就在剛剛，當(dāng)大家以為開源周已經(jīng)結(jié)束的時候，真「Open AI」DeepSeek帶來了壓軸大戲——DeepSeek-V3/R1推理系統(tǒng)，全面揭秘！

吞吐量和延遲優(yōu)化：

• 跨節(jié)點高效并行（EP）驅(qū)動的批處理擴(kuò)展
• 計算與通信并行處理
• 智能負(fù)載均衡

在線服務(wù)性能數(shù)據(jù)：

• 每個H800節(jié)點每秒處理73,700/14,800輸入/輸出token
• 成本利潤率高達(dá)545%

DeepSeek表示，希望本周分享的技術(shù)見解能為開源社區(qū)帶來價值，共同推進(jìn)通用人工智能的發(fā)展目標(biāo)。

看到這里，網(wǎng)友都驚了！

所以，基本免費的DeepSeek成本利潤率高達(dá)545%，而堪稱世界最貴的OpenAI卻在虧損？

系統(tǒng)設(shè)計原則

簡單來說，DeepSeek-V3/R1推理服務(wù)的優(yōu)化目標(biāo)是：提高吞吐量和降低延遲。

為了實現(xiàn)這兩個目標(biāo)，團(tuán)隊采用了跨節(jié)點專家并行（Expert Parallelism，EP）技術(shù)。

首先，EP顯著擴(kuò)大了批處理規(guī)模，提高了GPU矩陣計算效率，從而提升吞吐量。

其次，EP將專家模塊分布在不同GPU上，每個GPU僅處理少量專家模塊（減少內(nèi)存訪問需求），從而降低延遲。

然而，EP也增加了系統(tǒng)復(fù)雜度，主要體現(xiàn)在兩個方面：

1. EP引入了跨節(jié)點通信。為了優(yōu)化吞吐量，需要設(shè)計合理的計算工作流，使通信過程與計算過程能夠并行進(jìn)行。
2. EP涉及多個節(jié)點，因此必然需要數(shù)據(jù)并行（Data Parallelism，DP），并要求在不同DP實例之間進(jìn)行負(fù)載均衡。

為此，DeepSeek通過以下方式應(yīng)對這些挑戰(zhàn)：

• 利用EP技術(shù)擴(kuò)展批處理規(guī)模
• 將通信延遲與計算過程重疊處理
• 實現(xiàn)有效的負(fù)載均衡

大規(guī)模跨節(jié)點專家并行（EP）

DeepSeek-V3/R1中包含大量專家模塊：每層256個專家中僅激活8個，所以模型的高稀疏性特點要求采用極大的整體批處理規(guī)模。

這樣才能確保每個專家模塊獲得足夠的批處理量，從而實現(xiàn)更高的吞吐量和更低的延遲。因此，大規(guī)模跨節(jié)點EP技術(shù)成為必不可少的選擇。

DeepSeek采用了預(yù)填充-解碼解耦架構(gòu)（prefill-decode disaggregation architecture），在預(yù)填充和解碼階段分別采用不同程度的并行策略：

1. 預(yù)填充階段「路由專家EP32，MLA/共享專家DP32」：每個部署單元跨越4個節(jié)點，配置32個冗余路由專家，每個GPU負(fù)責(zé)處理9個路由專家和1個共享專家。
2. 解碼階段「路由專家EP144，MLA/共享專家DP144」：每個部署單元跨越18個節(jié)點，配置32個冗余路由專家，每個GPU管理2個路由專家和1個共享專家。

計算-通信重疊處理

大規(guī)模跨節(jié)點EP技術(shù)引入了顯著的通信開銷。

為了緩解這一問題，采用dual-batch重疊策略，將同一批請求分割為兩個microbatch，以隱藏通信成本并提高整體吞吐量。

在預(yù)填充階段，兩個microbatch交替執(zhí)行，一個microbatch的通信開銷被另一個microbatch的計算過程所掩蓋。

在解碼階段，各執(zhí)行階段的時長存在不平衡現(xiàn)象。

為此，需要將注意力層細(xì)分為兩個步驟，并采用五階段流水線（5-stage pipeline）技術(shù)，實現(xiàn)計算與通信的無縫重疊。

實現(xiàn)最優(yōu)負(fù)載均衡

大規(guī)模并行（包括數(shù)據(jù)并行DP和專家并行EP）帶來了一個關(guān)鍵挑戰(zhàn)：如果單個GPU在計算或通信方面過載，它將成為整個系統(tǒng)的性能瓶頸，導(dǎo)致系統(tǒng)速度下降，同時造成其他GPU資源閑置。

為了最大限度地提高資源利用率，DeepSeek的目標(biāo)是在所有GPU上實現(xiàn)計算和通信負(fù)載的平衡。

1. 預(yù)填充階段負(fù)載平衡器

• 關(guān)鍵問題：不同數(shù)據(jù)并行實例之間的請求數(shù)量和序列長度差異導(dǎo)致核心注意力計算和分發(fā)發(fā)送負(fù)載不平衡。
• 優(yōu)化目標(biāo)：

• 平衡各GPU之間的核心注意力計算（核心注意力計算負(fù)載均衡）；
• 均衡每個GPU處理的輸入token數(shù)量（分發(fā)發(fā)送負(fù)載均衡），避免特定GPU出現(xiàn)處理延遲。

2. 解碼階段負(fù)載平衡器

• 關(guān)鍵問題：數(shù)據(jù)并行實例之間請求數(shù)量和序列長度不均導(dǎo)致核心注意力計算（與KV緩存使用相關(guān)）和分發(fā)發(fā)送負(fù)載的差異。
• 優(yōu)化目標(biāo)：

• 平衡各GPU之間的KV緩存（KVCache）使用（核心注意力計算負(fù)載均衡）；
• 均衡每個GPU的請求處理數(shù)量（分發(fā)發(fā)送負(fù)載均衡）。

3. 專家并行負(fù)載平衡器

• 關(guān)鍵問題：在混合專家模型（Mixture of Experts，MoE）中，存在天然的高負(fù)載專家，導(dǎo)致不同GPU上的專家計算工作負(fù)載不平衡。
• 優(yōu)化目標(biāo)：

• 平衡每個GPU上的專家計算工作量（即最小化所有GPU中的最大分發(fā)接收負(fù)載）。

DeepSeek在線推理系統(tǒng)圖示

DeepSeek在線服務(wù)統(tǒng)計數(shù)據(jù)

所有DeepSeek-V3/R1推理服務(wù)均在H800 GPU上運行，精度與訓(xùn)練保持一致。

具體而言，矩陣乘法和分發(fā)傳輸采用與訓(xùn)練一致的FP8格式，而核心MLA計算和組合傳輸使用BF16格式，確保最佳的服務(wù)性能。

此外，由于白天服務(wù)負(fù)載高而夜間負(fù)載低，團(tuán)隊采取了一種創(chuàng)新的機(jī)制：

在白天高峰時段，所有節(jié)點都部署推理服務(wù)；

在夜間低負(fù)載時段，減少推理節(jié)點并將資源分配給研究和訓(xùn)練。

在過去24小時內(nèi)（02月27日中午12:00至02月28日中午12:00），V3和R1推理服務(wù)的合計峰值節(jié)點占用達(dá)到278個，平均占用226.75個節(jié)點（每個節(jié)點包含8個H800 GPU）。

假設(shè)租賃一個H800 GPU的成本為每小時2美元，每日總成本為87,072美元。

在24小時統(tǒng)計期內(nèi)，V3和R1：

• 總輸入token：6080億，其中3420億token（56.3%）命中磁盤上的KV緩存。
• 總輸出token：1680億。平均輸出速度為每秒20-22個token，每個輸出token的平均KV緩存長度為4,989個token。
• 每個H800節(jié)點在預(yù)填充階段提供平均約7.37萬token/秒的輸入吞吐量（包括緩存命中），或在解碼階段提供約1.48萬token/秒的輸出吞吐量。

上述統(tǒng)計數(shù)據(jù)包括來自網(wǎng)頁、APP和API的所有用戶請求。

如果所有token都按照下列DeepSeek-R1的定價計費，每日總收入將達(dá)到562,027美元，利潤率為545%。

R1定價：輸入token（緩存命中）每百萬0.14美元，輸入token（緩存未命中）每百萬0.55美元，輸出token每百萬2.19美元。

然而，實際收入大幅低于此數(shù)字，原因如下：

• DeepSeek-V3的定價顯著低于R1
• 只有部分服務(wù)實現(xiàn)了商業(yè)化（網(wǎng)頁和APP訪問仍然免費）
• 在非高峰時段自動應(yīng)用夜間折扣