3FS
3FS（Fire-Flyer File System）是一款专为人工智能训练与推理场景打造的高性能分布式文件系统。它旨在解决大模型开发中面临的海量数据读写瓶颈、存储一致性难保障以及传统缓存成本过高等核心痛点。
该系统特别适合从事大规模 AI 模型训练的算法工程师、系统架构师及科研人员使用。3FS 通过独特的“分离式架构”，能够聚合数千块 SSD 的吞吐能力与数百个存储节点的网络带宽，让应用无需关心数据物理位置即可高效访问。其技术亮点包括：采用 CRAQ 协议确保强一致性，简化了分布式应用的开发逻辑；提供标准的文件接口，开发者无需学习新的 API 即可上手；支持基于事务键值对的无状态元数据服务。
在实际应用中，3FS 不仅能高效管理数据分析流水线的中间产物，还能消除训练时对数据预取或打乱的依赖，实现跨节点的随机高速访问。此外，它为推理过程中的 KVCache 提供了一种高性价比的替代方案，相比传统内存缓存，在保持高吞吐的同时显著扩大了容量。测试数据显示，在大规模集群下，3FS 的聚合读取吞吐量可高达 6.6 TiB/s，是构建高性能 AI 基础设施的理想选择。
使用场景
某大型 AI 实验室正在训练千亿参数大模型，需同时处理海量训练数据加载、高频断点续训及推理阶段的 KVCache 缓存。
没有 3FS 时
- 数据加载瓶颈：传统存储无法支撑数百个计算节点并发随机读取训练样本，被迫采用复杂的数据预取和打乱策略，仍常因 I/O 等待导致 GPU 闲置。
- 断点保存缓慢：大规模训练 checkpointing 时，串行或低吞吐的写入过程耗时极长，显著拉长整体训练周期，且故障恢复风险高。
- 推理成本高昂：推理阶段依赖昂贵的 DRAM 存储 KVCache，显存容量受限导致批处理大小（Batch Size）难以提升，单位 token 生成成本居高不下。
- 开发维护复杂：缺乏强一致性保证，分布式应用需自行处理数据竞争和状态同步问题，代码逻辑复杂且容易出错。
使用 3FS 后
- 极致数据吞吐：利用 3FS 的解耦架构和 RDMA 网络，实现跨节点数据的原地随机访问，彻底消除预取需求，GPU 利用率接近 100%。
- 高速并行落盘：支持高吞吐并行检查点写入，将原本数分钟的保存过程压缩至秒级，大幅缩短训练迭代时间并提升容错效率。
- 大容量低成本缓存：将 KVCache 卸载至 3FS，以 SSD 的低成本获得远超 DRAM 的缓存容量，显著提升推理吞吐量并降低单次调用成本。
- 简化开发逻辑：基于 CRAQ 协议的强一致性特性，让开发者无需关心底层数据同步，直接使用标准文件接口即可构建可靠的分布式应用。
3FS 通过融合高性能 SSD 与 RDMA 网络，为 AI 全链路工作负载提供了统一、极速且易用的共享存储底座。
运行环境要求
- Linux (Ubuntu 20.04
- Ubuntu 22.04
- openEuler 2403sp1
- OpenCloudOS 9
- TencentOS 4)
未说明
未说明 (测试集群计算节点配置为 2.2 TiB RAM，但非最低运行要求)
快速开始
火萤文件系统
火萤文件系统（3FS）是一个高性能的分布式文件系统，旨在解决人工智能训练和推理工作负载中的挑战。它利用现代固态硬盘和RDMA网络，提供一个共享存储层，从而简化分布式应用程序的开发。3FS的主要特性与优势包括：
性能与易用性
- 解耦架构 结合了数千块SSD的吞吐量以及数百个存储节点的网络带宽，使应用能够以不依赖于本地性的形式访问存储资源。
- 强一致性 实现了按比例查询的链式复制（CRAQ）机制来保证强一致性，使得应用代码简单且易于理解。
- 文件接口 基于事务型键值存储（如FoundationDB）构建无状态元数据服务。文件接口广为人知且被广泛应用，无需学习新的存储API。
多样化的工作负载
- 数据准备 将数据分析流水线的输出组织成层次化的目录结构，并高效管理大量中间结果。
- 数据加载器 通过支持跨计算节点对训练样本的随机访问，消除了预取或打乱数据集的需求。
- 检查点机制 支持大规模训练中的高吞吐并行检查点操作。
- 推理用KV缓存 提供了一种经济高效的DRAM替代方案，具备高吞吐量和显著更大的容量。
文档
性能
1. 峰值吞吐量
下图展示了在大型3FS集群上进行读取压力测试时的吞吐量。该集群由180个存储节点组成，每个节点配备2张200Gbps InfiniBand网卡和16块14TiB NVMe SSD。大约500多个客户端节点参与了此次读取压力测试，每个客户端节点配置1张200Gbps InfiniBand网卡。最终总读取吞吐量达到约6.6 TiB/s，同时还有来自训练作业的背景流量。
要对3FS进行基准测试，请使用我们的用于USRBIO的fio引擎。
2. GraySort
我们使用GraySort基准测试评估了smallpond，该测试用于衡量大规模数据集上的排序性能。我们的实现采用了两阶段方法：(1) 通过密钥前缀位进行shuffle分区；(2) 在各分区内进行排序。这两个阶段均从3FS读写数据。
测试集群由25个存储节点（每节点2个NUMA域，1个存储服务/NUMA，2×400Gbps NIC/节点）和50个计算节点（2个NUMA域，192个物理核心，2.2 TiB RAM，1×200 Gbps NIC/节点）组成。在30分14秒内完成了对8,192个分区中110.5 TiB数据的排序，平均吞吐率达到3.66 TiB/min。
3. KVCache
KVCache是一种用于优化LLM推理过程的技术。它通过在解码器层中缓存先前标记的键和值向量，避免了重复计算。 上图展示了所有KVCache客户端（1×400Gbps NIC/节点）的读取吞吐量，突出了峰值和平均值，其中峰值吞吐量高达40 GiB/s。下图则展示了在同一时间段内垃圾回收（GC）移除操作的IOPS。
克隆源代码
从GitHub克隆3FS仓库：
git clone https://github.com/deepseek-ai/3fs
当deepseek-ai/3fs已被克隆到本地文件系统后，运行以下命令以检出子模块：
cd 3fs
git submodule update --init --recursive
./patches/apply.sh
安装依赖项
安装依赖项：
# 对于Ubuntu 20.04。
apt install cmake libuv1-dev liblz4-dev liblzma-dev libdouble-conversion-dev libdwarf-dev libunwind-dev \
libaio-dev libgflags-dev libgoogle-glog-dev libgtest-dev libgmock-dev clang-format-14 clang-14 clang-tidy-14 lld-14 \
libgoogle-perftools-dev google-perftools libssl-dev libclang-rt-14-dev gcc-10 g++-10 libboost1.71-all-dev build-essential
# 对于Ubuntu 22.04。
apt install cmake libuv1-dev liblz4-dev liblzma-dev libdouble-conversion-dev libdwarf-dev libunwind-dev \
libaio-dev libgflags-dev libgoogle-glog-dev libgtest-dev libgmock-dev clang-format-14 clang-14 clang-tidy-14 lld-14 \
libgoogle-perftools-dev google-perftools libssl-dev gcc-12 g++-12 libboost-all-dev build-essential
# 对于openEuler 2403sp1
yum install cmake libuv-devel lz4-devel xz-devel double-conversion-devel libdwarf-devel libunwind-devel \
libaio-devel gflags-devel glog-devel gtest-devel gmock-devel clang-tools-extra clang lld \
gperftools-devel gperftools openssl-devel gcc-12 g++-12 libboost-all-dev build-essential
# 对于OpenCloudOS 9和TencentOS 4
dnf install epol-release wget git meson cmake perl lld gcc gcc-c++ autoconf lz4 lz4-devel xz xz-devel \
double-conversion-devel libdwarf-devel libunwind-devel libaio-devel gflags-devel glog-devel \
libuv-devel gmock-devel gperftools gperftools-devel openssl-devel boost-static boost-devel mono-devel \
libevent-devel libibverbs-devel numactl-devel python3-devel
安装其他构建前提条件：
libfuse3.16.1或更高版本- FoundationDB 7.1或更高版本
- Rust工具链：最低1.75.0，推荐1.85.0或更高版本（最新稳定版）
构建3FS
在build文件夹中构建3FS：
# 请根据您的环境将 <method> 替换为 'g++10' 或 'g++11'
cmake -S . -B build \
-DCMAKE_CXX_COMPILER=clang++-14 -DCMAKE_C_COMPILER=clang-14 \
-DCMAKE_BUILD_TYPE=RelWithDebInfo -DCMAKE_EXPORT_COMPILE_COMMANDS=ON \
-DSHUFFLE_METHOD=<method>
cmake --build build -j 32
由于历史上一直使用 std::shuffle，因此使用不同编译器版本（例如 g++10 与 g++11+）编译的二进制文件可能存在不兼容问题（问题）。为了解决这一问题，您必须在编译时显式指定 -DSHUFFLE_METHOD，以锁定一致的洗牌算法：
- 现有集群：请使用之前部署该集群所用编译器版本对应的洗牌方法（
g++10或g++11）。 - 新建集群：您可以选择
g++10或g++11。然而，一旦集群部署完成，后续的所有构建都必须保持相同的配置，以确保兼容性。
使用 Docker 构建 3FS
- 对于 TencentOS-4：
docker pull docker.io/tencentos/tencentos4-deepseek3fs-build:latest - 对于 OpenCloudOS-9：
docker pull docker.io/opencloudos/opencloudos9-deepseek3fs-build:latest
运行测试集群
请按照 部署指南 中的说明运行一个测试集群。
报告问题
如有问题，请访问 https://github.com/deepseek-ai/3fs/issues 进行报告。
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。