本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
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：
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-64conda 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.gitcd LLaMA-Factorypip 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/releasespip 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.gitpip 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 github.com/deepseek-ai…_cast_bf16.py脚本进行格式转换。
### modelmodel_name_or_path: opensourcerelease/DeepSeek-V3-bf16trust_remote_code: true### methodstage: sftdo_train: truefinetuning_type: loralora_rank: 8lora_target: all### datasetdataset: identitytemplate: deepseekcutoff_len: 2048max_samples: 100000overwrite_cache: truepreprocessing_num_workers: 16dataloader_num_workers: 4### outputoutput_dir: saves/Kllama_deepseekV3logging_steps: 10save_steps: 500plot_loss: trueoverwrite_output_dir: truesave_only_model: falsereport_to: none # choices: [none, wandb, tensorboard, swanlab, mlflow]### trainper_device_train_batch_size: 1gradient_accumulation_steps: 8learning_rate: 1.0e-4num_train_epochs: 3.0lr_scheduler_type: cosinewarmup_ratio: 0.1bf16: trueddp_timeout: 180000000resume_from_checkpoint: null### ktransformersuse_kt: true# use KTransformers as LoRA sft backendkt_optimize_rule: examples/kt_optimize_rules/DeepSeek-V3-Chat-sft-amx-multi-gpu.yamlcpu_infer: 32chunk_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*github.com/kvcache-ai/…_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 parallelismkwargs: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-bf16adapter_name_or_path: saves/Kllama_deepseekV3template: deepseekinfer_backend: ktransformers # choices: [huggingface, vllm, sglang, ktransformers]trust_remote_code: trueuse_kt: true# use KTransformers as LoRA sft backend to inferencekt_optimize_rule: examples/kt_optimize_rules/DeepSeek-V3-Chat-sft-amx-multi-gpu.yamlcpu_infer: 32chunk_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-bf16adapter_name_or_path: saves/Kllama_deepseekV3template: deepseekinfer_backend: ktransformers # choices: [huggingface, vllm, sglang, ktransformers]trust_remote_code: trueuse_kt: true# use KTransformers as LoRA sft backend to inferencekt_optimize_rule: examples/kt_optimize_rules/DeepSeek-V3-Chat-sft-amx-multi-gpu.yamlcpu_infer: 32chunk_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。
学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
