| 快速开始 | 部署DeepSeek | 部署Qwen3 | 版本日志 | English Document
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
部署交流微信群: 
- 🚀 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（目前仅支持Nvidia GPU和AMD GPU，其余GPU请使用源码安装
由于目前PyPI限制库大小，安装包中不含CUDA依赖，安装ftllm之前建议先手动安装CUDA 12以上版本 (已安装cuda可跳过)
wget https://developer.download.nvidia.com/compute/cuda/12.8.1/local_installers/cuda_12.8.1_570.124.06_linux.run
sudo sh cuda_12.8.1_570.124.06_linux.run
然后用pip安装，命令如下：
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://hf-mirror.com/fastllm/fastllmdepend-windows/resolve/main/ftllmdepend-0.0.0.1-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
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
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/Qwen3-0.6BFP8格式的模型，例如Qwen/Qwen3-0.6B-FP8AWQ格式的模型，例如Qwen/Qwen3-14B-AWQFastllm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- 目前暂不支持
GGUF格式的模型
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:
int4gint4int8fp8float16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:
int4gint4int8fp8float16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
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multicuda使用多设备张量并行推理- 使用多显卡:
--device multicuda:0,1（FP8精度暂不支持多显卡） - 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)
- 使用多显卡:
-
--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
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 |
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
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
- 描述: 设置使用的CPU线程数。
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
-
--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
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)
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
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