在ktransformers项目中支持Volta和Turing架构显卡的技术方案

背景介绍

ktransformers是一个专注于高效推理的开源项目，它通过创新的算子优化和内存管理技术，显著提升了大型语言模型的推理效率。然而，由于硬件架构的限制，Volta（如T4）和Turing（如2080Ti）架构的显卡无法直接运行项目中默认的Marlin算子，这给使用这些显卡的用户带来了挑战。

问题分析

Volta和Turing架构显卡面临的主要问题包括：

1. 不支持Marlin算子，导致显存需求翻倍
2. 默认使用flash-attention 2，但这些架构缺乏必要的硬件支持
3. 单卡显存不足时无法有效运行大模型

解决方案

1. 基础修改方案

首先需要对项目代码进行以下基础修改：

1. 将所有YAML配置文件中的KLinearMarlin替换为KLinearTorch
2. 从源码重新编译ktransformers项目
3. 安装flash-attn（虽然不会实际使用，但可以避免报错）
4. 修改local_chat.py文件，将所有flash_attention_2替换为eager

2. 注意力机制优化

针对注意力计算部分，有两种优化方案：

方案一：强制使用Windows路径 修改attention.py文件，将Linux路径下的forward_linux调用改为forward_windows调用。这种方法虽然可行，但性能较低。

方案二：使用scaled_dot_product_attention 更优的方案是修改flash_attn_func调用，替换为PyTorch原生的scaled_dot_product_attention。具体修改包括：

1. 添加数据类型转换逻辑，将中间计算转换为半精度
2. 使用transpose调整张量维度
3. 设置合适的scale和is_causal参数

这种方案相比强制使用Windows路径可以获得1.5-2倍的性能提升。

3. 显存管理

对于显存不足的情况，建议：

1. 使用多卡并行（如4张T4或2张2080Ti）
2. 监控内存占用，确保单路CPU内存大于模型完整大小
3. 设置PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True避免显存碎片

性能优化技巧

1. 对于Triton报错"out of resource: shared memory"，可以修改triton_attention.py中的num_stages为1
2. 使用Q2KL量化版本可以显著降低显存需求
3. 监控token生成速率，合理调整batch size

实际效果

经过上述修改后，多种配置已成功运行：

• 4张T4显卡运行Q2KL版本，回答质量良好
• 双路2080Ti（各17GB显存）稳定运行
• V100+CUDA 11.8环境验证通过

生成速度方面，优化后的方案可以达到1.5-3.5 tokens/s，具体取决于硬件配置和模型量化程度。

总结

通过本文介绍的技术方案，成功解决了ktransformers项目在Volta和Turing架构显卡上的兼容性问题。这些修改不仅使老款显卡能够运行最新的大语言模型，还通过多种优化手段提升了推理效率。对于资源受限的环境，合理选择量化版本和多卡配置是关键。未来随着项目的更新，可能会有更优雅的解决方案出现，但当前方案已经为使用这些显卡的研究者和开发者提供了可行的技术路径。