 R1 是 memory bound，基本上推理速度会和最大内存带宽成线性。比如根据这里的汇报，使用 DDR5 和 24 通道拥有接近 1T/s 的带宽，因此推理速度来到了 6-8 token/s，提升几乎是线性的。顺带一提，这已经比很多纯 GPU 推理还快了。CPU 加速？上文中我只使用了 48 个核心，一个想法是更多的核心会不会更快？可惜的是，R1 是完完全全的 memory bound，我尝试过 48，64，96，128 四种配置，推理速度的偏差基本都在实验误差范围内，因此选择 48 是完全足够了。GPU 加速？一个非常直观的想法是利用 GPU 加速，不过在实际操作前仍然要强调 R1 是完全的 memory bound，也就是说如果不能把模型完全加载进入 VRAM 的话至少还要把数据多来回拷贝两次。虽然理论上来说利用了闲置的 PCIE 带宽，但是会抢 CPU 的内存带宽，所以未必能加速。下面实验基于一台双路 epyc 7763 + 4xA100 的服务器测试 llama.cpp 的 GPU offload 效果。
纯CPU推理：1.8 token/s (~700G RAM)
这里更加印证了之前说的内存带宽问题，因为在多路 EPYC 上存在非常严重的 NUMA 问题（在2代上更加严重），因此他的等效内存带宽会很低。所以即使这台服务器的内存带宽有我自己服务器的2倍，推理速度直接打了对折。
CPU + 8 layer GPU：3.0 token/s (~600G RAM + ~110G VRAM)
推理速度获得了近一倍的提升，根据观察推理过程中 CPU/GPU 的变化，可以看到加速的来源主要是 A100 运算速度远快于 CPU，但是最后 text generation 的过程中 A100 是完全闲着的，所以整体上仍然受制于内存带宽。
CPU + 16 layer GPU：2.4 token/s (~510G RAM + ~206G VRAM)
随着把更多的 layer 放到 GPU 上，推理速度反而下降了。不难猜测是更多的数据交换浪费了CPU的内存带宽所导致。总的来说 GPU 应该是可以加速 R1 的推理速度的，但是：
推理速度大部分还是由内存带宽决定的
不是越多计算放到 GPU 越好，计算性能看起来也并不重要
因为 R1 是 MoE 模型，也就是说每次不是全量权重参与计算，我猜测会有一个比较甜点的 GPU VRAM 大小，可能接近 90G 能达到最高的加速效果。总结对于 llama.cpp 这种 CPU + GPU 的方案，内存带宽越高，R1 的推理速度会越快。