五連開源后，DeepSeek還有One More Thing！

就在剛剛，DeepSeek官方親自揭秘了DeepSeek-V3/R1推理系統(tǒng)。

重點(diǎn)包括，優(yōu)化吞吐量和延遲的方法：

• 跨節(jié)點(diǎn)EP驅(qū)動(dòng)的批量擴(kuò)展
• 計(jì)算與通信重疊
• 負(fù)載均衡

還公布了DeepSeek的在線服務(wù)數(shù)據(jù)統(tǒng)計(jì)：

• 每個(gè)H800節(jié)點(diǎn)每秒有73.7k/14.8k個(gè)輸入/輸出token
• 成本利潤率545%

更多細(xì)節(jié)，一起來看官方原文↓

更大的吞吐，更低的延遲

DeepSeek-V3/R1推理系統(tǒng)的優(yōu)化目標(biāo)是：更大的吞吐，更低的延遲。

為了實(shí)現(xiàn)這兩個(gè)目標(biāo)，我們的方案是使用大規(guī)?？绻?jié)點(diǎn)專家并行（ExpertParallelism/EP）。

首先EP使得batch size大大增加，從而提高GPU矩陣乘法的效率，提高吞吐。其次EP使得專家分散在不同的GPU上，每個(gè)GPU只需要計(jì)算很少的專家（因此更少的訪存需求），從而降低延遲。

但EP同時(shí)也增加了系統(tǒng)的復(fù)雜性。復(fù)雜性主要體現(xiàn)在兩個(gè)方面：

• EP引入跨節(jié)點(diǎn)的傳輸。為了優(yōu)化吞吐，需要設(shè)計(jì)合適的計(jì)算流程使得傳輸和計(jì)算可以同步進(jìn)行。
• EP涉及多個(gè)節(jié)點(diǎn)，因此天然需要Data Parallelism（DP），不同的DP之間需要進(jìn)行負(fù)載均衡。

因此，本文的主要內(nèi)容是如何使用EP增大batch size，如何隱藏傳輸?shù)暮臅r(shí)，如何進(jìn)行負(fù)載均衡。

大規(guī)?？绻?jié)點(diǎn)專家并行（Expert Parallelism/EP）

由于DeepSeek-V3/R1的專家數(shù)量眾多，并且每層256個(gè)專家中僅激活其中8個(gè)。模型的高度稀疏性決定了我們必須采用很大的overall batch size，才能給每個(gè)專家提供足夠的expert batch size，從而實(shí)現(xiàn)更大的吞吐、更低的延時(shí)。需要大規(guī)?？绻?jié)點(diǎn)專家并行（Expert Parallelism/EP）。

我們采用多機(jī)多卡間的專家并行策略來達(dá)到以下目的：

• Prefill：路由專家EP32、MLA和共享專家DP32，一個(gè)部署單元是4節(jié)點(diǎn)，32個(gè)冗余路由專家，每張卡9個(gè)路由專家和1個(gè)共享專家
• Decode：路由專家EP144、MLA和共享專家DP144，一個(gè)部署單元是18節(jié)點(diǎn)，32個(gè)冗余路由專家，每張卡2個(gè)路由專家和1個(gè)共享專家

計(jì)算通信重疊

多機(jī)多卡的專家并行會(huì)引入比較大的通信開銷，所以我們使用了雙batch重疊來掩蓋通信開銷，提高整體吞吐。

對(duì)于prefill階段，兩個(gè)batch的計(jì)算和通信交錯(cuò)進(jìn)行，一個(gè)batch在進(jìn)行計(jì)算的時(shí)候可以去掩蓋另一個(gè)batch的通信開銷；

△Prefill階段的雙batch重疊

對(duì)于decode階段，不同階段的執(zhí)行時(shí)間有所差別，所以我們把a(bǔ)ttention部分拆成了兩個(gè)stage，共計(jì)5個(gè)stage的流水線來實(shí)現(xiàn)計(jì)算和通信的重疊。

△Decode階段的雙batch重疊

關(guān)于更多雙batch重疊的細(xì)節(jié)，可以參考我們的profiling數(shù)據(jù)的GitHub倉庫：https://github.com/deepseek-ai/profile-data。

盡可能地負(fù)載均衡

由于采用了很大規(guī)模的并行（包括數(shù)據(jù)并行和專家并行），如果某個(gè)GPU的計(jì)算或通信負(fù)載過重，將成為性能瓶頸，拖慢整個(gè)系統(tǒng)；同時(shí)其他GPU因?yàn)榈却辙D(zhuǎn)，造成整體利用率下降。因此我們需要盡可能地為每個(gè)GPU分配均衡的計(jì)算負(fù)載、通信負(fù)載。

• Prefill Load Balancer

a.核心問題：不同數(shù)據(jù)并行（DP）實(shí)例上的請(qǐng)求個(gè)數(shù)、長度不同，導(dǎo)致core-attention計(jì)算量、dispatch發(fā)送量也不同

b.優(yōu)化目標(biāo)：各GPU的計(jì)算量盡量相同（core-attention計(jì)算負(fù)載均衡）、輸入的token數(shù)量也盡量相同（dispatch發(fā)送量負(fù)載均衡），避免部分GPU處理時(shí)間過長

• Decode Load Balancer
• 核心問題：不同數(shù)據(jù)并行（DP）實(shí)例上的請(qǐng)求數(shù)量、長度不同，導(dǎo)致core-attention計(jì)算量（與KVCache占用量相關(guān)）、dispatch發(fā)送量不同
• 優(yōu)化目標(biāo)：各GPU的KVCache占用量盡量相同（core-attention計(jì)算負(fù)載均衡）、請(qǐng)求數(shù)量盡量相同（dispatch發(fā)送量負(fù)載均衡）
• Expert-Parallel Load Balancer
• 核心問題：對(duì)于給定MoE模型，存在一些天然的高負(fù)載專家（expert），導(dǎo)致不同GPU的專家計(jì)算負(fù)載不均衡
• 優(yōu)化目標(biāo)：每個(gè)GPU上的專家計(jì)算量均衡（即最小化所有GPU的dispatch接收量的最大值）

參考架構(gòu)圖

線上系統(tǒng)的實(shí)際統(tǒng)計(jì)數(shù)據(jù)

DeepSeekV3和R1的所有服務(wù)均使用H800 GPU，使用和訓(xùn)練一致的精度，即矩陣計(jì)算和dispatch傳輸采用和訓(xùn)練一致的FP8格式，core-attention計(jì)算和combine傳輸采用和訓(xùn)練一致的BF16，最大程度保證了服務(wù)效果。

另外，由于白天的服務(wù)負(fù)荷高，晚上的服務(wù)負(fù)荷低，因此我們實(shí)現(xiàn)了一套機(jī)制，在白天負(fù)荷高的時(shí)候，用所有節(jié)點(diǎn)部署推理服務(wù)。晚上負(fù)荷低的時(shí)候，減少推理節(jié)點(diǎn)，以用來做研究和訓(xùn)練。在最近的24小時(shí)里（北京時(shí)間2025/02/27 12:00至2025/02/28 12:00），DeepSeekV3和R1推理服務(wù)占用節(jié)點(diǎn)總和，峰值占用為278個(gè)節(jié)點(diǎn)，平均占用226.75個(gè)節(jié)點(diǎn)（每個(gè)節(jié)點(diǎn)為8個(gè)H800 GPU）。假定GPU租賃成本為2美金/小時(shí)，總成本為$87,072/天。

在24小時(shí)統(tǒng)計(jì)時(shí)段內(nèi)，DeepSeekV3和R1：

輸入token總數(shù)為608B，其中342B tokens（56.3%）命中KVCache硬盤緩存。

輸出token總數(shù)為168B。平均輸出速率為20~22tps，平均每輸出一個(gè)token的KVCache長度是4989。

平均每臺(tái)H800的吞吐量為：對(duì)于prefill任務(wù)，輸入吞吐約73.7k tokens/s（含緩存命中）；對(duì)于decode任務(wù)，輸出吞吐約14.8k tokens/s。

以上統(tǒng)計(jì)包括了網(wǎng)頁、APP和API的所有負(fù)載。如果所有tokens全部按照DeepSeek R1的定價(jià)*計(jì)算，理論上一天的總收入為$562,027，成本利潤率545%。

*DeepSeek R1的定價(jià)：$0.14/百萬輸入tokens(緩存命中)，$0.55/百萬輸入tokens(緩存未命中)，$2.19/百萬輸出tokens。

當(dāng)然我們實(shí)際上沒有這么多收入，因?yàn)閂3的定價(jià)更低，同時(shí)收費(fèi)服務(wù)只占了一部分，另外夜間還會(huì)有折扣。