天翼云 CPU 实例部署 DeepSeek R1 模型最佳实践

本文介绍了英特尔®至强®处理器在AI推理领域的优势，如何使用一键部署的镜像进行纯CPU环境下基于AMX加速后的DeepSeek-R1 7B蒸馏模型推理，以及纯CPU环境下部署DeepSeek-R1 671B满血版模型实践。

大模型因其参数规模庞大、结构复杂，通常需要强大的计算资源来支持其推理过程，这使得算力成为大模型应用的核心要素。随着DeepSeek-R1模型的问世，各行各业纷纷展开了关于如何接入大模型能力的广泛调研与探索，市场对大模型推理算力的需求呈现出爆发式增长的趋势。

例如在医疗、金融、零售等领域，企业迫切希望通过接入DeepSeek大模型来提升决策效率和业务能力，从而推动行业的创新发展。在这一背景下，算力的供给和优化成为推动大模型落地应用的重要因素。

近年来，CPU制程和架构的提升以及英特尔®高级矩阵扩展AMX（Advanced Matrix Extensions）加速器的面世带来了算力的快速提升。英特尔对大模型推理等多个AI领域持续深入研究，提供全方位的AI软件支持，兼容主流AI软件且提供多种软件方式提升CPU的AI性能。目前，已有充分的数据显示CPU完全可以用于大模型推理场景。

CPU适用于以下大模型推理场景：

• 场景1: 大模型推理需要的内存超过了单块GPU的显存容量，需要多块或更高配GPU卡，采用CPU方案，可以降低成本；

• 场景2: 应用请求量小，GPU利用率低，采用CPU推理，资源划分的粒度更小，可有效降低起建成本；

• 场景3: GPU资源紧缺，CPU更容易获取，且可以胜任大模型推理。

本节内容主要介绍如何在天翼云EMR实例上，基于Intel® xFasterTransformer加速库和vllm推理引擎完成模型部署，并展示相关性能指标。

服务部署

为了方便用户使用，天翼云联合英特尔制作了一键部署的云主机镜像，内置DeepSeek-R1-Distill-Qwen-7B模型、vLLM推理框架、xFT加速库以及open-webui前端可视环境。您可在天翼云控制台选择下列资源池和镜像，开通云主机进行体验。

完成云主机开通后，推理服务会在5分钟内自动启动，您无需进行任何其他操作。
注：如需在云主机外访问服务，您需要绑定弹性IP，并在安全组内放行22/3000/8000端口。

模型使用

open-webui前端使用

镜像已内置open-webui，并已完成和vllm的连接配置，可直接通过以下地址进行访问:

http://[弹性IP]:3000/

注：1.首次打开页面时，您需要先完成管理员注册，以进行后续的用户管理。注册数据均保存在云实例的/root/volume/open-webui目录下。

2.如果首次打开对话页面时没有模型可供选择, 请您稍等几分钟让模型完成加载即可。

vllm api调用

镜像内置vllm服务可直接通过如下地址访问：

# 根路径
http://[弹性IP]:8000/
# 查询现有模型
http://[弹性IP]:8000/v1/models
# 其他api接口参阅vllm文档

注：vllm服务配置有API_KEY，您可在云实例的/root/recreate_container.sh文件开头查看到当前值，并可进行修改以确保服务安全。

性能指标

借助于英特尔AMX的加速能力，本推理服务能够取得显著的性能提升，天翼云完成测试并给出参考指标如下：

基本参数

vcpu数：24（物理核12）

内存：64GB

硬盘：60G 通用型SSD

模型：DeepSeek-R1-Distill-Qwen-7B（bf16）

batch size：1

输入token个数：30-60

输出token个数：256

性能数据

平均token生成速率：

首token时延：

在天翼云c8e系列24vcpu云主机上，启用AMX加速能力后，DeepSeek 7B蒸馏模型（BF16）推理速度能够超越9token/s，满足日常使用需求。

基于英特尔®至强®6处理器部署满血版DeepSeek-R1 671B实践 性能指标

DeepSeek R1 671B 满血版模型以其卓越的性能，为用户带来了极致的效果体验，不过其部署成本也不容小觑。若采用传统的 GPU 部署方式，需要8-16张 GPU 才能提供足够的支持，这无疑大幅增加了硬件购置、能耗以及维护等方面的成本。

在这样的背景下，天翼云基于英特尔®提供的至强®6处理器服务器进行了DeepSeek R1 671B满血版Q4_K_M模型的部署尝试，测试结果如下:

1-instance 1-socket：

平均吞吐性能9.7~10 token/s

2-instance 1-socket：

平均7.32 token/s和7.38token/s， 共14.7token/s

从上面测试数据可以看到，采用单实例单socket部署下，DeepSeek R1 671B满血版模型可达到平均9.7～10 token/s的吞吐量，而在双实例部署模式中，总体吞吐量提升至14.7 token/s。单颗CPU系统的吞吐性能可以达到普通用户正常使用的需要。

英特尔至强6处理器简介

英特尔®至强®CPU 为 DeepSeek R1 671B 模型的部署提供了一个极具竞争力的方案。英特尔®至强®CPU 具备支持 T 级超大内存的能力，这使得它在权重存储与加载方面表现高效。对于像 DeepSeek R1 671B 这样的超大模型，其所需的显存容量在多卡 GPU 配置下才能满足，而英特尔®至强®CPU 能够凭借其强大的内存支持能力，为该模型提供良好的运行环境。

此外，DeepSeek R1 模型采用的 MOE（Mixture of Experts）结构，通过参数稀疏化的方式，使得在单 token 推理时仅需激活少量专家参数。这种特性显著降低了推理过程中的算力要求，与 CPU 的计算特点相契合，使得模型在 CPU 系统上的运行更加高效。这意味着在英特尔®至强®CPU 上部署 DeepSeek R1 671B 模型，不仅能够充分发挥模型的性能优势，还能有效降低部署成本，避免了对大量 GPU 的依赖。

如需复现以上性能测试结果，请参看附录2

总结

通过本次实践，无论是在天翼云EMR云实例上结合xFasterTransformer部署DS R1 distill Qwen-7B蒸馏模型，还是基于英特尔®至强®6处理器部署满血版DeepSeek-R1 671B模型，均验证了CPU系统在DeepSeek大模型推理上的可行性和符合业界普遍要求的性能表现。CPU系统不仅能够灵活应对不同规模的模型需求，无论是轻量化蒸馏模型还是全功能满血模型，都能高效满足用户场景需求，提供了一种低成本、经济高效的解决方案。

附录1 英特尔®至强®可扩展处理器与AI加速技术 最新英特尔至强可扩展处理器产品 英特尔第五代至强可扩展处理器（代号 Emerald Rapids）——为AI加速而生

第五代英特尔®至强®处理器以专为AI工作负载量身定制的设计理念，实现了核心架构和内存系统的双重飞跃。其64核心设计搭配高达320MB的三级缓存（每核心由1.875MB提升至5MB），相较上代缓存容量实现近三倍增长，为大规模并行AI推理提供充裕的本地数据存储空间。与此同时，处理器支持DDR5-5600高速内存，单路最大4TB的容量保证了大数据处理时的带宽和延迟优势。基于这些硬件提升，Emerald Rapids整体性能较上一代提升21%，AI推理性能平均提升42%，在大语言模型推理场景中可实现最高1.5倍的性能加速，同时大幅降低总拥有成本达77%。

英特尔至强6处理器（代号 GNR Granite Rapids）——引领CPU AI算力革新

全新GNR处理器专为应对人工智能、数据分析及科学计算等计算密集型任务而设计。该产品在内核数量、内存带宽及专用AI加速器方面均实现重大突破：

• 核心与性能：每CPU配备多达128个性能核心，单路核心数较上一代翻倍，同时平均单核性能提升达1.2倍、每瓦性能提升1.6倍，进一步强化了CPU在大模型推理中的独立处理能力；

• AI加速功能：内置英特尔®高级矩阵扩展（AMX）新增对FP16数据类型的支持，使得生成式AI和传统深度学习推理任务均能获得显著加速；

• 内存与I/O突破：支持DDR5-6400内存及英特尔首款引入的Multiplexed Rank DIMM (MRDIMM) 技术，有效将内存带宽提升至上一代的2.3倍；同时，高达504MB的三级缓存和低延迟设计确保数据能够更快加载，为复杂模型训练和推理缩短响应时间。

英特尔®至强®6处理器不仅通过更多的核心和更高的单线程性能提升了AI大模型推理能力，同时也能够作为机头CPU为GPU和其他加速器提供高速数据供给，进一步缩短整体模型训练时间。在满足混合工作负载需求的同时，其TCO平均降低30%，大模型推理加速最高可达2.4倍。

无论是第五代至强还是全新的至强6处理器，英特尔均通过在核心架构、缓存系统、内存技术和专用AI加速器方面的全面革新，提供了业界领先的AI计算支持。这两款产品为数据中心和高性能计算平台在AI推理、训练以及多样化工作负载下提供了强大而高效的算力保障。

图1 英特尔高级矩阵扩展（AMX） 英特尔全方位的AI软件生态支持

英特尔及其合作伙伴凭借多年AI积累，围绕至强®可扩展处理器打造了完善的软件生态：广泛支持主流开源框架，通过插件优化及多样化开源工具链，使用户在x86平台上能够轻松开发、部署通用AI应用，无需手动调整，同时确保从终端到云的全程安全保护。

此外，至强®处理器内置多种AI加速指令（如AVX-512、AMX），使得任何兼容软件均可直接调用加速功能。开发者可免费下载英特尔分发版工具、库及开发环境，充分利用这些内置加速器应对各类AI管线需求。结合多样化硬件优势与开放生态，英特尔通过经济、可扩展的方案，将AI能力无缝延伸至云端与边缘。

其中，xFasterTransformer（xFT）是英特尔官方开源的AI推理框架，专为大语言模型在至强®平台上深度优化。xFT不仅支持多种数据精度（FP16、BF16、INT8、INT4），还能利用多CPU节点实现分布式部署，显著提升推理性能并降低成本。其简单的安装和与主流Serving框架（如vLLM、FastChat、MLServer、MindSpore Transformer、PaddlePaddle）的兼容性，帮助用户快速加速大模型应用。在3.1节中基于天翼云EMR云主机和xFasterTransformer加速引擎实现了对与DeepSeek R1蒸馏模型的高效推理部署。

图2 英特尔提供AI软件工具 全面兼容主流AI开发框架 附录2 CPU环境下部署DeepSeek-R1 671B模型实践 环境配置

硬件配置

• CPU：Intel®Xeon® 6980P Processor, 128core 2.00 GHz

• 内存 24*64GB DDR5-6400

• 存储 1TB NVMe SSD

软件环境

• OS: Ubuntu 22.04.5 LTS

• Kernel: 5.15.0-131-generic

• llama.cpp: github bd6e55b

• cmake: 3.22.0

• gcc/g++: 11.4.0

• Python: 3.12.8

• git: 2.34.1

BIOS⾥关闭sub NUMA相关配置。

注：版本是指本测试中服务器上安装的版本，并⾮要求的最低版本。

部署步骤 1. 安装llama.cpp

参考llama.cpp官⽹的安装说明，我们的步骤如下。

# 下载llama.cpp推理框架源码
gitclone https://github.com/ggerganov/llama.cpp.git 
cdllama.cpp
# 预先准备intel oneapi库
source/opt/intel/oneapi/setvars.sh
# 基于oneapi库对llama.cpp进行编译
cmake-B build -DGGML_BLAS=ON -DGGML_BLAS_VENDOR=Intel10_64lp -DCMAKE_C_COMPILER=icx -DCMAKE_CXX_COMPILER=icpx -DGGML_NATIVE=ON 
cmake--build build --config Release -j$nproc

2. 下载模型⽂件

我们直接使用了社区制作的DeepSeek 671B满血模型的Q4量化版，您也可以下载DeepSeek官方BF16版本，并通过 llama.cpp 提供的脚本转换为 GGUF 格式。

社区提供了从 1bit 到 8bit 不同版本的量化选项，具体区别可以参考社区网页。我们选择了使用最受欢迎的 Q4_K_M 版本。如果追求最佳效果，建议使用 Q8_0 版本。

# 下载unsloth制作的社区版量化模型(hf-mirror和modelscpoe源都可)
git clone —no-checkout https://hf-mirror.com/unsloth/DeepSeek-R1-GGUFcd DeepSeek-R1-GGUF/
# 建议nohup执行, 预计至少需要半天时间, 同时确保磁盘容量足够400G.
git lfs pull —include=”DeepSeek-R1-Q4_K_M/*”

Q4_K_M 版本的文件大小为 404.43GB，下载过程可能会比较耗时。下载完成后，您可以在 DeepSeek-R1-Q4_K_M 目录下找到一系列 .gguf 文件，例如 DeepSeek-R1-Q4_K_M-00001-of-00009.gguf。

3. 模型加载和运⾏

使用 llama-cli，指定模型文件路径并启用交互模式，DeepSeek R1 满血版就可以在 CPU 上顺利运行了。

build/bin/llama-cli -m /tmp/DeepSeek-R1-Q4_K_M/DeepSeek-R1-Q4_K_M-00001-of- 00009.gguf -i

下面用几个示例展现DeepSeek-R1 671B满血版强大的的reasoning推理能力:

测试模型自我认知:

验证推理能⼒的经典“草莓”问题:

“等灯等灯”的意思:

4. 性能及优化

那么CPU运⾏满⾎版R1的性能怎么样呢？我们做了相关性能测试。对于Q4_K_M模型，使⽤如下命令进行:

export MODEL_PATH=/tmp/DeepSeek-R1-Q4_K_M/DeepSeek-R1-Q4_K_M-00001-of-00009.gguf
numactl -C 0-127 -m 0 ./build/bin/llama-cli -m $MODEL_PATH -t 128 —temp 0.6 -s 42 -no-cnv —no-kv-offload -ctk q4_0 -c 8192 -n 128 -p “<｜User｜>以孤独的夜行者为题写一篇750字的散文，描绘一个人在城市中夜晚漫无目的行走的心情与所见所感，以及夜的寂静给予的独特感悟。<｜Assistant｜>”

这⾥使⽤numactl来指定使⽤单路CPU (0-127, 6980P有128核)，以及这⼀路CPU的内存节点（numa0），避免跨numa传输以获取最佳性能。

llama.cpp是本地编译的，编译的时候使⽤Intel oneAPI可以有效提升它的性能。英特尔尝试⽤了oneAPI⾥的Intel C++编译器和数学加速库MKL，结合jemalloc内存管理优化，推理速度可以达到每秒9.7~10词元 (TPS, tokens per second)。

上⾯的实验是在单路CPU上进⾏的，我们⼜在两路CPU上各⾃独⽴启动1个模型实例，总速度可以达到14.7TPS (7.32TPS+7.38TPS)。

再进⼀步，英特尔观察到基于现有的llama.cpp软件⽅案，在CPU平台没有实现⾼效的专家并⾏和张量并⾏等优化，CPU核⼼利⽤率和带宽资源没有充分发挥出来，6980P的128核⼼运⾏1个模型还有不少性能储备。预计可以继续增加实例数来获得更好的总TPS。

另外，通常情况下，CPU的SNC (Sub-NUMA Clustering)设置可以获得更⾼的带宽，但是受限于软件并未优化实现良好匹配，此次实验关闭了SNC测试。

以下⽅式的系统配置也有助于提升性能：

• BIOS⾥关闭AMP prefetcher

• ⽤cpupower打开CPU的pstate性能模式

• 提⾼CPU的uncore频率

• 关闭超线程(Hyper-Threading)

注: 为了加快试验进度，我们限制了词元输出⻓度(-n 128)。经过验证，增加输出⻓度(例如-n 512)对于生成性能指标的影响不大。