https://github.com/abetlen/llama-cpp-python
Flash Attention 2.8.3 在 Windows + RTX 3090 上成功编译与运行复盘笔记（2026年1月版）
这份笔记不仅是技术的记录，也是我们在【Project_Singularity “奇点计划”】中攻克首个重大壁垒的战勋。
我们在极其复杂的“未来版本环境”（VS 2026 Preview + CUDA 13.1）中，成功通过降级指定生成器的方法，完成了高性能本地编译。
以下是为了后继回顾方便，复盘整理的**《EPGF v7.0 核心引擎构建：llama-cpp-python CUDA 编译实战备忘录》**。
📝 技术复盘：llama-cpp-python CUDA 编译实战 (Windows)
日期：2026-01-31
项目：EPGF v7.0 "Project Singularity"
记录人：Zero & Chief Researcher：AITechLab
1. 核心背景与挑战
在 Windows 构建本地大模型推理环境时，直接使用 pip install llama-cpp-python 往往只能获得 CPU 版本（速度仅 2 token/s）。为了激活 NVIDIA 显卡的 Tensor Cores 加速，必须进行本地编译。
本次遭遇的特殊困难：
系统同时安装了多个 Visual Studio 版本（2019, 2022, 2026 Preview）。CMake 默认自动调用最新的 VS 2026 Preview，但 CUDA 13.1 的编译脚本尚未适配该预览版 IDE，导致 CMake 找不到 CUDA 工具链，从而静默回退到 CPU 模式，造成“安装成功但无加速”的假象。
2. 最终成功环境 (The Gold Standard)
-
OS: Windows 11 专业工作站版
-
GPU: NVIDIA GeForce RTX 3090 (24GB, Ampere架构 sm_86)
-
CUDA Toolkit: v13.1 (系统级完整安装)
-
C++ 编译器: Visual Studio 2022 (核心关键：强制指定此版本)
-
Python: 3.11.13 (虚拟环境 .venv)
-
PyTorch: 2.5.1+cu121 (作为辅助库存在)
-
构建工具: scikit-build-core, cmake, ninja, setuptools, wheel
3. 关键安装步骤 (SOP)
第一步：净化环境与预备
确保虚拟环境纯净，安装必要的编译辅助工具。
CMD 命令
REM 1. 激活虚拟环境
.venv\\Scripts\\activate
REM 2. 在环境中安装 torch+cuda
pip install torch torchvision torchaudio –index-url https://download.pytorch.org/whl/cu121
REM 3. 清理可能存在的错误缓存 (非常重要，防止 pip 复用 CPU 版缓存)
pip cache purge
pip uninstall llama-cpp-python -y
REM 4. 安装构建依赖
pip install scikit-build-core cmake ninja setuptools wheel
第二步：配置“精确制导”编译参数 (核心)
这是解决多 VS 版本冲突的关键。我们通过环境变量强制 CMake 使用 VS 2022 生成器，而不是默认的 VS 2026。
CMD 命令
REM 设置 CMake 参数
REM -DGGML_CUDA=on : 开启 CUDA 加速
REM -G "Visual Studio 17 2022" : 强制指定 VS 2022 生成器 (避开 Preview 版 BUG)
REM -A x64 : 强制构建 64 位版本
set CMAKE_ARGS=-DGGML_CUDA=on -G "Visual Studio 17 2022" -A x64
第三步：执行源码编译
让 pip 下载源码并调用本地编译器构建 Wheel。
CMD 命令
REM –no-cache-dir : 禁用缓存，强制重编
REM –force-reinstall : 强制重装
REM –upgrade : 确保最新版
pip install llama-cpp-python –no-cache-dir –force-reinstall –upgrade
预期耗时：3-10 分钟。若看到滚屏日志中出现 Successfully installed MarkupSafe-3.0.3 diskcache-5.6.3 jinja2-3.1.6 llama-cpp-python-0.3.16 numpy-2.4.2 typing-extensions-4.15.0 … 即代表成功。
4. 成功验证指标 (Validation)
如何判断安装的是 核动力(GPU) 版还是 蒸汽机(CPU) 版？
指标 A：安装包体积
-
CPU 版本：编译出的 .whl 文件大小通常在 2 MB – 5 MB 左右。
-
GPU 版本：由于包含 CUDA Kernels，体积通常在 30 MB – 100 MB 之间（本次成功体积为 ~34 MB）。
指标 B：运行时日志
运行以下 Python 代码自测：
进入 Python 环境验证
from llama_cpp import Llama
# 初始化时观察控制台输出
llm = Llama(model_path="你的模型路径.gguf", n_gpu_layers=-1, verbose=True)
必须包含以下特征日志：
ggml_cuda_init: found 1 CUDA devices: (检测到显卡)
Device 0: NVIDIA GeForce RTX 3090 (显卡型号正确)
llm_load_tensors: offloaded 65/65 layers to GPU (层级完全卸载)
5. 总结与建议
关于 VS 版本：在 AI 编译领域，“最新”不等于“最好”。CUDA 和 PyTorch 对开发环境的适配通常滞后 6-12 个月。保持一个稳定的 Visual Studio 2022 Community 是开发者的最佳实践。
关于 CMake：当环境复杂时，不要信任自动检测。使用 -G 参数显式指定编译器是解决兼容性问题的终极手段。
关于 Jllllll：如果本地编译实在无法通过（如缺少 VS 环境），可以直接使用 pip install … –index-url https://jllllll.github.io/llama-cpp-python-cuBLAS-wheels/whl/cu124 下载预编译包作为备选。但本地编译的版本通常针对本机硬件优化更好。
