DeepSeek开源项目发布最新动态，披露大规模部署成本和收益。其V3/R1架构通过大规模跨节点专家并行优化推理系统，实现更高的吞吐和更低的延迟。项目开源部分模块，降低社区复现难度。DeepSeek宣布调整API调用价格，并强调其成本定价原则。官方详解文章涉及大规模跨节点专家并行、计算通信重叠、负载均衡等方面内容，并分享线上系统实际统计数据。文章还提到DeepSeek V3和R1服务的GPU使用情况和成本收益情况。
由大量小Expert组成，与主流模型结构有显著差异，需遵循DeepSeek报告描述的方法以达到最佳效率。DeepSeek开源部分模块降低了复现难度。
是实现DeepSeek V3/R1推理系统优化目标的关键技术，通过增加 overall batch size来为每个专家提供足够的expert batch size，实现更大吞吐、更低延时。
多机多卡的专家并行引入较大通信开销，通过双batch重叠掩盖通信开销提高整体吞吐。同时，实现计算负载均衡和通信负载均衡以提高系统效率。
分享了关于DeepSeek V3和R1服务的GPU使用情况、成本收益、token处理量等实际统计数据。
整理 | 褚杏娟
DeepSeek 开源周还未结束！今天，DeepSeek 官方继续发布动态，这次披露大规模部署成本和收益，又一次颠覆了很多人认知！
V3/R1 架构由大量小 Expert 组成，这与其它主流模型差别非常大，导致其它主流模型结构开发的系统不再有效，要达到最好的效率就必须按照 DeepSeek 报告描述的方法。而 DeepSeek 开源周的五连发已经把主要模块开源出来了，降低了社区复现的难度。
根据 DeepSeek 披露，按照 R1 token 定价，该公司一天的总收入为 562,027 美元，成本利润率 545%。有网友评价，“如果利润率达不到 DeepSeek 的水平，就说明自家的 Infra 团队菜。”
实际上就在前两天，DeepSeek 宣布即日起在北京时间每日 00:30 至 08:30 的夜间空闲时段，大幅下调 API 调用价格，其中 DeepSeek-V3 降至原价的 50%，DeepSeek-R1 降幅最高达 75%。DeepSeek 多次说过自家的 API 不赔本。梁文锋在去年的采访中也表示，“我们只是按照自己的步调来做事，然后核算成本定价。我们的原则是不贴钱，也不赚取暴利。这个价格也是在成本之上稍微有点利润。”
下面是 DeepSeek 官方详解文章。
DeepSeek-V3 / R1 推理系统的优化目标是：更大的吞吐，更低的延迟。
为了实
现
这两个目标，我们的
方案是使用大规模跨节点专家并行（Expert Parallelism / EP）。
首先 EP 使得 batch size 大大增加，从而提高 GPU 矩阵乘法的效率，提高吞吐。
其次 EP 使得专
家分散在不同的 GPU 上，每个 GPU 只需要计算很少的专家（因此更少的访存需求），从而降低延迟。
但 EP 同时也增加了系统的复杂性。复杂性主要体现在两个方面：
-
EP 引入跨节点的传输。为了优化吞吐，需要设计合适的计算流程使得传输和计算可以同步进行。
-
EP 涉及多个节点，因此天然需要 Data Parallelism（DP），不同的 DP 之间需要进行负载均衡。
因此，本文的主要内容是如何使用 EP 增大 batch size，如何隐藏传输的耗时，如何进行负载均衡。
大规模跨节点专家并行（Expert Parallelism / EP）
由于 DeepSeek-V3 / R1 的专家数量众多，并且每层 256 个专家中仅激活其中 8 个。模型的高度稀疏性决定了我们必须采用很大的 overall batch size，才能给每个专家提供足够的 expert batch size，从而实现更大的吞吐、更低的延时。需要大规模跨节点专家并行（Expert Parallelism / EP）。
我们采用多机多卡间的专家并行策略来达到以下目的：
多机多卡的专家并行会引入比较大的通信开销，所以我们使用了双 batch 重叠来掩盖通信开销，提高整体吞吐。
对于 prefill 阶段，两个 batch 的计算和通信交错进行，一个 batch 在进行计算的时候可以去掩盖另一个 batch 的通信开销；
Prefill 阶段的双 batch 重叠
对于 decode 阶段，不同阶段的执行时间有所差别，所以我们把 attention 部分拆成了两个 stage，共计 5 个 stage 的流水线来实现计算和通信的重叠。
Decode 阶段的双 batch 重叠
关于更多双 batch 重叠的细节，可以参考我们的 profiling 数据的 GitHub 仓库：https://github.com/deepseek-ai/profile-data。
由于采用了很大规模的并行（包括数据并行和专家并行），如果某个 GPU 的计算或通信负载过重，将成为性能瓶颈，拖慢整个系统；同时其他 GPU 因为等待而空转，造成整体利用率下降。因此我们需要尽可能地为每个 GPU 分配均衡的计算负载、通信负载。
-
Prefill Load Balancer
核心问题：不同数据并行（DP）实例上的请求个数、长度不同，导致 core-attention 计算量、dispatch 发送量也不同
优化目标：各 GPU 的计算量尽量相同（core-attention 计算负载均衡）、输入的 token 数量也尽量相同（dispatch 发送量负载均衡），避免部分 GPU 处理时间过长
-
Decode Load Balancer
核心问题：不同数据并行（DP）实例上的请求数量、长度不同，导致 core-attention 计算量（与 KVCache 占用量相关）、dispatch 发送量不同
优化目标：各 GPU 的 KVCache 占用量尽量相同（core-attention 计算负载均衡）、请求数量尽量相同（dispatch 发送量负载均衡）
-
Expert-Parallel Load Balancer
核心问题：对于给定 MoE 模型，存在一些天然的高负载专家（expert），导致不同 GPU 的专家计算负载不均衡
优化目标：每个 GPU 上的专家计算量均衡（即最小化所有 GPU 的 dispatch 接收量的最大值）
DeepSeek V3 和 R1 的所有服务均使用 H800 GPU，使用和训练一致的精度，即矩阵计算和 dispatch 传输采用和训练一致的 FP8 格式，core-attention 计算和 combine 传输采用和训练一致的 BF16，最大程度保证了服务效果。
另外，由于白天的服务负荷高，晚上的服务负荷低，因此我们实现了一套机制，在白天负荷高的时候，用所有节点部署推理服务。晚上负荷低的时候，减少推理节点，以用来做研究和训练。在最近的 24 小时里（北京时间 2025/02/27 12:00 至 2025/02/28 12:00），DeepSeek V3 和 R1 推理服务占用节点总和，峰值占用为 278 个节点，平均占用 226.75 个节点（每个节点为 8 个 H800 GPU）。假定 GPU 租赁成本为 2 美金 / 小时，总成本为 $87,072/ 天。
在 24 小时统计时段内，DeepSeek V3 和 R1：
-
输入 token 总数为 608B，其中 342B tokens（56.3%）命中 KVCache 硬盘缓存。
-
输出 token 总数为 168B。平均输出速率为 20~22 tps，平均每输出一个 token 的 KVCache 长度是 4989。
-
平均每台 H800 的吞吐量为：对于 prefill 任务，输入吞吐约 73.7k tokens/s（含缓存命中）；对于 decode 任务，输出吞吐约 14.8k tokens/s。
以上统计包括了网页、APP 和 API 的所有负载。如果所有 tokens 全部按照 DeepSeek R1 的定价
[1]
计算，理论上一天的总收入为 $562,027，成本利润率 545%。
当然我们实际上没有这么多收入，因为 V3 的定价更低，同时收费服务只占了一部分，另外夜间还会有折扣。
参考：
[1] DeepSeek R1 的定价：$0.14 / 百万输入 tokens (缓存命中)，$0.55 / 百万输入 tokens (缓存未命中)，$2.19 / 百万输出 tokens。
原文链接：
https://zhuanlan.zhihu.com/p/27181462601
https://github.com/deepseek-ai/open-infra-index/tree/main/202502OpenSourceWeek
