梁文锋参与发表回顾性论文：DeepSeek首次揭秘V3模型背后扩展方案
梁文锋参与发表回顾性论文：DeepSeek首次揭秘V3模型背后扩展方案
AI寒武纪
DeepSeek建议，未来硬件应提高累积精度（如FP32）或支持可配置的累积精度；同时，Tensor Core应能原生支持细粒度量化，直接接收缩放因子并执行带组缩放的矩阵乘法，避免频繁数据搬运。NVIDIA Blackwell的microscaling数据格式正是这一方向的体现。
DeepSeek刚刚发表了一篇名为《深入解读 DeepSeek-V3：AI 架构的扩展挑战与硬件思考》（Insights into DeepSeek-V3: Scaling Challenges and Reflections on Hardware for AI Architectures）的回顾性论文，梁文锋也是作者之一。这篇论文深入剖析了最新的大模型DeepSeek-V3及其AI基础设施扩展方案，DeepSeek-V3的实践充分证明了硬件-软件协同设计在提升AI系统可扩展性、效率和鲁棒性方面的巨大潜力
强烈推荐精读！
快速解读一下这篇论文
论文开宗明义：软硬协同
文章一上来就点明了当前大模型（LLM）发展的核心矛盾：模型规模、训练数据和算力需求飞速增长，但现有硬件架构在内存容量、计算效率和互连带宽方面都面临严峻挑战。DeepSeek-V3的成功，恰恰证明了“硬件感知模型协同设计”是解决这些挑战、实现大规模经济高效训练和推理的关键。
这篇论文的目标不是重复DeepSeek-V3的技术报告，而是从硬件架构和模型设计的双重角度，探讨它们之间复杂的相互作用，并为未来AI系统的可扩展性、成本效益提供实用蓝图
DeepSeek-V3核心设计揭秘：三大挑战，逐个击破
DeepSeek团队围绕LLM扩展的三大核心挑战——内存效率、成本效益、推理速度——对DeepSeek-V3进行了精心设计
一、内存效率：榨干每一滴显存
首先是低精度模型 (FP8)。相比BF16，FP8直接将模型权重内存占用减半，极大缓解了“内存墙”问题。这一点在后面会详细展开
其次，DeepSeek-V2/V3采用的MLA (Multi-head Latent Attention) 技术，通过一个可共同训练的投影矩阵，将所有注意力头的KV表示压缩到一个更小的“潜向量”（latent vector）中。推理时只需缓存这个潜向量，大幅降低内存消耗。论文给出的对比数据显示，DeepSeek-V3 (MLA) 每token的KV Cache仅为70.272KB，而采用GQA的Qwen-2.5 72B为327.680KB，LLaMA-3.1 405B更是高达516.096KB。MLA的优势可见一斑！
此外，论文也提及了业界其他有价值的方法，如GQA/MQA（分组/多查询注意力）共享KV对，Windowed KV（滑动窗口），以及量化压缩等。并展望了线性时间复杂度的注意力机制（如Mamba-2, Lightning Attention）和稀疏注意力的潜力
二、成本效益：MoE架构
DeepSeek-V3采用了其在V2中已被验证有效的DeepSeekMoE架构（混合专家模型）。MoE的核心优势在于“稀疏激活”：模型总参数量可以非常大，但每个token只激活一小部分专家参数
这使得训练成本显著降低。DeepSeek-V2有236B参数，每token激活21B；DeepSeek-V3扩展到671B参数，每token激活仅37B。相比之下，像Qwen2.5-72B和LLaMA3.1-405B这样的密集模型，训练时所有参数都处于激活状态。从算力消耗对比 来看，DeepSeek-V3每token训练成本约250 GFLOPS，远低于LLaMA-405B的2448 GFLOPS，甚至低于Qwen-72B的394 GFLOPS
MoE模型的低激活参数特性，也使得在个人电脑的AI SoC上也能实现不错的推理速度（如DeepSeek-V2在PC上可达近20 TPS甚至更高），为个性化LLM智能体和本地化部署铺平了道路。使用KTransformers推理引擎，DeepSeek-V3完整模型能在消费级GPU（约1万美元成本）的服务器上跑到近20 TPS
三、推理速度：分秒必争
DeepSeek模型从设计之初就考虑了通过双micro-batch重叠（dual micro-batch overlap）来隐藏通信延迟，最大化GPU利用率。生产环境中还采用prefill和decode分离的架构，针对性优化。
对于MoE模型，专家并行（EP）的All-to-All通信是瓶颈。论文以一个例子说明：若每设备一个专家，一次处理32个token，使用CX7 400Gbps InfiniBand网卡，一次EP（dispatch和combine）的通信时间约为120.96µs。在双micro-batch重叠的理想情况下，每层总时间约为241.92µs。DeepSeek-V3有61层，则总推理时间约为14.76ms，理论TPOT（Time Per Output Token）上限约为67 tokens/s。如果换成GB200 NVL72（900GB/s单向带宽），通信时间降至6.72µs，理论TPOT能飙升到1200 tokens/s！这生动展示了高带宽互连的巨大潜力。
受Gloeckle等人工作的启发，DeepSeek-V3引入了多令牌预测 (MTP, Multi-Token Prediction) 框架。传统自回归模型一次解码一个token，MTP则允许模型以较低成本生成多个候选token并并行验证，类似 speculative decoding。这能显著加速推理。实际数据显示，MTP对第二个后续token的接受率在80%-90%，使生成TPS提升1.8倍。同时，MTP也增大了推理batch size，有利于提升EP计算强度和硬件利用率。
像OpenAI的o1/o3系列、DeepSeek-R1等推理模型，以及PPO、DPO等RL流程，都极度依赖高token输出速度。
低精度驱动设计：FP8混合精度训练的探索
DeepSeek-V3的一大亮点是成功应用了FP8混合精度训练。在此之前，开源社区几乎没有基于FP8训练的大模型。
FP8的优势在于显著降低内存占用和计算量。但其在Hopper GPU上也面临硬件局限性：一是累积精度受限，Tensor Core在FP8累积时，虽然中间结果用FP22存储，但从32位尾数乘积右移对齐后，只保留最高的13位小数进行加法，这会影响大模型训练稳定性；二是细粒度量化开销大，像tile-wise（激活）和block-wise（权重）这样的细粒度量化，在将部分结果从Tensor Core传回CUDA Core进行缩放因子乘法时，会引入大量数据搬运和计算开销。
对此，DeepSeek的建议是：未来硬件应提高累积精度（如FP32）或支持可配置的累积精度；同时，Tensor Core应能原生支持细粒度量化，直接接收缩放因子并执行带组缩放的矩阵乘法，避免频繁数据搬运。NVIDIA Blackwell的microscaling数据格式正是这一方向的体现。
DeepSeek团队还尝试了一种名为LogFMT-nBit（对数浮点格式）的数据类型用于通信压缩。它将激活值从线性空间映射到对数空间，使得数据分布更均匀。但其局限性在于LogFMT数据在GPU Tensor Core计算前仍需转回FP8/BF16，log/exp运算开销和寄存器压力较大。因此，尽管实验验证了其有效性，但最终并未实际采用。他们建议未来硬件原生支持FP8或定制精度格式的压缩/解压单元
互连驱动设计：榨干H800的每一分带宽
DeepSeek-V3使用的NVIDIA H800 SXM节点，NVLink带宽有所缩减（从H100的900GB/s降至400GB/s）。为弥补这一不足，每节点配备了8个400G InfiniBand CX7 NIC
在硬件感知的并行策略上，DeepSeek训练中因NVLink带宽受限而避免使用张量并行（TP），推理时可选择性使用；采用DualPipe算法重叠Attention和MoE计算与通信来增强流水线并行（PP）；并借助8个IB NIC实现超40GB/s的All-to-All通信速度以加速专家并行（EP）
模型协同设计方面，由于H800的NVLink（有效约160GB/s）和IB NIC（有效约40GB/s）带宽差异巨大，DeepSeek-V3引入了节点限制路由 (Node-Limited Routing) 的TopK专家选择策略：将256个路由专家分为8组，每组32个专家部署在单个节点上，并从算法上确保每个token最多路由到4个节点。这缓解了IB通信瓶颈。
关于Scale-Up与Scale-Out的融合，当前局限在于GPU SM既要处理网络消息，又要通过NVLink转发数据，消耗计算资源。DeepSeek建议未来硬件应集成统一网络适配器、专用通信协处理器、灵活的转发/广播/Reduce机制、硬件同步原语、动态NVLink/PCIe流量优先级、I/O Die Chiplet集成NIC，以及CPU-GPU Scale-Up域互连。
大规模网络驱动设计：多平面胖树
DeepSeek-V3训练中部署了多平面胖树 (MPFT, Multi-Plane Fat-Tree) Scale-out网络。每节点8 GPU + 8 IB NIC，每个GPU-NIC对属于一个独立网络平面。
MPFT的优势包括：作为多轨胖树 (MRFT) 的子集可利用NCCL优化；成本效益高，用两层胖树即可支持超万个端点；各平面流量隔离，单平面拥塞不影响其他；两层拓扑延迟更低且鲁棒性好。性能分析显示，其All-to-All通信和EP场景性能与单平面MRFT非常接近，在2048 GPU上训练DeepSeek-V3的指标也几乎一致。
在低延迟网络方面，IB延迟优于RoCE，但IB成本高、交换机端口密度低。对RoCE的改进建议包括：专用低延迟RoCE交换机、优化路由策略（如自适应路由）、改进流量隔离/拥塞控制机制。同时，DeepSeek也利用了InfiniBand GPUDirect Async (IBGDA) 技术来减少网络通信延迟。
对未来AI硬件架构的展望
论文最后，DeepSeek团队基于实践经验，对未来AI硬件设计提出了更宏观的思考：
1. 鲁棒性挑战：应对互连故障、单硬件故障、静默数据损坏等问题，硬件需集成高级错误检测机制并提供诊断工具
2. CPU瓶颈与互连：解决PCIe带宽瓶颈、高内存带宽需求、CPU单核性能及核心数问题，建议CPU-GPU直接互连或集成到Scale-up域
3. 迈向AI智能网络：发展硅光子、高级端到端拥塞控制、自适应路由、高效容错协议和动态资源管理
4. 内存语义通信与顺序问题：硬件应支持内建的内存语义通信顺序保证（如acquire/release语义），消除sender端fence
5. 网络内计算与压缩：优化EP的dispatch和combine，原生集成LogFMT等压缩技术
6. 内存为中心的创新：推广DRAM堆叠加速器和System-on-Wafer (SoW)技术。
本文作者：AI寒武纪，来源：AI寒武纪，原文标题：《刚刚！梁文锋参与发表回顾性论文：DeepSeek首次揭秘V3模型背后扩展方案》
风险提示及免责条款
共有 0 条评论