Testes iniciais para Kimi-K2.5 via KTransformers+SGLang, em um híbrido 4x RTX Pro 6000 Blackwell + 640GB/1.5TB de memória CPU offload. Computação fornecida pelos pods Lium: - 19.97 tok/s de saída @ 10 requisições simultâneas - TTFT médio: ~120s - TTFT mediano: ~102s Preciso brincar com as flags KT para otimizar ainda mais esta configuração, que depende fortemente da contagem total de núcleos de CPU do sistema e da RAM disponível. A interconectividade GPU <-> PCIe <-> RAM é o gargalo mais óbvio Especialistas por camada MoE na GPU: --kt-num-gpu-experts=128 Núcleos de CPU dedicados à inferência MoE: --kt-cpuinfer=104 Especialistas de CPU trabalham sobrepondo o trabalho da GPU: --kt-max-deferred-experts-per-token=2 Máximo de tokens por chunk de pré-preenchimento: --chunked-prefill-size=32658 Captura de gráfico CUDA desativada: --disable-cuda-graph

KTransformers+SGLang flags para reproduzir o trabalho: ========== export CUDA_VISIBLE_DEVICES=0,1,2,3 export OMP_NUM_THREADS=1 export MKL_NUM_THREADS=1 export OPENBLAS_NUM_THREADS=1 export NUMEXPR_NUM_THREADS=1 export VECLIB_MAXIMUM_THREADS=1 python -m sglang.launch_server \ --model-path <HF_PATH>/models--moonshotai--Kimi-K2.5/snapshots/3367c8d1c68584429fab7faf845a32d5195b6ac1 \ --kt-weight-path <HF_PATH>/models--moonshotai--Kimi-K2.5/snapshots/3367c8d1c68584429fab7faf845a32d5195b6ac1 \ --kt-cpuinfer 104 \ --kt-threadpool-count 2 \ --kt-num-gpu-experts 128 \ --kt-max-deferred-experts-per-token 2 \ --kt-method RAWINT4 \ --kt-gpu-prefill-token-threshold 400 \ --kt-expert-placement-strategy uniform \ --trust-remote-code \ --mem-fraction-static 0.90 \ --served-model-name kimi_k2 \ --tool-call-parser kimi_k2 \ --reasoning-parser kimi_k2 \ --disable-radix-cache \ --disable-chunked-prefix-cache \ --enable-mixed-chunk \ --tensor-parallel-size 4 \ --enable-p2p-check \ --disable-shared-experts-fusion \ --chunked-prefill-size 32658 \ --max-total-tokens 120000 \ --attention-backend flashinfer \ --disable-cuda-graph \ --host 0.0.0.0 \ --port 8000