Kimi K3 (2.8T) at 1 token/s on a MacBook Pro, streamed from four SSDs
277 points • 5 days agoArticle Link

Deltafin 是一个实验性开源项目,目标是在普通消费者硬件上本地运行完整的 2.8-trillion-parameter Kimi K3 模型。不同于通过剪枝或量化权重换取性能的做法,Deltafin 更重视保持 MoE (Mixture of Experts) 模型的原始质量。通过使用单一的 native binary,Deltafin 确保每个生成的 token 都由 Kimi K3 作为唯一权威决定,较小的 draft models 仅作为猜测器,其输出必须由主模型显式验证。

目前的实现侧重极致的硬件效率,特别针对配备 128 GB 内存并用多块 SSD 流式加载 expert weights 的 Apple Silicon 平台。基准测试显示,在 M5 Max MacBook Pro 上,Deltafin 在稳定解码时约能达到 1.00 token per second 。性能高度依赖存储吞吐,数据表明增加驱动器收益递减,因为每层需要读取的 16 个 expert reads 中最慢的那一项决定了总体速度。

虽然项目在优化上已有显著进展,但在一些技术难题上仍需突破,尤其是初始响应速度。目前由于在 prefill 阶段对模型层进行了重复读取,一个 512-token 的 prompt 在生成首个 token 前会有超过六分钟的延迟。开发者认为这是存储与架构上的瓶颈,而非硬件本身的限制,计划在后续迭代中通过优化来缩短这一延迟。

项目设计上提供了灵活的部署方式,既支持 full 安装,也支持 stream 模式。 stream 模式让用户以更小的存储起步,并在使用过程中逐步在本地缓存 experts 。 Deltafin 还内置了一个与 OpenAI 兼容的服务器,便于与各种客户端集成,并强制执行严格、贪婪且可重现的生成流程,以保证与模型预期输出一致。

总之,Deltafin 致力于在家用基础设施上拓展可能性。通过示范如何在不牺牲模型完整性的前提下运行大规模模型,项目希望为更广泛的 local-AI 社区做出贡献。开发者强调其核心任务是探索,并记录每次实验与基准测试,以透明披露在可及的高端消费者系统上运行 frontier models 的成本与能力。

155 comments • Comments Link

• 在 MacBook Pro 配合外接 Thunderbolt SSD 等消费级硬件上,实现了对 2.78T 参数模型 Kimi K3 的每秒 token 推理,证明了在本地运行前沿规模模型的可行性。

• 当前系统架构需要从磁盘流式读取专家权重,这在预填充阶段形成严重瓶颈——每层需读取约 9TB 数据,极大地占用内存带宽。

• 性能扩展高度依赖磁盘吞吐量。所谓"drive ladder"显示,随着系统中 SSD 数量增加,收益递减,说明顺序带宽与调度策略比单纯增加硬件更为关键。

• 虽然当前推理速度对交互式聊天而言过慢,但这种配置适用于异步、无人值守的任务——模型可在夜间批量处理数据,从而实现数据不出机的本地高参数模型运行。

• 本地 LLM 性能的未来可能依赖定制的 ASIC 架构,例如晶圆级芯片,将极高的内存带宽置于目前 GPU 常见的商品化离散 DRAM 之上。

• 关于模块化 LLM 的设想颇多:通过索引"粘性"专家或权重,让模型的大量参数只需有一小部分驻留在 VRAM 中,从而有效降低万亿参数模型的使用门槛。

• 社区内部存在明显分歧:一方面优先考虑即时的实际应用,另一方面则更看重技术探索本身以及"试试看能不能做到"的精神。

• 在预填充调度方面做出重大优化(将每层多次读取专家改为单次顺序通过)是让这些"缓慢"的本地模型可用于诸如单 token 分类等任务的主要途径。

• 随着 AI 模型不断增强,编码与测试的工作流正在向人机协作转变,打字和调试的"成本"正在被迭代提示的成本所取代。

• 尽管对在本地运行模型存在普遍怀疑,但出于隐私保护、避免经常性订阅开支以及在本地硬件上利用大规模模型的需求,相关技术实验仍然受到强烈驱动。

讨论的核心在于:在消费级硬件上尝试运行万亿级参数模型的技术胆识,与当前速度限制之间的矛盾。参与者围绕这种缓慢推理的实际效用展开辩论,最终在强调本地数据主权而非实时响应的无人值守批处理工作流中找到了价值。这项努力既被视为对即时生产力的探索,也被看作迈向模块化、本地化 AI 的重要一步,呼应了计算史上"过去认为不可能的事情最终成为常态"的发展轨迹。