Kimi-K2.5 的初步測試通過 KTransformers+SGLang，在一個混合的 4x RTX Pro 6000 Blackwell + 640GB/1.5TB CPU 記憶體卸載上進行。計算由 Lium pods 提供： - 19.97 輸出 tok/s @ 10 個並發請求 - 平均 TTFT: ~120s - 中位數 TTFT: ~102s 需要調整 KT 標誌以進一步優化此設置，這在很大程度上取決於整體系統的 CPU 核心數量和可用 RAM。GPU <-> PCIe <-> RAM 的互連是最明顯的瓶頸。 每個 MoE 層的專家數量在 GPU 上： --kt-num-gpu-experts=128 專門用於 MoE 推理的 CPU 核心： --kt-cpuinfer=104 CPU 專家與 GPU 工作重疊： --kt-max-deferred-experts-per-token=2 每個預填充塊的最大標記數： --chunked-prefill-size=32658 禁用 CUDA 圖捕獲： --disable-cuda-graph

KTransformers+SGLang 標誌以重現工作： ========== 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