你是否曾因算力门槛而对大模型望而却步？想要尝试微调千亿/万亿参数的模型？那更是不敢想象。今天，这个困局正在被打破。
近日，趋境科技与清华KVCache.AI共同开源的KTransformers上线模型微调功能。其与LLaMA-Factory合作，能够实现在本地对DeepSeek 671B乃至Kimi K2 1TB这样的超大模型进行LoRA微调。是目前在消费级显卡上实现微调超大参数MoE模型的唯一可行方案。
更令人惊喜的是，该方案不仅解决了"能不能跑"的问题，更在"跑得多快"上表现出色。在较小规模模型上实现了1.8倍的吞吐提升，同时将显存占用降低82%。
GitHub地址：
https://github.com/kvcache-ai/ktransformers
01
详细介绍
KTransformers自2024年发布以来，作为专注于大模型推理优化的开源框架，一直以其独特的异构计算策略闻名。通过KTransformers，单张4090即可部署千亿/万亿级别的大模型。
而LLaMA-Factory是目前非常流行的开源大模型微调框架，以其低代码、高效率的特点在开发者社区广受好评。
在这次合作中，LLaMA-Factory与KTransformers各自有明确分工，具体而言：
- LLaMA-Factory是整个微调流程的统一调度与配置框架，负责数据处理、训练调度、LoRA插入与推理接口管理；
- KTransformers则作为其可插拔的高性能后端，在相同的训练配置下接管Attention / MoE等核心算子，实现异构设备（GPU+CPU）的高效协同。
虽然LLaMA-Factory有HuggingFace默认后端、Unsloth后端以及KTransformers后端，但经团队对比测试，KTransformers是目前唯一能在2～4张 24GB 4090卡上微调671B规模MoE模型的方案；同时在14B规模的MoE模型上，相比另两种方案也具有更高的吞吐速率和更低的GPU显存占用。
02
实测效果
1、风格化对话测试（CatGirl风格语气）
团队首先在NekoQA-10K数据集上进行了风格化对话测试，这是一个面向猫娘语言建模的对话数据集。
对比原始模型和微调模型，可以看到微调后的模型已经不在是冷冰冰的标准化回答，而是在语气和称谓上稳定地保持了猫娘风格（红框部分），验证了风格迁移微调的有效性。
2、生成式翻译风格基准测试
团队还进行了翻译风格测试，采用西式翻译腔数据集，要求模型采用夸张的“西式翻译腔”，属于生成式风格控制任务，评价指标为BLEU-1/2/3/4与 ROUGE-1/2/L。
可以看到两种规模的模型在微调后均出现一致性增益，展现出“KT后端 + LoRA微调”组合在生成式风格控制上的可用性与有效性。同时说明KT的异构放置与算子优化能够稳定支撑风格域的小样本适配。
3、医疗垂直领域基准（AfriMed-SAQ/MCQ）
在医疗垂直领域微调也十分有效，数据集采用非洲地区医疗领域的专用数据集AfriMed-QA（ACL-2025)，具有很强的场景定制特征，包含单选题（MCQ）和简答题（SAQ）两种形式。评估标准上，SAQ用BLEU/ROUGE；MCQ用Accuracy。
03
如何使用
下面将为大家讲解如何安装环境并通过LLaMA-Factory + KTransformers的方式完成微调和推理。
为简化KTransformers安装过程，团队特意打包了一个wheel文件，避免本地编译。（注意：应确保本地Python版本、Torch版本、CUDA版本和KTransformers wheel 文件名正确对应。）
1、环境安装
# 1. 安装conda环境 conda create -n Kllama python=3.10# choose from : [3.10, 3.11, 3.12, 3.13] conda install -y -c conda-forge libstdcxx-ng gcc_impl_linux-64 conda install -y -c nvidia/label/cuda-11.8.0 cuda-runtime # 2. 安装llamafactory环境 git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory pip install -e ".[torch,metrics]" --no-build-isolation # 3. 从 https://github.com/kvcache-ai/ktransformers/releases/tag/v0.4.1 安装与 Torch 和 Python 版本匹配的 KTransformers 软件包（注意：CUDA 版本可以与 wheel 文件命名不一致。） pip install ktransformers-0.4.1+cu128torch28fancy-cp310-cp310-linux_x86_64.whl # 4. 安装 flash-attention，请根据 Python 和 Torch 版本从以下地址下载对应文件：https://github.com/Dao-AILab/flash-attention/releases pip install flash_attn-2.8.3+cu12torch2.8cxx11abiTRUE-cp310-cp310-linux_x86_64.whl # abi=True/False 可以用下面代码查看 # import torch # print(torch._C._GLIBCXX_USE_CXX11_ABI) # 5. （可选）如果希望使用 flash_infer（若不指定则默认使用 triton） git clone https://github.com/kvcache-ai/custom_flashinfer.git pip install custom_flashinfer/使用提示：在LLaMA-Factory的YAML配置文件中，设置use_kt: true，并选择一个kt_optimize_ruleYAML文件，即可让KTransformers处理核心计算。下面将通过具体功能说明如何设置相关配置。
核心功能 1：使用 KTransformers 后端微调超大规模MoE模型
运行命令：
USE_KT=1 llamafactory-cli train examples/train_lora/deepseek3_lora_sft_kt.yaml注意：必须提供BF16格式的模型。DeepSeek-V3-671B默认以FP8格式发布；请使用 https://github.com/deepseek-ai/DeepSeek-V3/blob/main/inference/fp8_cast_bf16.py脚本进行格式转换。
### model model_name_or_path: opensourcerelease/DeepSeek-V3-bf16 trust_remote_code: true ### method stage: sft do_train: true finetuning_type: lora lora_rank: 8 lora_target: all ### dataset dataset: identity template: deepseek cutoff_len: 2048 max_samples: 100000 overwrite_cache: true preprocessing_num_workers: 16 dataloader_num_workers: 4 ### output output_dir: saves/Kllama_deepseekV3 logging_steps: 10 save_steps: 500 plot_loss: true overwrite_output_dir: true save_only_model: false report_to: none # choices: [none, wandb, tensorboard, swanlab, mlflow] ### train per_device_train_batch_size: 1 gradient_accumulation_steps: 8 learning_rate: 1.0e-4 num_train_epochs: 3.0 lr_scheduler_type: cosine warmup_ratio: 0.1 bf16: true ddp_timeout: 180000000 resume_from_checkpoint: null ### ktransformers use_kt: true# use KTransformers as LoRA sft backend kt_optimize_rule: examples/kt_optimize_rules/DeepSeek-V3-Chat-sft-amx-multi-gpu.yaml cpu_infer: 32 chunk_size: 8192其中，kt_optimize_rule用于控制计算资源的放置策略。下为针对YAML文件名和功能对照特别说明，也可参考https://github.com/kvcache-ai/ktransformers/tree/main/ktransformers/optimize/optimize_rules目录。（* 表示通配符）：
例如：DeepSeek-V3-Chat-sft-amx-multi-gpu.yaml为DeepSeek-V3-Chat模型使用AMX指令集和双GPU模型并行技术微调。
建议使用AMX指令集加速（可通过 lscpu | grep amx 命令检测CPU是否支持AMX指令集）。AMX支持BF16/INT8精度。修改方式如下：
- match: name: "^model\\.layers\\..*\\.mlp\\.experts$" replace: class: ktransformers.operators.experts.KTransformersExperts # custom MoE Kernel with expert parallelism kwargs: prefill_device: "cpu" prefill_op: "KExpertsTorch" generate_device: "cpu" generate_op: "KSFTExpertsCPU" out_device: "cuda" backend: "AMXInt8"# or "AMXBF16" or "llamafile" (default)输出文件将保存到output_dir目录中，默认为safetensors格式并包含适配器元数据，便于后续加载使用。
核心功能二：与微调后的模型（基础模型 + LoRA 适配器）进行对话
运行命令：
llamafactory-cli chat examples/inference/deepseek3_lora_sft_kt.yaml使用通过KTransformers训练得到的safetensors格式适配器进行推理。
model_name_or_path: opensourcerelease/DeepSeek-V3-bf16 adapter_name_or_path: saves/Kllama_deepseekV3 template: deepseek infer_backend: ktransformers # choices: [huggingface, vllm, sglang, ktransformers] trust_remote_code: true use_kt: true# use KTransformers as LoRA sft backend to inference kt_optimize_rule: examples/kt_optimize_rules/DeepSeek-V3-Chat-sft-amx-multi-gpu.yaml cpu_infer: 32 chunk_size: 8192同时还支持GGUF格式的适配器：对于safetensors格式，设置目录路径；对于GGUF格式，需要在adapter_name_or_path中设置具体的GGUF格式文件。
在加载过程中，LLaMA-Factory会将层名称映射到KT的命名规范。会看到类似 Loaded adapter weight: XXX -> XXX 的日志记录：
核心功能三：批量推理与指标评估（基础模型 + LoRA 适配器）
运行命令：
API_PORT=8000 llamafactory-cli api examples/inference/deepseek3_lora_sft_kt.yaml调用经KTransformers微调的适配器来提供API；其他API的使用逻辑与原生LLaMA-Factory方式一致。
model_name_or_path: opensourcerelease/DeepSeek-V3-bf16 adapter_name_or_path: saves/Kllama_deepseekV3 template: deepseek infer_backend: ktransformers # choices: [huggingface, vllm, sglang, ktransformers] trust_remote_code: true use_kt: true# use KTransformers as LoRA sft backend to inference kt_optimize_rule: examples/kt_optimize_rules/DeepSeek-V3-Chat-sft-amx-multi-gpu.yaml cpu_infer: 32 chunk_size: 819204
总结
KTransformers与LLaMA-Factory的这次联手，远不止是一次技术迭代，更是一次深刻的行业范式转移。这感觉就像，以前我们只能远远看着博物馆里的名画，后来终于能凑近看了，而现在，他们直接把画笔递到你手里，说：“来，照着你的想法改”。万亿模型，从此不再是巨头们的专属玩具，而是每个人手中的积木。接下来，就看我们怎么用它搭出下一个惊喜了。
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
