Deepseek R1 AWQ

🚀 DeepSeek R1 AWQ

DeepSeek R1的AWQ量化版本。本項目由 Eric Hartford 和 v2ray 完成量化。此量化過程修改了部分模型代碼，以修復使用float16時的溢出問題。

🚀 快速開始

若要使用vLLM在8張80GB GPU上部署該模型，可使用以下命令：

VLLM_USE_V1=0 VLLM_WORKER_MULTIPROC_METHOD=spawn VLLM_MARLIN_USE_ATOMIC_ADD=1 python -m vllm.entrypoints.openai.api_server --host 0.0.0.0 --port 12345 --max-model-len 65536 --max-seq-len-to-capture 65536 --enable-chunked-prefill --enable-prefix-caching --trust-remote-code --tensor-parallel-size 8 --gpu-memory-utilization 0.95 --served-model-name deepseek-reasoner --model cognitivecomputations/DeepSeek-R1-AWQ

你可以點擊 此處 下載我為PyTorch 2.6和Python 3.12構建的wheel文件。下面的基準測試就是使用這個wheel文件完成的，它包含 2個PR合併 以及適用於A100的未優化FlashMLA（仍然比Triton快），這極大地提升了性能。包含A100 FlashMLA的vLLM倉庫可在 LagPixelLOL/vllm@sm80_flashmla 找到，它是 vllm-project/vllm 的一個分支。其使用的A100 FlashMLA基於 LagPixelLOL/FlashMLA@vllm，這是 pzhao-eng/FlashMLA 的一個分支。

💻 使用示例

基礎用法

使用上述命令即可在指定的GPU環境下啟動模型服務。

📚 詳細文檔

每請求的每秒令牌數（TPS）

注意事項

⚠️ 重要提示

• A100配置使用的是未優化的FlashMLA實現，僅在高上下文推理時比Triton優越，若進行優化，速度會更快。
• L40S配置不支持FlashMLA，因此使用Triton實現，這使得在高上下文情況下速度極慢。而且L40S的顯存不多，無法處理太多上下文，同時它也沒有快速的GPU間互連帶寬，這進一步降低了速度。不建議使用此配置進行服務，因為你必須將上下文限制為 <= 4096，--gpu-memory-utilization 限制為0.98，--max-num-seqs 限制為4。
• 基準測試中使用的所有類型的GPU（除L40S外）均為SXM外形規格。
• 在低批次大小下，推理速度會比FP8更好，但在高批次大小下會比FP8更差，這是低比特量化的特性。
• vLLM現在支持AWQ的MLA，你可以僅使用8張80GB GPU以完整上下文長度運行此模型。

📄 許可證

本項目採用MIT許可證。