清华大学KVCache.AI团队携手趋境科技，为其开源项目KTransformers带来重磅更新，打破大模型推理算力障碍。
此次更新支持在24GB显存的设备上本地运行DeepSeek-R1、V3的完整版（671B）。其背后蕴藏着异构计算策略的创新突破：
- 稀疏性利用：采用MoE架构，只激活部分专家模块。非共享稀疏矩阵卸载至CPU内存，结合高速算子处理，显存占用减至24GB。
- 量化与算子优化：采用4bit量化技术和Marlin GPU算子，效率提升3.87倍。CPU端采用llamafile实现多线程并行，预处理速度高达286 tokens/s。
- CUDA Graph加速：减少CPU/GPU通信开销，单次解码只需一次完整CUDA Graph调用，生成速度达14 tokens/s。
这一突破极具意义：
- 降低成本：相比传统8卡A100服务器，单卡RTX 4090方案将整机成本降至约2万元，功耗仅需80W。
- 赋能中小团队：低成本、低功耗方案为中小团队和个人开发者打开了大模型研究的大门。
清华团队在RTX 4090上运行DeepSeek-R1满血版的案例，不仅彰显了技术奇迹，更凸显了开源精神和硬件潜力的完美结合。它证明，在人工智能飞速发展的时代，创新往往源于对所谓“不可能”的挑战。