SGLang 用 SSD Expert Pack 在消费级硬件上运行 DeepSeek-V4-Flash 和 Kimi-K3

LMSYS:Blog(Chatbot Arena 团队)·2026-08-29 00:00·21天前·WiCi AI Team, SGLang Team
AI 导读

SGLang 将 SSD-LLaMA 的思路引入 MoE 推理,把放不进显存和内存的路由专家放在 NVMe SSD 上,通过 Expert Pack 连续布局、O_DIRECT 直接 I/O 和带预算的 GPU LFU/LRU 缓存,只加载 router 选中的专家。

LMSYS:Blog(Chatbot Arena 团队)
精选
65AI 编辑部评分,满分 100

SGLang 用 SSD Expert Pack 在消费级硬件上运行 DeepSeek-V4-Flash 和 Kimi-K3

2026-08-29 00:00· 21天前· WiCi AI Team, SGLang Team
AI 导读

SGLang 将 SSD-LLaMA 的思路引入 MoE 推理,把放不进显存和内存的路由专家放在 NVMe SSD 上,通过 Expert Pack 连续布局、O_DIRECT 直接 I/O 和带预算的 GPU LFU/LRU 缓存,只加载 router 选中的专家。

推荐理由

原文给出完整的硬件配置、性能数字和复现命令,读者可以据此评估消费级 SSD 路线运行超大 MoE 模型的可行性与代价。

正文 · AI 翻译

SGLang 将 SSD-LLaMA 的核心思路引入 MoE 推理:把无法容纳在 VRAM 和主机内存中的路由专家放到 NVMe SSD 上,只加载路由器选中的专家,并利用 Expert Pack 布局、直接 I/O、锁页暂存、异步 H2D 传输以及 GPU 缓存,将 SSD 容量转化为实用的后备存储层。

1. 引言:把 VRAM 问题转化为存储问题

DeepSeek-V4-Flash 和 Kimi-K3 的总参数容量远远超出单块消费级 GPU 的 VRAM。因此,常规部署需要多块 GPU,或者数百 GB、有时甚至数 TB 的主机内存。这种容量需求在前沿模型能力与本地硬件之间形成了一道巨大的壁垒。

SGLang 的 SSD 支撑 Expert Pack 路径采用了不同的方法。路由专家权重保留在 NVMe SSD 上。路由器对每个 token 只激活一小部分专家,因此运行时只移动那些尚未缓存到 GPU 的已选中专家。Expert Pack 将每一层/专家对的权重重组为可直接寻址的连续专家块。运行时通过直接 I/O 将该专家块读入对齐的锁页主机缓冲区,然后异步传输到 GPU 缓存。

这条路径改变的是模型权重的存储与交付方式,而非模型计算本身。它不会对选中的专家进行剪枝、替换、合并或跳过,也不会降低 Expert Top-K。其结果是提供了一种切实可行的方式,用 Intel Ultra5 230F CPU、32 GB 内存、TiPro9000 2 TB 磁盘以及 32 GB VRAM 的 RTX 5090 来运行 DeepSeek-V4-Flash 以及已验证的纯文本 Kimi-K3 路径。

MoE 计算是稀疏的,但模型容量并非如此

混合专家模型将前馈网络拆分为众多专家。路由器为某个 token 对各专家打分后,只有一小部分专家参与该 token 的计算。其余专家对该 token 处于闲置状态。

路由器的选择会随 token 和提示词而变化。因此,尽管任一时刻只有一小部分工作集处于活跃状态,完整的专家池仍必须保持可用。量化可以减小产物体积,但并不能消除存储专家池的需求。因此,MoE 推理具有两个不同的特性:

  • 每个 token 的计算是稀疏的;
  • 必须存储和交付的专家总容量非常庞大。

这正是 SSD 作为有用后备层级的原因。它提供的容量远超消费级 VRAM 或 RAM,而现代 PCIe 5.0 NVMe SSD 提供的顺序带宽足以让精心设计的交付路径变得可行。只有当布局、读取路径和缓存策略与专家级访问模式相匹配时,SSD 容量才能成为可执行的模型内存。

容量与成本的差异

容量与成本的对比让这一权衡一目了然。以下数字仅为容量下限,并非完整系统价格:

Capacity cost comparison for DeepSeek-V4-Flash and Kimi-K3 on a logarithmic scale

该图并不意味着 SSD 和 DRAM 具有相同的延迟,也不意味着仅购买一块 SSD 就足以运行该模型。它表明,将完整的专家池放入 VRAM 或 DRAM 会很快变得不切实际,而使用 SSD 提供容量、并用一个有界的 GPU 缓存承载活跃工作集,则可以大幅降低硬件门槛。

SGLang 的 SSD Expert Pack 方案

SSD-LLaMA 的核心思想是将 SSD、RAM 和 VRAM 作为一个由运行时控制的存储层级来管理。完整的专家池保留在高容量层级中,而有限的 VRAM 则保留那些观测到复用率最高的专家。

SGLang 的 Expert Pack 是在 SGLang MoE 运行时内对该思想中最重要的以专家为中心的部分的实现:

  1. Expert Pack 将层/专家对变为一个可独立寻址的连续专家块。
  2. O_DIRECT 和对齐的 pinned 缓冲区消除了额外的 page-cache 暂存拷贝。
  3. 一个按字节预算管理的 LFU/LRU GPU 缓存会保留被复用的完整专家。

当前的 SGLang 路径并不声称复现了 SSD-LLaMA 论文中的每一个机制。SGLang 的实现是以 GPU 为中心的:pinned 主机内存是一个有界的传输暂存区,而不是持久的主机专家缓存,并且当前功能不需要论文中的 CPU 专家执行或无损失 CUDA 解压缩。明确保留这一区别,才能使功能边界精确清晰。

2. 为什么原生 GGUF 加载路径还不够

在原始的 GGUF 或多分片张量布局下,同一个专家的 gate、up 和 down 权重可能位于不同的文件区域。因此,一次 router 命中就可能触发多次小规模读取、张量名称查找和暂存操作。

显式的按需读取避免了推测性预取,但会把完整的 SSD 和 H2D 延迟暴露在当前 MoE 层的关键路径上。router 产生结果后,GPU 必须等待被选中的专家。预取可以隐藏部分延迟,但它有两个根本性局限:

  • 正确的专家仍可能到达得太晚,因为路由结果只有在上一步计算完成后才能得知;
  • 错误的预测会消耗 SSD 带宽、暂存空间和 GPU 缓存容量,而此后实际被选中的专家仍然必须被读取。

因此,SGLang 首先改变专家的物理布局,然后降低每一次不可避免的缓存未命中的代价。

为什么原生 GGUF 无法直接使用专家级 O_DIRECT

原生 GGUF 是一种面向张量的模型容器,而不是面向专家(expert)的直接 I/O 存储。它的元数据和张量载荷都是围绕单个张量来组织的,而单个专家的 gateupdown 权重可能分散在文件的不同区域,或跨越多个分片。原始的加载路径通常使用解析器、mmap 或带缓冲的文件读取,因此应用程序看到的是可分页的、由页缓存支持的映射,而不是预先分配的、对齐的 DMA 目标地址。

O_DIRECT 要求以下所有条件都由调用方控制:

  • 与存储和文件系统约定对齐的文件偏移量;
  • 与该约定对齐的读取长度;
  • 由用户提供的缓冲区,其地址同样对齐且适合该读取操作。

原生 GGUF 文件中的任意张量切片并不提供这种专家级别的约定。它的偏移量可能未对齐,它的长度可能不是所需块大小的整数倍,而且一个专家所需的三个张量并不保证构成一个连续区间。调用方可以发出带有填充的、各自对齐的多次读取,然后在另一个缓冲区中重建该专家,但这样就放弃了主要优势:它重新引入了多次读取和额外的组装工作,而原始的 mmap/页缓存路径仍然无法将页缓存页面本身用作 O_DIRECT 的目标地址。

Expert Pack 是一种离线转换,使直接 I/O 变得切实可行。它将一个层/专家对的所有角色放入一个经过填充和对齐的专家块中,在清单中记录其精确偏移量和长度,并提供一个固定缓冲区,其地址满足相同的约定。运行时随后即可读取和传输一个完整的专家,而无需让原生 GGUF 布局表现得像直接 I/O 布局。

3. Expert Pack:按专家组织权重

连续的专家布局

SGLang Expert Pack v1 将一个 (layer, expert) 对视为一个完整的专家。一个 DeepSeek 专家包含 gateupdown 角色。清单记录每个角色的张量边界、格式、完整性信息以及 pack 偏移量。

逻辑布局如下:

Expert Pack physical data block layout with contiguous expert byte-streams and explicit block-aligned padding

运行时不扫描文件来查找张量名称。它从 pack 元数据中推导出专家偏移量:

expert_offset = data_start
              + (layer * num_experts + expert) * expert_stride

专家块内的角色偏移量也会被验证。因此,一次清单查找即可解析出完整的专家读取范围。运行时可以根据 read_splits 将该范围拆分为有限数量的并行任务。

该布局改变的是权重在 SSD 上的物理组织方式,而非其张量内容、量化格式、路由决策或模型数学。Kimi-K3 使用单独的 GGML Expert Pack 适配器。当前已验证的输入由 38 个 Q2_K GGUF 分片组成;其路由专家对 gate/up 使用 Q2_K,对 down 使用 Q3_K。

直接 I/O 需要对齐

直接 I/O 无法像普通 read() 那样使用任意文件偏移、长度和用户缓冲区。SGLang 运行时验证:

  • 每个专家的 Expert Pack 偏移;
  • 每个读取范围的起始位置和长度;
  • 每个固定暂存缓冲区的地址。

当前实现检查 4096 字节对齐。如果 pack 或暂存缓冲区不满足该约定,初始化就会失败,而不是在推理期间静默回退到不受控制的路径。

4. 关键优化:移除 page cache -> pinned memory 拷贝

这是 Expert Pack 与传统文件读取路径之间最重要的差异之一。

传统缓冲 I/O

传统文件读取通常经过操作系统页缓存:

Traditional file-read path: a synchronous page-cache-to-pinned-memory copy followed by asynchronous H2D

页缓存是由内核管理的文件缓存。它与 CUDA 可用于异步 H2D 传输的页锁定用户内存不是一回事。要发起异步 H2D 传输,应用程序通常需要准备一个固定(pinned)缓冲区。因此,文件数据必须先从页缓存复制到该固定缓冲区,GPU 传输才能开始。从应用程序的角度来看,这次从页缓存到固定缓冲区的交接是一次同步的 CPU 内存复制:主机侧的暂存步骤必须完成,H2D 操作才有一个有效的固定源缓冲区。它本身并不是一次 cudaMemcpyAsync 操作。

这既不是 SSD 读取,也不是 H2D 传输。相反,它是 CPU 在主机侧执行的一次额外的同步内存复制操作:它从页缓存支撑的内存中读取数据,并将其写入一个固定的暂存缓冲区。对于一个大型专家(expert)而言,这意味着要对整个专家大小的数据进行一次读取和一次写入,消耗主机内存带宽,并在 GPU 传输能够进行之前引入一次额外的内核态到用户态的暂存交接。

使用直接 I/O 的 Expert Pack

direct_io=True 时,SGLang 使用 O_DIRECT 打开 Expert Pack,并将读取目标设为一个预分配的、对齐的固定暂存缓冲区:

Expert Pack direct-I/O path: an aligned pinned host buffer feeds the GPU expert cache before MoE computation

读取目标已经是 CUDA 所需的固定缓冲区,因此下面这个中间步骤被移除了:

page cache -> pinned memory

这并不是该复制操作的更快实现。该复制操作已从数据路径中移除。一个简化的成本模型是:

Traditional path:
T = T(SSD -> page cache)
  + T(page cache -> pinned)
  + T(pinned -> GPU)
  + T(sync)

Expert Pack direct I/O:
T = T(SSD -> pinned)
  + T(pinned -> GPU)

O_DIRECT 并不会让 SSD 的物理带宽增加。它只是从端到端路径中去掉了一次完整的主机内存遍历,从而可以带来以下好处:

  • 少一次主机内存读写,减轻 CPU 和内存带宽压力;
  • 少一次内核页缓存与用户态暂存之间的同步交接;
  • 不会有庞大的 expert 数据负载污染页缓存,并与无关数据争抢空间;
  • 一个已完成的 expert 块可以直接进入 H2D 路径,无需经过页缓存暂存拷贝;
  • 同一个 expert 级别的约定可复用于每一对 layer/expert。

页缓存拷贝这一说法仅适用于 direct_io=True。当前的 SGLang Expert Pack 加载器以及 DeepSeek/Kimi 5090 启动器默认启用该选项。如果显式禁用了直接 I/O,该路径可能会再次经过页缓存以及一次额外的暂存拷贝。

5. GPU/VRAM 缓存:让工作集靠近计算

GPU 缓存是将重复的专家访问转化为本地 VRAM 命中的机制。Expert Pack 并不是单个张量片段的缓存:一个缓存条目包含完整的gate/up/down一个(layer, expert)对的完整数据。将完整的专家保持在一起很重要,因为被选中的专家需要其所有角色参与计算。只缓存一个角色仍会迫使其他角色被读取,无法消除缓存未命中的开销。

该缓存按字节预算而非按专家数量预算。由于不同模型和适配器每个专家的载荷大小不同,运行时根据可用显存预算推导出可用的槽位数量:

usable_vram = min(requested_cache, free_vram - reserve)
slot_count  = floor(usable_vram / expert_payload_bytes)

预留量保护模型、CUDA 运行时、激活值以及其他非缓存分配所需的内存。如果由此得到的槽位数量无法容纳一个完整的 top-k 工作集,初始化就会失败。这使得缓存契约变得明确:缓存预算不允许占用当前 MoE 计算所需的内存。

在缓存命中时,运行时会复用已驻留的专家,不会读取 Expert Pack,也不会为该专家发起 H2D 传输。如果此前的传输仍处于挂起状态,CUDA event 会保护消费者,避免其观察到仅部分安装的槽位。在缓存未命中时,运行时会选择一个牺牲槽位,将完整的专家读入可复用的 pinned 暂存缓冲区,把专家复制到 GPU 槽位,并且只有在传输 event 就绪后才发布该槽位。

替换策略结合了频率和新近度。运行时记录每个 (layer, expert) 被选中的频率以及最后一次使用的时间。被频繁选中的专家比冷门专家更难被驱逐;在效用相近的条目中,较旧的条目是更好的淘汰对象。当前 top-k 请求的活跃专家受到保护,不会被驱逐,因此缓存无法驱逐它即将执行的工作集。

源 Expert Pack 是不可变的。因此驱逐一个 GPU 条目无需写回:专家始终可以从其记录的 SSD 偏移量重建。这使得 VRAM 缓存管理比脏数据缓存更简单,并使替换策略专注于复用价值而非持久性。

运行时暴露了使缓存行为可度量的计数器:

  • cache_hitscache_misses
  • cache_evictions
  • pack_read_bytes
  • h2d_bytes
  • fallback_countio_errors

这些计数器将缓存问题与 I/O 问题区分开来。命中率低意味着 VRAM 预算或工作负载局部性不足;命中率良好但 pack_read_bytesh2d_bytes 较高,则可能表明在某个特定阶段活跃集大于缓存。io_errors 报告观测到的 I/O 失败,而 fallback_count 是诊断遥测数据,其含义取决于经过插桩的回退路径;两者都不是缓存性能指标。

当前的执行顺序将专家缓存未命中置于其所服务的 MoE 计算的关键路径上。acquire() 将路由 ID 复制到 CPU,等待 SSD 读取 future,将专家级 H2D 传输入队,并让当前 CUDA 流等待这些传输事件。只有当这些事件就绪后,apply() 才会启动 MoE 内核。在交付阶段,不同缺失专家的读取和传输可能重叠,但当前路径并未将该交付与消费这些专家的 MoE 计算重叠。

因此,当前路径的简化逐步模型为:

T_step ~= T(miss delivery) + T(GPU compute)

在此,T(miss delivery) 包括路由 ID 准备、SSD 读取、暂存、H2D 提交,以及使所选专家可用所需的等待。在 GPU 缓存命中时,SSD 读取和 H2D 部分可以跳过。跨步流水线可能会改变这一模型,但这不属于此处描述的执行路径。实际结果取决于 SSD 带宽、访问分布、缓存命中率、暂存槽数量以及专家形状。

6. 实验设置

我们在单台消费级机器上,用 SGLang 的 SSD Expert Pack 路径评估了 DeepSeek-V4-Flash 和 Kimi-K3:一颗 Intel Ultra5 230F CPU、32 GB 内存、一块 TiPro9000 2 TB 硬盘,以及一块拥有 32 GB VRAM 的 RTX 5090。该工作负载代表的是端点推理,而非批量服务:十个固定请求逐个发送,只有前一个请求完成后才会发起下一个请求。

测试集包含五个 Alpaca 请求和五个 MMLU 请求。两组对比使用相同的提示词顺序、temperature 0、默认 EOS 处理方式,以及 200-token 的生成目标。结果部分报告了平均 prefill 和 decode 速率,以及 SGLang 缓存命中率和 SSD 流量。确切的版本、文件准备和服务器命令记录在结果之后。

Expert Pack 通过 --load-format expert_pack 显式选择;普通的 autosafetensorsgguf 加载路径保持不变。DeepSeek-V4-Flash 和 Kimi-K3 的详细复现步骤见第 9 节。

7. 正确性边界

Expert Pack 是一种权重布局与交付优化,而不是近似推理算法。其正确性契约是:

  • 路由器选中的每一个专家都会被执行;
  • 专家 Top-K 保持不变;
  • 被选中的专家不会被另一个常驻专家替换;
  • 被选中的专家不会被剪枝、跳过或合并;
  • 该 pack 与 manifest 会按照配置在结构、维度和密码学层面得到验证;
  • fallback_countio_errors 会被报告出来,而不是静默隐藏 I/O 失败。

验证表明,DeepSeek-V4-Flash 在多个提示词类别上生成的答案与 Ollama 语义等价。Kimi-K3 与 SGLang 的 200-token 参考输出一致;全部 92 个路由层均使用 io_errors=0 执行了 Top-16 专家。fallback_count 作为诊断遥测被保留,但当前路径并未为每一种假设的回退情况暴露可插桩的增量,因此零值不被用作独立的正确性证明。正确性改由路由/输出审计和结构化 pack 检查来确立。

8. 性能结果

所有 SGLang、Ollama 和 llama.cpp 的测量均使用第 9 节中记录的测试环境和版本。这些数据描述的是该硬件条件下的验证结果;token 数量和运行时特定的软件设置仍与各对比中所述一致。此前的汇总表已废弃;以下数据现为 token 速率对比的规范呈现。

经过验证的权重文件和生成的 Expert Pack 占用:

模型原始权重文件权重体积Expert Pack 体积
DeepSeek-V4-Flash单个 Ollama MXFP4 GGUF blob155.10 GB147.18 GB
Kimi-K338 个 Q2_K GGUF 分片1009.51 GB(约 1.01 TB)985.61 GB

这些是经过校验的权重载荷的文件大小。Pack 索引、锁、清单及其他元数据另行计算。

DeepSeek-V4-Flash 对比 Baseline

该对比使用了十个共享请求:五个 Alpaca 和五个 MMLU。两个运行时每个请求最多生成 200 个 token。图表报告了每个数据集的平均 prefill 和 decode token 速率。

DeepSeek-V4-Flash SGLang versus Baseline prefill and decode token rates for Alpaca and MMLU

相对于 Baseline,SGLang 在 Alpaca 上把 prefill 提升了 2.28 倍,在 MMLU 上提升了 3.39 倍。Decode 则分别提升了 6.92 倍和 6.55 倍。

下面简要报告各数据集的底层均值。速率单位为 tokens 每秒,是每个数据集中五条记录的算术平均值。

数据集基线 prefillSGLang prefillPrefill 提升基线 decodeSGLang decodeDecode 提升
Alpaca(n=5)1.1082.5322.28x0.2881.9926.92x
MMLU(n=5)1.2234.1413.39x0.2821.8466.55x

Kimi-K3 对比 llama.cpp

该对比在两个运行时中使用同样的十个固定请求:五个 Alpaca 和五个 MMLU。两个客户端均使用 temperature 0 和默认 EOS 处理;每个请求恰好生成 200 个 completion token,因此解码对比现在在提示词集合、停止行为和输出长度上均已匹配。图表报告了每个数据集的平均 prefill 和 decode token 速率。

Kimi-K3 SGLang versus llama.cpp prefill and decode token rates for Alpaca and MMLU

相对于 llama.cpp,SGLang 在 Alpaca 上把 prefill 提升了 6.96 倍,在 MMLU 上提升了 5.80 倍。Decode 分别提升了 3.30 倍和 3.52 倍。这十个请求的汇总使用了第 9 节中描述的十条保留请求记录。

专家缓存命中率与 SSD 流量

Token 速率应结合缓存遥测数据一起解读。以下由 Python 生成的柱状图报告了唯一键 VRAM 缓存命中率以及每生成一个 token 的平均 SSD 流量。cache_hits以及cache_misses计数唯一(layer, expert)键在acquire()每次更新内对键去重;它们并非按 token 统计的路由器边访问。缓存命中可避免该专家的 SSD 读取和 H2D 传输。SSD 流量指标是每请求总量在 prefill 和 decode 上的未加权平均值,按生成的 completion token 数归一化,因此并非仅 decode 的流量。两幅图均仅展示 SGLang 遥测数据,因此单一序列由周围文字标注,而非图例。pack_read_bytes在 prefill 和 decode 之间,按生成的 completion token 数归一化,因此并非仅 decode 的流量。两幅图均仅展示 SGLang 遥测数据,因此单一序列由周围文字标注,而非图例。

DeepSeek-V4-Flash SGLang unique VRAM cache hit rate and mean SSD traffic per generated token

DeepSeek 使用了完整的十次请求运行:五次 Alpaca 和五次 MMLU 请求,每次生成 200 个 token 的补全。其唯一键 VRAM 缓存命中率在 Alpaca 上为 54.2%,在 MMLU 上为 46.4%。合并预填充和解码后的平均 SSD 流量,分别为每生成一个 token 1.66 和 2.04 十进制 GB。

Kimi-K3 SGLang unique VRAM cache hit rate and mean SSD traffic per generated token

Kimi 的数据使用了全部十次完成的请求:五次 Alpaca 和五次 MMLU,每次生成 200 个 token 的补全。未加权的每请求唯一键 VRAM 缓存命中率分别为 17.0% 和 22.7%。相应的平均 SSD 流量,合并预填充和解码后,分别为每生成一个 token 22.10 和 27.63 十进制 GB。

与 DeepSeek 的差异在预期之内:Kimi 的配置为 GPU 专家缓存预留了 5 GiB,而 DeepSeek 的运行预留了约 21 GiB,并且两个适配器具有不同的专家载荷大小和路由行为。

这一改进并非来自某一个孤立的更快的复制原语。它是以下因素的综合效果:

  1. Expert Pack 将分散的张量访问转变为可寻址的连续专家读取;
  2. 直接 I/O 消除了 page cache -> pinned memory 复制;
  3. 固定暂存区为专家级 H2D 提供了 CUDA 兼容的主机来源,无需页缓存暂存;
  4. GPU 缓存在命中时跳过 SSD 读取和 H2D 传输。

9. 详细复现

本节给出结果表格之后的完整复现流程。两个小节使用相同的十个固定请求。它们是端点风格的测试:客户端按顺序发送十个 HTTP 请求,在发送下一个请求之前等待每个响应,并使用并发数 1。不使用批量请求。

这些请求是五个 Alpaca 样本和五个 MMLU 样本,按此顺序:

#样本 ID数据集提示词
1alpaca-37246Alpaca总结电影《玩具总动员》
2mmlu-abstract_algebra-14MMLU回答这道多项选择题。选出正确选项并简要解释你的答案。

题目:求 n = 10 时 S_n 中元素的最大可能阶数。
A. 6
B. 12
C. 30
D. 105
3alpaca-50812Alpaca给定一个物品清单,建议一项有趣的活动。

输入:铅笔、纸、马克笔
4mmlu-moral_disputes-8315MMLU回答这道多项选择题。选出正确选项并简要解释你的答案。

问题:根据哈丁的观点,"棘轮效应"指的是
A. 人口过剩不会影响贫困人口的数量。
B. 人口过剩导致食物银行的建立,从而有助于遏制贫困率。
C. 世界饥饿与贫困促使人们承认免于饥饿的权利。
D. 利用世界食物银行来救济饥饿者会导致一系列不断升级的紧急状况。
5alpaca-9907Alpaca将这句话从西班牙语翻译成英语:El sol no brilla hoy.
6mmlu-high_school_macroeconomics-3940MMLU回答这道多项选择题。选出正确选项并简要解释你的答案。

题目:政府借贷产生的挤出效应最准确的描述是
A. 紧缩性财政政策导致利率下降,从而使总需求向右移动。
B. 扩张性财政政策导致利率上升,从而使总需求向左移动。
C. 总统增加货币供应量从而降低实际利率并增加总需求的效应。
D. 听到中央银行行长表示他认为经济正处于衰退之中对经济产生的影响。
7alpaca-40699Alpaca举一个 AI 算法中可能存在的偏见的例子。
8mmlu-professional_law-10971MMLU回答这道多项选择题。选出正确选项并简要解释你的答案。

问题:房主拥有一处处于自然状态的地产,上面有一栋房子。该地产上没有任何类型的填土。邻居拥有东侧相邻的地产,修建了一条车道,其西侧边界沿着房主地产的边界。挖掘机将车道挖了五英尺深。土地开始沿着开挖线下沉,房主大约三英尺的土地塌落到车道中,使她这部分地产变得无法使用。房主要求邻居填土以支撑所造成的侵蚀。此事并未进行,侵蚀继续发生。房主提起诉讼,请求颁发禁令,强制邻居修建并维护一堵挡土墙。法院会判原告/房主胜诉吗?
A. 会,因为挖掘属于异常危险活动,邻居对因该违法行为造成的任何损害承担绝对责任。
B. 会,因为每位土地所有者都有权获得处于自然状态土壤的侧向支撑。
C. 不会,因为邻居没有进入相邻土地,并将所有挖掘都限制在自己的土地内。
D. 不会,侧向支撑权是一项普通法权利,但几乎在所有州都已被成文法废除,因此该权利已不再存在。
9alpaca-34440Alpaca为一家餐厅制作一道包含以下食材的菜单菜品。

输入:三文鱼、牛油果、菠菜
10mmlu-jurisprudence-6660MMLU回答这道多项选择题。选出正确选项并简要解释你的答案。

问题:以下哪一项是对伦理相对主义敌视人权的最有力反驳?
A. 功利主义
B. 社群主义。
C. 认知主义。
D. 实证主义。

每个请求使用 temperature 0、默认 EOS 处理和 200-token 目标长度。客户端记录每个请求的 prompt tokens、completion tokens、TTFT/prefill 耗时以及 decode 耗时。第 8 节中的表格报告的是每个数据集中五次请求的算术平均值。

在下面的 SGLang 命令中,model-meta 是用于初始化服务器的轻量级目录,其中存放模型配置和 tokenizer 元数据。它不是原始的 GGUF 权重文件。原始 GGUF 仍是源产物,而 Expert Pack 提供路由专家负载;加载器通过 source_pathpack_path 和 manifest 将它们连接起来。

9.1 DeepSeek-V4-Flash:SGLang 与 Ollama

版本与工作负载

SGLang 运行使用提交81c9f837f19ff8dfe1a9fcd1abfc6069dd28d2ec在分支support_deepseek-v4_and_kimi-k3_on_ssd。基线使用 Ollama0.33.1及其托管的 llama.cpp 运行器,提交为d222767c7。双方串行运行上述十个请求,一次一个请求,使用相同的采样设置。

启动 Ollama 基线服务器

在拉取模型并发送请求之前,先启动 Ollama 服务:

OLLAMA_HOST=127.0.0.1:11435 ollama serve >/tmp/deepseek-ollama.log 2>&1 &

准备

  1. 在基线服务运行的情况下,从 Ollama 模型页面 拉取经过验证的 DeepSeek-V4-Flash MXFP4 GGUF blob,并使用 ollama show --modelfile 获取其本地文件路径。对应的模型卡是 Hugging Face 上的 DeepSeek-V4-Flash-0731

    ollama pull frob/deepseek-v4-flash-0731
    ollama show --modelfile frob/deepseek-v4-flash-0731
    

    记录的 blob SHA-256 为 947ac34c08c0e5c5752ac76398f934b3b6b4075cfe915ba43dd5ac754900a4cd,Ollama manifest 的 SHA-256 为 882b1398c0ca4e7ec8ca0a501fd8c4372f780f690536a3ec17ffc75306569ed3

  2. 安装 SGLang 检出并手动构建 DeepSeek Expert Pack。为 --model-config 使用匹配的 DeepSeek 模型配置 JSON:

    cd /path/to/sglang-latest-deepseek-v4-kimi-k3-ssd
    python3 -m pip install -e 'python'
    python3 tools/expert_pack/prepare_deepseek_pack.py \
      --gguf /path/to/deepseek-v4-flash-0731.gguf \
      --model-config /path/to/deepseek-v4-flash-config.json \
      --safety-margin-gib 16
    

    这会在源 GGUF 旁边创建或复用 DeepSeek-V4-Flash.expert-pack 及其 DeepSeek-V4-Flash.expert-pack.manifest.json

  3. 验证生成的 Pack 并创建服务器所使用的元数据。此命令不会启动服务;由于 Pack 已在上一步构建完成,验证阶段会复用它而不是重新构建:

    python3 examples/runtime/deepseek_v4/benchmark_deepseek_5090.py \
      --gguf /path/to/deepseek-v4-flash-0731.gguf \
      --validate-only
    

    生成的元数据文件存储在 ${XDG_CACHE_HOME:-$HOME/.cache}/sglang-expert-pack/deepseek-v4-flash/<fingerprint>/model-meta/ 下:config.jsongeneration_config.jsontokenizer.jsontokenizer_config.jsonmetadata.json

    这里的 <fingerprint> 是从源 GGUF 状态和准备格式派生出的短哈希。它在本地生成,用于隔离不同源文件的产物;它不是一个固定的模型名称,也不是必须下载的目录。

启动 SGLang

以下是直接运行 Expert Pack 服务器的命令。哈希值在启动前从生成的清单中读取。

GGUF=/path/to/deepseek-v4-flash-0731.gguf
ARTIFACT_DIR=${XDG_CACHE_HOME:-$HOME/.cache}/sglang-expert-pack/deepseek-v4-flash/<fingerprint>
MODEL_META="$ARTIFACT_DIR/model-meta"
PACK_PATH="$(dirname "$GGUF")/DeepSeek-V4-Flash.expert-pack"
MANIFEST_PATH="$(dirname "$GGUF")/DeepSeek-V4-Flash.expert-pack.manifest.json"
STATS_PATH="$ARTIFACT_DIR/deepseek-v4-expert-pack.stats.json"
SOURCE_SHA256="$(jq -r '.source.sha256' "$MANIFEST_PATH")"
OLLAMA_MANIFEST_SHA256="$(jq -r '.model.model_identity_sha256 // .model.ollama_manifest_sha256' "$MANIFEST_PATH")"
CONFIG_SHA256="$(jq -r '.model.config_sha256' "$MANIFEST_PATH")"

python3 -m sglang.launch_server \
  --model-path "$MODEL_META" \
  --tokenizer-path "$MODEL_META" \
  --trust-remote-code \
  --load-format expert_pack \
  --model-loader-extra-config "{\"pack_path\":\"$PACK_PATH\",\"manifest_path\":\"$MANIFEST_PATH\",\"source_path\":\"$GGUF\",\"source_sha256\":\"$SOURCE_SHA256\",\"ollama_manifest_sha256\":\"$OLLAMA_MANIFEST_SHA256\",\"config_sha256\":\"$CONFIG_SHA256\",\"cache_vram_mib\":21504,\"cache_vram_reserve_mib\":2048,\"stage_slots\":12,\"read_splits\":4,\"direct_io\":true,\"stats_flush_interval\":43,\"stats_path\":\"$STATS_PATH\"}" \
  --attention-backend dsv4 \
  --tp-size 1 --ep-size 1 \
  --disable-cuda-graph --disable-flashinfer-autotune \
  --disable-shared-experts-fusion --skip-server-warmup \
  --max-running-requests 1 --mem-fraction-static 0.96 \
  --watchdog-timeout 1800 --host 127.0.0.1 --port 30001

将同样的十行请求发送到正在运行的 Ollama /api/generate 端点。保留的客户端使用 num_predict=200temperature=0、固定种子,并且一次只发一个请求;它会写入结果表所使用的逐请求 JSONL 记录和摘要。

9.2 Kimi-K3:SGLang 与 llama.cpp

版本与工作负载

SGLang 运行使用相同的提交 81c9f837f19ff8dfe1a9fcd1abfc6069dd28d2ec。基线使用 llama.cpp 提交 5fff128451d7603857597ee1fc18ac1dfb90f148。上述十个 Alpaca/MMLU 请求以串行方式逐个发送,temperature 为 0,使用默认 EOS 处理,并在两个运行时上均以 200-token 为目标。

准备

  1. Blackfrost-AI/KIMI-K3-Q2_K-GGUF-ABLITERATED 下载 38 个纯文本 Q2_K GGUF 分片:

    hf download Blackfrost-AI/KIMI-K3-Q2_K-GGUF-ABLITERATED \
      --include "KIMI-K3-MXP4-DERISKED-Q2_K-*.gguf" \
      --local-dir /path/to/kimi-k3
    
  2. moonshotai/Kimi-K3 的已记录修订版本下载 tokenizer 和配置文件:

    hf download moonshotai/Kimi-K3 \
      config.json tokenizer_config.json generation_config.json \
      tokenization_kimi.py encoding_k3.py tiktoken.model \
      --revision 9f62e4e9fffbd0a83ddd60e1c209d828994b3569 \
      --local-dir /path/to/kimi-k3-tokenizer
    
  3. 手动构建 Kimi Expert Pack。--gguf 指向第一个带编号的分片;脚本会在该目录中发现全部 38 个分片。Kimi 模型配置即所下载的 config.json,其中包含 text_config

    cd /path/to/sglang-latest-deepseek-v4-kimi-k3-ssd
    python3 tools/expert_pack/prepare_kimi_pack.py \
      --gguf /path/to/kimi-k3/KIMI-K3-MXP4-DERISKED-Q2_K-00001-of-00038.gguf \
      --model-config /path/to/kimi-k3-tokenizer/config.json \
      --safety-margin-gib 2
    

    这会在 GGUF 分片旁创建 KIMI-K3-MXP4-DERISKED-Q2_K.expert-major.pack。它是一个独立的 GGML Expert Pack;经过验证的路由专家在 gate/up 上使用 Q2_K,在 down 上使用 Q3_K。

  4. 创建 SGLang 所需的模型元数据和清单。此准备模式不会启动服务:

    python3 examples/runtime/kimi_k3/benchmark_kimi_k3_5090.py \
      --gguf /path/to/kimi-k3/KIMI-K3-MXP4-DERISKED-Q2_K-00001-of-00038.gguf \
      --max-new-tokens 200 --direct-io --read-splits 1 --prepare-only
    

    它会创建model-meta/以及kimi-k3-expert-pack.manifest.json在……之下${XDG_CACHE_HOME:-$HOME/.cache}/sglang-expert-pack/kimi-k3/<fingerprint>/。metadata 目录包含重写后的文本配置和复制过来的 tokenizer 文件。manifest 记录了分片清单、张量布局、Pack 索引、模型配置和 tokenizer 哈希值。一次常规的 benchmark 运行还会额外生成 stats JSON、report JSON 和服务器日志。

开始使用 SGLang

GGUF_DIR=/path/to/kimi-k3
PACK_PATH="$GGUF_DIR/KIMI-K3-MXP4-DERISKED-Q2_K.expert-major.pack"
ARTIFACT_DIR="${XDG_CACHE_HOME:-$HOME/.cache}/sglang-expert-pack/kimi-k3/<fingerprint>"
MODEL_META="$ARTIFACT_DIR/model-meta"
MANIFEST_PATH="$ARTIFACT_DIR/kimi-k3-expert-pack.manifest.json"
STATS_PATH="$ARTIFACT_DIR/kimi-k3-expert-pack.stats.json"

python3 -m sglang.launch_server \
  --model-path "$MODEL_META" \
  --tokenizer-path "$MODEL_META" \
  --trust-remote-code \
  --load-format expert_pack \
  --model-loader-extra-config "{\"pack_path\":\"$PACK_PATH\",\"manifest_path\":\"$MANIFEST_PATH\",\"cache_vram_mib\":5120,\"cache_vram_reserve_mib\":1536,\"stage_slots\":16,\"read_splits\":1,\"direct_io\":true,\"stats_flush_interval\":92,\"stats_path\":\"$STATS_PATH\",\"verify_pack_sha256\":false}" \
  --tp-size 1 --ep-size 1 \
  --disable-cuda-graph --disable-shared-experts-fusion \
  --disable-radix-cache --mamba-radix-cache-strategy no_buffer \
  --disable-overlap-schedule --skip-server-warmup \
  --chunked-prefill-size 64 --watchdog-timeout 1800 \
  --max-running-requests 1 --mem-fraction-static 0.98 \
  --host 127.0.0.1 --port 30001

启动 llama.cpp 基线服务器

启动固定版本的 llama.cpp 构建,使用 CPU 专家执行:

/path/to/llama.cpp/build/bin/llama-server \
  -m /path/to/kimi-k3/KIMI-K3-MXP4-DERISKED-Q2_K-00001-of-00038.gguf \
  -ngl -1 --cpu-moe --host 127.0.0.1 --port 8081 \
  -t 16 -tb 16 --threads-http 16 -np 1 -c 4096 \
  --no-warmup --metrics \
  --log-file /path/to/kimi-k3-llama-cpp/server.log

llama.cpp 客户端将同样的十个提示词逐个发送给 /completion,并配合使用 cache_prompt=falsetemperature=0n_predict=200

10. 条件与限制

SSD 容量与准备时间

Expert Pack 需要额外的 SSD 容量。PR 记录显示,构建 DeepSeek-V4-Flash pack 预计需要 5-10 分钟,首次运行就绪大约需要 8-15 分钟。在保留的测量中,Kimi-K3 pack 的构建耗时 29 分 42 秒,首次就绪大约需要 35-45 分钟。

38 个 Kimi 源分片和生成的 Expert Pack 总共占用约 1.814 TiB;这些测量使用的是 TiPro9000 2 TB 磁盘,而实际部署建议使用 4 TB SSD 以留出余量。

直接 I/O

O_DIRECT 需要平台支持,并且要求文件偏移量、读取长度和用户缓冲区地址对齐。SGLang 在运行时初始化期间会以失败关闭(fail closed)方式处理。如果平台不支持直接 I/O,或者 pack 不满足对齐约定,那么结果就不应被描述为直接 I/O 性能。

缓存与工作负载

  • 较小的 GPU 缓存会导致更多未命中,使 SSD 读取和 H2D 传输更频繁地出现在关键路径上。
  • 提示词或工作负载分布的变化会改变热点专家,因此单个请求的热点集合并不能保证适配所有工作负载。
  • 如果完整的专家池已经能放进 GPU 显存,那么 Expert Pack 就增加了一条不必要的数据路径,并不是合适的部署模式。
  • 如果工作负载以 GPU 计算为主,那么省去主机拷贝所带来的收益可能会被计算时间掩盖。
  • 如果 SSD 的随机读取行为、排队或热稳定性表现不佳,那么增加 read_splits 和暂存槽位可能会带来排队和内存压力,而非提升吞吐量。

当前功能边界

该功能聚焦于路由专家的 SSD 投递与 GPU 缓存。它不提供 SSD KV-cache 卸载,也不改变请求调度。它是一条显式选择启用的 Expert Pack 路径,并非对每一种 SGLang 模型加载格式的全局替换。

11. 结论

SSD Expert Pack 并非简单地用更慢的磁盘替代 GPU 显存。它围绕 MoE 推理的稀疏访问模式重新设计了权重投递方式:

router selects a small set of experts
  -> Expert Pack resolves their offsets
  -> O_DIRECT reads into aligned pinned buffers
  -> expert-level asynchronous H2D fills the GPU cache
  -> the complete expert becomes available for computation

省去 page cache -> pinned memory 拷贝是一个容易被忽视的细节,但它是一项具体的端到端优化。传统路径先读入操作系统页缓存,然后将数据拷贝到可供 CUDA 使用的固定内存中。借助直接 I/O,Expert Pack 将预分配的固定缓冲区作为读取目标,从而消除了整个主机内存的搬运和同步交接。

这就是 SGLang 如何将 SSD-LLaMA 的核心思路应用到真实的 DeepSeek-V4-Flash 和 Kimi-K3 集成中:完整的专家池保留在高容量 SSD 上,一个有界的 GPU 缓存保留当前工作集,运行时只移动由路由器选中的专家。超大规模 MoE 模型不再需要堆叠足够的 VRAM 或 DRAM 来容纳完整模型,而是可以在一块消费级 GPU 搭配高速 NVMe SSD 上运行。

来源:LMSYS:Blog(Chatbot Arena 团队)· lmsys.org