清华大学开源赤兔大模型推理引擎，DeepSeek 推理成本减半，吐字效率翻倍

最近 DeepSeek 火爆全网，相信不少同学都看过所谓的清华大学 DeepSeek 提示词教程（笑）。清华大学是真干实事，近日开源最新的大模型推理引擎赤兔（chitu），是一个专注于效率、灵活性和可用性的高性能大语言模型推理框架。

• 多元算力适配：不仅支持 NVIDIA 最新旗舰到旧款的多系列产品，也为国产芯片提供优化支持。
• 全场景可伸缩：从纯 CPU 部署、单 GPU 部署到大规模集群部署，赤兔引擎提供可扩展的解决方案。
• 长期稳定运行：可应用于实际生产环境，稳定性足以承载并发业务流量。

所谓人中吕布，马中赤兔，名字寓意很好，而性能也超越或者与 vLLM 相当，可谓是名副其实了。我们先看一组实测数据，感受一下赤兔推理引擎的强大。

1. A800 实测

在 A800(40GB) 集群上部署 DeepSeek-R1-671B，vLLM 与 Chitu 同时运行 DeepSeek-R1-671B，3 节点可达 vLLM 6 节点的吐字效率。

这里官方 Repo 没做说明，推测应该是每机器节点 8 卡 A800，即 240G 显存，共 3 个（720G）或者 6 个节点（1440G），不然显存无法运行 BF8 或者 BF16 的满血版本 R1。

乍一看好像很强，其实这个数据没那么明显。事实上，我们应该比的是 6 节点之间的比较，6.85 和 8.5 的差距，有提升但不大。3 节点因为运行的是 FP8，所以不好直接比较的。好在，官网也有在双机 8 卡 H20（96G）上的实测对比数据。

2. H20 实测

在批量较小的情况下，chitu 性能略强或相当于 vllm，在大批量场景下，chitu 的性能有巨大的下降，大约只有 vllm 的 67.9%。

官方表示，我们将在 Chitu 的后续版本中对大批量处理场景进行优化。

我相信大批量场景下，chitu 很快就会优化好。毕竟单 batch 性能领先情况下，大批量只是时间问题，毕竟 3 月 14 号刚开源，就敢和老牌开源推理引擎 vLLM 掰手腕。

3. 支持的模型

官方目前没有一个支持模型的列表，从官方 Repo 上看，涵盖了从 Qwen 7B 到 DeepSeek 671B，主流的开源模型基本都包含了。

• DeepSeek-R1-Distill-Qwen-14B
• DeepSeek-R1-bf16
• DeepSeek-R1
• Meta-Llama-3-8B-Instruct-original
• Mixtral-8x7B-Instruct-v0.1
• Qwen2-72B-Instruct
• Qwen2-7B-Instruct
• glm-4-9b-chat

4. 总结

具体部署可参考官方 Repohttps://github.com/thu-pacman/chitu，希望赤兔越来越快，快如其名！