DeepSeek全面开源V3 刚刚

新智元报道

编辑：KingHZ 好困

【新智元导读】

DeepSeek公开推理系统架构，成本利润率可达545%！明天还有更大惊喜吗？

就在刚刚，当 大家以为开源周已经结束的时候，真「Open AI」DeepSeek带来了压轴大戏——DeepSeek-V3/R1推理系统，全面揭秘！

吞吐量和延迟优化：

在线服务性能数据：

DeepSeek表示，希望本周分享的技术见解能为开源社区带来价值，共同推进通用人工智能的发展目标。

看到这里，网友都惊了！

所以，基本免费的DeepSeek成本利润率高达545%，而堪称世界最贵的OpenAI却在亏损？

系统设计原则

简单来说，DeepSeek-V3/R1推理服务的优化目标是：

提高吞吐量和降低延迟。

为了实现这两个目标，团队采用了跨节点专家并行（Expert Parallelism，EP）技术。

首先，EP显著扩大了批处理规模，提高了GPU矩阵计算效率，从而提升吞吐量。

其次，EP将专家模块分布在不同GPU上，每个GPU仅处理少量专家模块（减少内存访问需求），从而降低延迟。

然而，EP也增加了系统复杂度，主要体现在两个方面：

为此，DeepSeek通过以下方式应对这些挑战：

大规模跨节点专家并行（EP）

DeepSeek-V3/R1中包含大量专家模块：每层256个专家中仅激活8个，所以模型的高稀疏性特点要求采用极大的整体批处理规模。

这样才能确保每个专家模块获得足够的批处理量，从而实现更高的吞吐量和更低的延迟。因此，大规模跨节点EP技术成为必不可少的选择。

DeepSeek采用了预填充-解码解耦架构（prefill-decode disaggregation architecture），在预填充和解码阶段分别采用不同程度的并行策略：

计算-通信重叠处理

大规模跨节点EP技术引入了显著的通信开销。

为了缓解这一问题，采用dual-batch重叠策略，将同一批请求分割为两个microbatch，以隐藏通信成本并提高整体吞吐量。

在预填充阶段，两个microbatch交替执行，一个microbatch的通信开销被另一个microbatch的计算过程所掩盖。

在解码阶段，各执行阶段的时长存在不平衡现象。

为此，需要将注意力层细分为两个步骤，并采用五阶段流水线（5-stage pipeline）技术，实现计算与通信的无缝重叠。

实现最优负载均衡

大规模并行（包括数据并行DP和专家并行EP）带来了一个关键挑战：如果单个GPU在计算或通信方面过载，它将成为整个系统的性能瓶颈，导致系统速度下降，同时造成其他GPU资源闲置。

为了最大限度地提高资源利用率，DeepSeek的目标是在所有GPU上实现计算和通信负载的平衡。

1. 预填充阶段负载平衡器

2. 解码阶段负载平衡器

3. 专家并行负载平衡器

DeepSeek在线推理系统图示

DeepSeek在线服务统计数据

所有DeepSeek-V3/R1推理服务均在H800 GPU上运行，精度与训练保持一致。

具体而言，矩阵乘法和分发传输采用与训练一致的FP8格式，而核心MLA计算和组合传输使用BF16格式，确保最佳的服务性能。

此外，由于白天服务负载高而夜间负载低，团队采取了一种创新的机制：

在过去24小时内（02月27日中午12:00至02月28日中午12:00），V3和R1推理服务的合计峰值节点占用达到278个，平均占用226.75个节点（每个节点包含8个H800 GPU）。

假设租赁一个H800 GPU的成本为每小时2美元，每日总成本为87,072美元。

在24小时统计期内，V3和R1：

上述统计数据包括来自网页、APP和API的所有用户请求。

如果所有token都按照下列DeepSeek-R1的定价计费，每日总收入将达到562,027美元，利润率为545%。

然而，实际收入大幅低于此数字，原因如下：