本文内容出自九天老师公开课，详细讨论了采用KTransformers部署Unsloth动态量化DeepSeek R1满血模型的全网最高性价比部署方案。话不多说，我们直接开始！
1. KTransformer与Unsloth动态量化方案介绍 截至目前，DeepSeek R1模型本地部署最具性价比的方案就是清华大学团队提出的KTransformer方案和Unsloth动态量化方案，两套方案都是借助CPU+GPU混合推理，来降低GPU购买的硬件成本，并且底层CPU推理实现也都是基于llama.cpp。- ktransformers：https://github.com/kvcache-ai/ktransformers
- Unsloth：https://github.com/unslothai/unsloth
- llama.cpp：https://github.com/ggml-org/llama.cpp
所不同的是，KTransformer采用了一种全新的计算流程，使得MLA/KV-Cache可以在GPU上运行，而其他模型参数则在CPU上完成计算，从而大幅加快CPU的计算速度。这种计算流程能够大幅加快DeepSeek MoE架构算法的计算速度，根据官方给出的数据，最高能得到14tokens/s，是llama.cpp推理速度的两倍。- 其一是模型并发较弱，由于采用了非常特殊的计算结构，导致无法通过增加GPU数量来增加并发；
- 其二是需要较大内存才能运行，官方给出的不同模型推理所需内存占用如下：
Unsloth提出的动态量化方案会更加综合一些，所谓动态量化的技术，指的是可以围绕模型的不同层，进行不同程度的量化，关键层呢，就量化的少一些，非关键层量化的多一些，最终得到了一组比Q2量化程度更深的模型组，分别是1.58-bit、1.73-bit和2.22-bit模型组。尽管量化程度很深，但实际性能其实并不弱。根据测试结果，1.58-bit动态量化几乎能达到90%以上Q4_K_M性能，远比Q2_K_M性能强得多。此外，Unsloth提供了一套可以把模型权重分别加载到CPU和GPU上的方法，用户可以根据自己实际硬件情况，选择加载若干层模型权重到GPU上，然后剩下的模型权重加载到CPU内存上进行计算。在实际部署的过程中，我们可以根据硬件情况，有选择的将一部分模型的层放到GPU上运行，其他层放在CPU上运行，从而降低GPU负载。最低显存+内存>=200G，即可运行1.58bit模型。单卡4090（24G）时可加载7层权重在GPU上运行，40并发达到3.5tokens/s，双卡A100服务器能加载全部0到61层模型权重到GPU上，吞吐量达到140tokens/s，100并发时单人能达到14 tokens/s：- 和llama.cpp深度融合，直接通过参数设置即可自由调度CPU和GPU计算资源，灵活高效，且能够直接和ollama、vLLM、Open-WebUI等框架兼容。
这两套方案此前曾单独开设公开课讲解过，感兴趣的小伙伴可以戳此观看：- 独家KTransformers技术实战：https://www.bilibili.com/video/BV1kyAke9EBA/
- 独家Unsloth动态量化部署满血DeepSeek：https://www.bilibili.com/video/BV1oePLezEZD/
2. 最高性价比方案：KTransformers+Unsloth结合部署方案 而自从这两套方案诞生以来，就有很多小伙伴畅想，能不能将这两个方案结合起来部署呢？一方面，借助Unsloth 1.58bit动态模型的高性能特性，一方面借助KTransformers的高性能计算特性，就能进一步压缩硬件成本、获得更好的计算性能，同时由于1.58bit动态量化模型本身占用存储空间更少，推理并发数量也能有所提升。 这确实是非常不错的思路，并且由于动态量化本身并没有改变模型结构，因此理论上也是可行的。但很遗憾，截至目前，KTransformers的三个版本，V0.2、V0.21和V0.3暂时都不支持Unsloth动态量化模型的推理。现在官方稳定版在运行Unsloth动态量化模型时会出现如下报错：因此，我们团队在深入研究KTransformers源码后，对V0.2版本的部分代码进行了修改，并最终适配1.58bit Unsloth动态量化模型，使得最低可以在60G内存、14G显存下顺利运行，至强3代CPU+DDR4+虚拟GPU运行时效果如下：需要注意的是，相同1.58bit模型，若使用Unsloth+llama.cpp运行方案，则需要至少4卡4090（分配35层在GPU上计算）才能达到相同的效果。并且在硬件配置达标的情况下，如至强4代以上+DDR5，则能达到12 tokens/s，且在5个左右并发时，能达到6-8 tokens/s。本节公开课，我们就来详细介绍下如何实现KTransformers+Unsloth联合部署。 截至视频上线时，KT+Unsloth结合方案所需Ktransformers尚未正式发布，因此需要下图扫码领取项目源码才能部署：3.KTransformers本地部署硬件配置说明 这里需要说明的是，KTransformers项目本身运行效果极大程度依赖CPU和内存型号，一般来说至强4代或第四代霄龙+DDR5才能保证14tokens/s。更多DeepSeek R1本地部署指南详见如下公开课。- 全网最全低成本部署方案+硬件采购避坑指南！：https://www.bilibili.com/video/BV1K7ACewEfM/
- PyTorch 2.5.1，Python 3.12(ubuntu22.04)，Cuda 12.4
- GPU：vGPU-32GB(32GB) * 1升降配置
- CPU：16 vCPU Intel(R) Xeon(R) Platinum 8352V CPU @ 2.10GHz
- 若无相关软件环境，也可以考虑在AutoDL上租赁显卡并配置Ubuntu服务器来完成操作。最小化实现微调效果，仅需单卡租赁最便宜的vGPU运行两小时即可得到结果，仅需不到5元即可完成实操：
- AutoDL相关操作详见公开课：《AutoDL快速入门与GPU租赁使用指南》|https://www.bilibili.com/video/BV1bxB7YYEST/
- KTransformer项目部署硬件配置方面需要注意如下事项：
- GPU对实际运行效率提升不大，单卡3090、单卡4090、或者是多卡GPU服务器都没有太大影响，只需要留足14G以上显存即可；
- 若是多卡服务器，则可以进一步尝试手动编写模型权重卸载规则，使用更多的GPU进行推理，可以一定程度减少内存需求，但对于实际运行效率提升不大。最省钱的方案仍然是单卡GPU+大内存配置；
- KTransformer目前开放了V2.0、V2.1和V3.0三个版本（V3.0目前只有预览版，只支持二进制文件下载和安装），其中V2.0和V2.1支持各类CPU，但从V3.0开始，只支持AMX CPU，也就是最新几代的Intel CPU。这几个版本实际部署流程和调用指令没有任何区别，公开课以适配性最广泛的V2.0版本进行演示，若当前CPU支持AMX，则可以考虑使用V3.0进行实验，推理速度会大幅加快。
- CPU AMX（Advanced Matrix Extensions）是Intel在其Sapphire Rapids系列处理器中推出的一种新型硬件加速指令集，旨在提升矩阵运算的性能，尤其是针对深度学习和人工智能应用。
- KTransformers+Unsloth方案极限配置下，最低仅需4500左右，具体配置如下：
| | | | 华南 X99-TF+ E5 板 U 套装（2696V3）+ A700 风扇 | | | 英特尔至强 E5-2696V3（18 核 36 线程） | | | 三星二手服务器拆机内存 DDR4 ECC 64GB | | | 光威（Gloway）M.2 1TB PCIe 4.0 读取速度 7000MB/s | | | | | | | | | | | | | |
- 并发性能：在5个用户，平均每隔1秒发送一个请求时，处理了50-100请求时，响应速度约为2个token/s。
公开课全套代码课件、以及项目源码和自定义的脚本，都已上传至”赋范大模型技术社区“，下图扫码即可领取：二、KTransformers入门介绍与基础环境搭建KTransformers（发音为“Quick Transformers”）旨在通过先进的内核优化和计算分布/并行化策略来增强你使用Transformers的体验。KTransformers 是一个灵活、以 Python 为中心的框架，其核心设计理念是可扩展性。用户仅需一行代码，即可实现优化模块的集成，并享受到以下特性：- 符合 OpenAI 和 Ollama 规范的 RESTful API
- 一个简化版的 ChatGPT 风格 Web UI（最新版已弃用）
项目定位将 KTransformers 打造成一个灵活的平台，供用户探索和实验创新的大模型推理优化技术。因此，项目支持编写自定义脚本来实现模型权重的灵活卸载。- GitHub主页：https://github.com/kvcache-ai/ktransformers
- 项目使用指南：https://kvcache-ai.github.io/ktransformers/index.html
1.3 KTransformers支持的模型及运行方式注：借助本节公开课提供的修改后的KT源码，可以运行Unsloth 1.58bit量化模型注：本节公开课运行的1.58bit动态量化模型，仅需60G内存+14G显存即可，并能达到95%的Q4_K_M模型性能。 KTransformers支持在Windows、Linux等操作系统下，使用源码部署或者docker工具进行部署。考虑到更为一般的企业级应用场景，本次实验采用Linux系统作为基础环境进行演示，并采用源码部署的方法进行部署。 本次实验使用官方推荐的DeepSeek R1 UD-IQ1_S，直接使用Unsloth压制的模型即可，模型下载地址：- 魔搭社区下载地址：https://www.modelscope.cn/models/unsloth/DeepSeek-R1-GGUF
- HuggingFace下载地址：https://huggingface.co/unsloth/DeepSeek-R1-GGUF
模型权重较大，总共约130G左右。若使用HuggingFace进行下载，则需要一些网络工具。- 由于实际下载时间可能持续2个小时，因此最好使用screen开启持久化会话，避免因为关闭会话导致下载中断。
- 创建一个名为kt的会话。之后哪怕关闭了当前会话，也可以使用如下命令
- 若未安装screen，可以使用sudo apt install screen命令进行安装。
- 使用modelscope进行权重下载，需要先安装魔搭社区
modelscopedownload--modelunsloth/DeepSeek-R1-GGUF--include'**UD-IQ1_S**'--local_dir/root/autodl-tmp/DeepSeek-R1-GGUF - 此外，根据KTransformer的项目要求，还需要下载DeepSeek R1原版模型的除了模型权重文件外的其他配置文件，方便进行灵活的专家加载。因此我们还需要使用modelscope下载DeepSeek R1模型除了模型权重（.safetensor）外的其他全部文件，可以按照如下方式进行下载
modelscopedownload--modeldeepseek-ai/DeepSeek-R1--exclude'*.safetensors'--local_dir/root/autodl-tmp/DeepSeek-R1 - 这里最终我们是下载了DeepSeek UD-IQ1_S模型权重和DeepSeek R1的模型配置文件，并分别保存在两个文件夹中：
- DeepSeek R1的模型配置文件地址：/root/autodl-tmp/DeepSeek-R1
- DeepSeek R1 UD-IQ1_S模型权重地址：/root/autodl-tmp/DeepSeek-R1-GGUF/DeepSeek-R1-UD-IQ1_S
三、KTransformer+Unsloth动态量化模型部署与调用流程 在准备好了DeepSeek R1 Q4_K_M的模型权重和DeepSeek R1模型配置文件之后，接下来开始着手部署KTransformer。该项目部署流程非常复杂，请务必每一步都顺利完成后，再执行下一步。在正式开始安装前，有以下几点需要事先声明：- 关于版本：目前KT开放了V2.0、V2.1和V3.0预览版。课程以目前兼容性最强的V2.0进行演示，并介绍V3.0部署方法。若CPU满足要求（有AMX功能），则可运行V3.0。
- V3.0版本需求：V3.0对软硬件环境要求较高，除了要求CPU支持AMX功能外，还要求Python 3.11以上及CUDA12.6。
- **注意！**截止视频上线时，KTransformers官方库并未支持1.58bit动态量化模型，因此只能通过下载修改后的源码进行运行：
condacreate--name kt python=3.11
conda init
source~/.bashrc
condaactivatekt
sudo apt-getupdate
sudo apt-getinstallgcc g++ cmake ninja-build
然后继续安装PyTorch、packaging、ninja：pipinstalltorchpackagingninjacpufeaturenumpy sudoapt-getinstall--only-upgradelibstdc++6 condainstall-cconda-forgelibstdcxx-ng 然后需要安装24.11.0版conda-libmamba-solver：condainstallconda-libmamba-solver=24.11.0 上传至服务器指定路径/root/autodl-tmp，tar-xzvfktransformers_offline.tar.gz
cdktransformers
该压缩包已包含相关依赖第三方项目，如llama.cpp等。接下要需要确认当前CPU的类型，如果是双槽版本64核CPU，则需要使用如下命令设置NUMA=1：例如，假设当前的服务器CPU为：64 vCPU Intel(R) Xeon(R) Gold 6430代表的就是64核双槽CPU，这种CPU往往出现在服务器使用场景中。因此这里需要先输入export USE_NUMA=1，然后再执行后续命令。而这里如果不是64核双槽CPU，则无需执行这个命令。而若是64核双槽CPU，但未执行export USE_NUMA=1就执行了后续命令，则需要再次输入export USE_NUMA=1，然后再次运行后面的命令。 部署完成后，即可尝试调用KTransformer进行对话。这里可以采用官方提供的最简单的对话脚本local_chat.py进行对话：python./ktransformers/local_chat.py--model_path/root/autodl-tmp/DeepSeek-R1--gguf_path/root/autodl-tmp/DeepSeek-R1-GGUF/DeepSeek-R1-UD-IQ1_S--max_new_tokens2048--force_thinktrue - <你的模型路径>可以是本地路径，也可以是来自 Hugging Face 的在线路径（如deepseek-ai/DeepSeek-V3）。如果在线出现连接问题，尝试使用镜像站点（如hf-mirror.com）。
- <你的GGUF路径>也可以是在线路径，但由于文件较大，建议下载并量化模型以满足需求（注意，这是目录路径）。
- --max_new_tokens 2048是最大输出token长度。如果发现答案被截断，可以增加该值以获得更长的答案（但请注意，增大会导致OOM问题，并且可能减慢生成速度）。
- --force_think true。打印R1模型的思考过程。
- 提示阶段（prompt eval）：模型处理了 12 个 token，耗时 1.4 秒，处理速率为 8 个 token 每秒。
- 评估阶段（eval eval）：模型处理了 277 个 token，耗时 54 秒，处理速率为 5 个 token 每秒。
- 由于AutoDL是虚拟化环境进行的运行，性能方面会受影响。
目前安装包已修复server API的若干Bug，已经可以正常使用。在网盘中下载KT压缩包：然后使用如下命令即可创建API服务，其中端口号可以根据实际情况自行设置：ktransformers--model_path/root/autodl-tmp/DeepSeek-R1--gguf_path/root/autodl-tmp/DeepSeek-R1-GGUF/DeepSeek-R1-UD-IQ1_S--port10002 curl-X POST \
'http://localhost:10002/v1/chat/completions'\
-H'accept: application/json'\
-H'Content-Type: application/json'\
-d'{
"messages": [
{
"content": "你好呀。",
"role": "user"
}
],
"model": "DeepSeek-R1",
"stream": false
}'
fromopenaiimportOpenAI
ds_api_key ="none"
# 实例化客户端
client = OpenAI(api_key=ds_api_key,
base_url="http://localhost:10002/v1")
# 调用 deepseek 模型
response = client.chat.completions.create(
model="Deepseek-R1",
messages=[
{"role":"user","content":"你好，好久不见!请介绍下你自己。"}
]
)
response
importre
# 原始文本
text = response.choices[0].message.content
# 使用正则表达式提取<think>和</think>之间的内容
think_content = re.search(r'<think>(.*?)</think>', text, re.DOTALL)
# 提取到的内容
think_content_text = think_content.group(1)ifthink_contentelseNone
think_content_text
首先需要安装Open-WebUI，官网地址如下：https://github.com/open-webui/open-webui。然后需要设置离线环境，避免Open-WebUI启动时自动进行模型下载：需要注意的是，如果启动的时候仍然报错显示无法下载模型，是Open-WebUI试图从huggingface上下载embedding模型，之后我们会手动将其切换为本地运行的Embedding模型。此时后台没有检测到任何模型，需要我们手动创建和本地的API连接，才能顺利调用本地模型。这里点击左下角设置—>函数—>加号：  importjson
importhttpx
importre
fromtypingimportAsyncGenerator, Callable, Awaitable
frompydanticimportBaseModel, Field
importasyncio
importtraceback
classPipe:
classValves(BaseModel):
DEEPSEEK_API_BASE_URL: str = Field(
default="https://api.deepseek.com/v1",
description="DeepSeek API的基础请求地址",
)
DEEPSEEK_API_KEY: str = Field(
default="", description="用于身份验证的DeepSeek API密钥，可从控制台获取"
)
DEEPSEEK_API_MODEL: str = Field(
default="deepseek-reasoner",
description="API请求的模型名称，默认为 deepseek-reasoner，多模型名可使用`,`分隔",
)
def__init__(self):
self.valves = self.Valves()
self.data_prefix ="data:"
self.emitter =None
defpipes(self):
models = self.valves.DEEPSEEK_API_MODEL.split(",")
return[
{
"id": model.strip(),
"name": model.strip(),
}
formodelinmodels
]
asyncdefpipe(
self, body: dict, __event_emitter__: Callable[[dict], Awaitable[None]] = None
)-> AsyncGenerator[str,None]:
"""主处理管道（已移除缓冲）"""
thinking_state = {"thinking":-1} # 用于存储thinking状态
self.emitter = __event_emitter__
# 用于存储联网模式下返回的参考资料列表
stored_references = []
# 联网搜索供应商 0-无 1-火山引擎 2-PPLX引擎 3-硅基流动
search_providers =0
waiting_for_reference =False
# 用于处理硅基的 [citation:1] 的栈
citation_stack_reference = [
"[",
"c",
"i",
"t",
"a",
"t",
"i",
"o",
"n",
":",
"",
"]",
]
citation_stack = []
# 临时保存的未处理的字符串
unprocessed_content =""
# 验证配置
ifnotself.valves.DEEPSEEK_API_KEY:
yieldjson.dumps({"error":"未配置API密钥"}, ensure_ascii=False)
return
# 准备请求参数
headers = {
"Authorization":f"Bearer{self.valves.DEEPSEEK_API_KEY}",
"Content-Type":"application/json",
}
try:
# 模型ID提取
model_id = body["model"].split(".",1)[-1]
payload = {**body,"model": model_id}
# 处理消息以防止连续的相同角色
messages = payload["messages"]
i =0
whilei < len(messages) -1:
ifmessages[i]["role"] == messages[i +1]["role"]:
# 插入具有替代角色的占位符消息
alternate_role = (
"assistant"ifmessages[i]["role"] =="user"else"user"
)
messages.insert(
i +1,
{"role": alternate_role,"content":"[Unfinished thinking]"},
)
i +=1
# 发起API请求
asyncwithhttpx.AsyncClient(http2=True)asclient:
asyncwithclient.stream(
" OST",
f"{self.valves.DEEPSEEK_API_BASE_URL}/chat/completions",
json=payload,
headers=headers,
timeout=300,
)asresponse:
# 错误处理
ifresponse.status_code !=200:
error =awaitresponse.aread()
yieldself._format_error(response.status_code, error)
return
# 流式处理响应
asyncforlineinresponse.aiter_lines():
ifnotline.startswith(self.data_prefix):
continue
# 截取 JSON 字符串
json_str = line[len(self.data_prefix) :].strip()
# 去除首尾空格后检查是否为结束标记
ifjson_str =="[DONE]":
return
try:
data = json.loads(json_str)
exceptjson.JSONDecodeErrorase:
error_detail =f"解析失败 - 内容：{json_str}，原因：{e}"
yieldself._format_error("JSONDecodeError", error_detail)
return
ifsearch_providers ==0:
# 检查 delta 中的搜索结果
choices = data.get("choices")
ifnotchoicesorlen(choices) ==0:
continue# 跳过没有 choices 的数据块
delta = choices[0].get("delta", {})
ifdelta.get("type") =="search_result":
search_results = delta.get("search_results", [])
ifsearch_results:
ref_count = len(search_results)
yield'<details type="search">\n'
yieldf"<summary>已搜索{ref_count}个网站</summary>\n"
foridx, resultinenumerate(search_results,1):
yieldf'>{idx}. [{result["title"]}]({result["url"]})\n'
yield"</details>\n"
search_providers =3
stored_references = search_results
continue
# 处理参考资料
stored_references = data.get("references", []) + data.get(
"citations", []
)
ifstored_references:
ref_count = len(stored_references)
yield'<details type="search">\n'
yieldf"<summary>已搜索{ref_count}个网站</summary>\n"
# 如果data中有references，则说明是火山引擎的返回结果
ifdata.get("references"):
foridx, referenceinenumerate(stored_references,1):
yieldf'>{idx}. [{reference["title"]}]({reference["url"]})\n'
yield"</details>\n"
search_providers =1
# 如果data中有citations，则说明是PPLX引擎的返回结果
elifdata.get("citations"):
foridx, referenceinenumerate(stored_references,1):
yieldf">{idx}.{reference}\n"
yield"</details>\n"
search_providers =2
# 方案 A: 检查 choices 是否存在且非空
choices = data.get("choices")
ifnotchoicesorlen(choices) ==0:
continue# 跳过没有 choices 的数据块
choice = choices[0]
# 结束条件判断
ifchoice.get("finish_reason"):
return
# 状态机处理
state_output =awaitself._update_thinking_state(
choice.get("delta", {}), thinking_state
)
ifstate_output:
yieldstate_output
ifstate_output =="<think>":
yield"\n"
# 处理并立即发送内容
content = self._process_content(choice["delta"])
ifcontent:
# 处理思考状态标记
ifcontent.startswith("<think>"):
content = re.sub(r"^<think>","", content)
yield"<think>"
awaitasyncio.sleep(0.1)
yield"\n"
elifcontent.startswith("</think>"):
content = re.sub(r"^</think>","", content)
yield"</think>"
awaitasyncio.sleep(0.1)
yield"\n"
# 处理参考资料
ifsearch_providers ==1:
# 火山引擎的参考资料处理
# 如果文本中包含"摘要"，设置等待标志
if"摘要"incontent:
waiting_for_reference =True
yieldcontent
continue
# 如果正在等待参考资料的数字
ifwaiting_for_reference:
# 如果内容仅包含数字或"、"
ifre.match(r"^(\d+|、)$", content.strip()):
numbers = re.findall(r"\d+", content)
ifnumbers:
num = numbers[0]
ref_index = int(num) -1
if0<= ref_index < len(stored_references):
ref_url = stored_references[ref_index][
"url"
]
else:
ref_url =""
content =f"[[{num}]]({ref_url})"
# 保持等待状态继续处理后续数字
# 如果遇到非数字且非"、"的内容且不含"摘要"，停止等待
elifnot"摘要"incontent:
waiting_for_reference =False
elifsearch_providers ==2:
# PPLX引擎的参考资料处理
defreplace_ref(m):
idx = int(m.group(1)) -1
if0<= idx < len(stored_references):
returnf"[[{m.group(1)}]]({stored_references[idx]})"
returnf"[[{m.group(1)}]]()"
content = re.sub(r"\[(\d+)\]", replace_ref, content)
elifsearch_providers ==3:
skip_outer =False
iflen(unprocessed_content) >0:
content = unprocessed_content + content
unprocessed_content =""
foriinrange(len(content)):
# 检查 content[i] 是否可访问
ifi >= len(content):
break
# 检查 citation_stack_reference[len(citation_stack)] 是否可访问
iflen(citation_stack) >= len(
citation_stack_reference
):
break
if(
content[i]
== citation_stack_reference[len(citation_stack)]
):
citation_stack.append(content[i])
# 如果 citation_stack 的位数等于 citation_stack_reference 的位数，则修改为 URL 格式返回
iflen(citation_stack) == len(
citation_stack_reference
):
# 检查 citation_stack[10] 是否可访问
iflen(citation_stack) >10:
ref_index = int(citation_stack[10]) -1
# 检查 stored_references[ref_index] 是否可访问
if(
0
<= ref_index
< len(stored_references)
):
ref_url = stored_references[
ref_index
]["url"]
else:
ref_url =""
# 将content中剩余的部分保存到unprocessed_content中
unprocessed_content ="".join(
content[i +1:]
)
content =f"[[{citation_stack[10]}]]({ref_url})"
citation_stack = []
skip_outer =False
break
else:
skip_outer =True
elif(
citation_stack_reference[len(citation_stack)]
==""
):
# 判断是否为数字
ifcontent[i].isdigit():
citation_stack.append(content[i])
skip_outer =True
else:
# 将 citation_stack 中全部元素拼接成字符串
content ="".join(citation_stack) + content
citation_stack = []
elif(
citation_stack_reference[len(citation_stack)]
=="]"
):
# 判断前一位是否为数字
ifcitation_stack[-1].isdigit():
citation_stack[-1] += content[i]
skip_outer =True
else:
content ="".join(citation_stack) + content
citation_stack = []
else:
iflen(citation_stack) >0:
# 将 citation_stack 中全部元素拼接成字符串
content ="".join(citation_stack) + content
citation_stack = []
ifskip_outer:
continue
yieldcontent
exceptExceptionase:
yieldself._format_exception(e)
asyncdef_update_thinking_state(self, delta: dict, thinking_state: dict)-> str:
"""更新思考状态机（简化版）"""
state_output =""
ifthinking_state["thinking"] ==-1anddelta.get("reasoning_content"):
thinking_state["thinking"] =0
state_output ="<think>"
elif(
thinking_state["thinking"] ==0
andnotdelta.get("reasoning_content")
anddelta.get("content")
):
thinking_state["thinking"] =1
state_output ="\n</think>\n\n"
returnstate_output
def_process_content(self, delta: dict)-> str:
"""直接返回处理后的内容"""
returndelta.get("reasoning_content","")ordelta.get("content","")
def_emit_status(self, description: str, done: bool = False)-> Awaitable[None]:
"""发送状态更新"""
ifself.emitter:
returnself.emitter(
{
"type":"status",
"data": {
"description": description,
"done": done,
},
}
)
returnNone
def_format_error(self, status_code: int, error: bytes)-> str:
ifisinstance(error, str):
error_str = error
else:
error_str = error.decode(errors="ignore")
try:
err_msg = json.loads(error_str).get("message", error_str)[:200]
exceptException:
err_msg = error_str[:200]
returnjson.dumps(
{"error":f"HTTP{status_code}:{err_msg}"}, ensure_ascii=False
)
def_format_exception(self, e: Exception)-> str:
tb_lines = traceback.format_exception(type(e), e, e.__traceback__)
detailed_error ="".join(tb_lines)
returnjson.dumps({"error": detailed_error}, ensure_ascii=False)
点击保存，回到对话页面，则能看到本地运行的DeepSeek-R1模型：更多关于Open-WebUI使用方法，如联网、连接本地知识库、连接外部工具（MySQL数据库）、代码解释器、多模型管理、用户管理等，详见公开课《DeepSeek R1终极部署指南》：https://www.bilibili.com/video/BV1qU9AYLEe3/至此，我们就完成了Ktransformers+Unsloth方案联合部署的全流程。
| 
