老显卡福音！美团开源首发INT8无损满血版DeepSeek R1

• 1. 背景

• 2. INT8量化推理实践

• 2.1 量化的基本原理

• 2.2 DeepSeek R1的量化简介

• 2.3 量化方法设计

• 2.4 量化模型评估

• 2.5 量化模型部署

• 3. 总结与展望

1. 背景

DeepSeek R1横空出世后，吸引了众多公司和个人用户尝试其满血版本部署。然而原生版本的模型权重为FP8数据格式，对GPU芯片类型有严格限制，仅能被英伟达新型GPU支持（ 如Ada、Hopper架构芯片 ），其他型号GPU（ 如A100 ）无法直接部署。尽管我们可以将FP8权重反量化为BF16权重后，在A100等GPU上进行推理，但是这对显存的要求提升了一倍，推理吞吐也会下降。

为了解决这些难题，美团搜索和推荐平台部对DeepSeek R1模型进行了INT8精度量化尝试，发现使用INT8量化后模型精度基本无损。基于INT8量化，DeepSeek R1模型解锁了芯片限制，可以部署到A100等其他型号GPU；并且相比BF16实现了50%的吞吐提升，进一步降低了推理成本。量化代码已经发布在了开源LLM推理框架SGLang上，量化模型已经发布到了Hugging Face社区，方便用户使用。

2. INT8量化推理实践

| 2.1 量化的基本原理

模型量化是将模型的权重和激活值等数据从高精度（ 如BF16 ）转化为低精度（ 如INT8 ），并尽可能保证转化前后模型效果一致的过程。以常见的INT8对称量化为例，量化过程如下所示：

2.在适当位置做量化（Quant）和反量化（Dequant）

反量化公式：

3.FP16计算可以转为INT8计算

| 2.2 DeepSeek R1的量化简介

根据DeepSeek最新发布的 技术报告 ，V3/R1突破性的训练成本控制主要依托FP8精度训练方案。FP8是一种典型的模型量化技术，相较于业界常用的BF16精度，FP8精度通过将数据位宽减半显著降低了单次计算开销，但也会带来一定的精度损失。在实践中，DeepSeek R1采用了混合精度训练机制有效缓解了精度损失问题。

由于DeepSeek R1采用FP8精度训练，所以开源的原生权重就是FP8精度。在推理时，为了尽可能地降低模型精度损失，同时保持和FP8类似的推理吞吐，我们自然想到使用和FP8精度等位宽的INT8精度进行平替。同时，INT8精度被广泛硬件原生支持，基于INT8精度可以极大拓展DeepSeek模型的硬件部署范围。因此，我们开始探索INT8量化在DeepSeek R1上的可行性。

| 2.3 量化方法设计

我们在综合考虑量化后模型的精度和推理性能后，选择了分块量化（ Block-wise Quantization ）和通道量化（ Channel-wise Quantization ）两种方案。

分块量化 ：分块量化是DeepSeek V3/R1降低量化损失的关键技术之一。分块量化通过对权重矩阵的细粒度切分，将量化操作的范围控制在[128, 128]的矩阵内，减少了分布分散的出现概率，从而很好地控制了每次量化过程中的损失。为了尽可能地减少量化后模型的精度损失，我们延续了DeepSeek训练的量化策略，同样在[128, 128]的矩阵内对权重进行分块量化操作，保证训练和推理的一致性。但是需要注意的是，由于分块量化的不同块之间的量化缩放因子不同，因此需要在INT8的矩阵乘法过程中进行多次反量化操作，而反量化操作是在计算吞吐较低的CUDA Core上进行的，这在一定程度上会降低矩阵乘法的效率。在实践中，由于DeepSeek官方并没有提供半精度浮点型（ BF16 ）的权重，因此首先需要将原生的FP8模型权重反量化成BF16，再分块量化成INT8精度。为了匹配权重的分块量化，激活值采用在线逐token-group的量化方式，即每个token的嵌入向量分为多个组，逐组进行量化。分块量化的激活值和权重的乘法过程如下左图所示。

通道量化 ：除了上述的分块量化外，我们还探索了更高效的通道量化，即权重的每列为一组进行量化。通道量化在执行完INT8的矩阵乘法后，只需进行一次反量化计算，计算开销相比分块量化更低。但是由于通道量化在量化一列元素时，更容易遇到离群值（ Outlier ），因此相比分块量化会有更多的精度损失。在具体实践中，同样地先将原生FP8的模型权重反量化成BF16，之后逐通道量化成INT8类型。同时，对激活值采用在线逐token量化，最大程度地减少activation的量化损失。通道量化的激活值和权重的乘法过程如下右图所示：

| 2.4 量化模型评估

2.4.1 精度

我们分别应用上述两种量化方法，对开源的DeepSeek R1模型进行了INT8量化处理，并在GSM8K和MMLU两个数据集上对量化后的模型进行了精度评估。评估结果如下表所示，相比基线的BF16和FP8模型，两种INT8量化模型的精度基本无损。

注：表中的精度结果是多次测 试的均值。

2.4.2 推理吞吐

我们在知名开源推理框架SGLang上，对上述两种INT8量化方法进行了推理支持（ 分块量化 、 通道量化 ）。SGLang是当前SOTA的开源LLM推理框架，在DeepSeek系列模型上有着最优的推理性能，被业界广泛使用。

以BF16模型为Baseline，我们在A100-80G GPU上对两种INT8模型进行了推理吞吐评估。得益于更低的显存要求，INT8量化模型仅需要16张A100 GPU即可推理，但是BF16模型需要32张A100 GPU。为了比较的公平性，我们统一在32张A100 GPU上进行吞吐测试。结果如下表所示，分块量化的INT8推理相比BF16可以提升33%的吞吐；通道量化的INT8推理得益于更低的反量化开销，可以进一步达到50%的吞吐提升。

| 2.5 量化模型部署

以双节点各8张A100 GPU为例，开发者需要在双部署节点安装最新版本的SGLang，然后分别执行下面命令：

# 分块量化INT8推理
# 主节点
python3 -m sglang.launch_server \
 --model meituan/DeepSeek-R1-Block-INT8 --tp 16 --dist-init-addr \
 HEAD_IP:5000 --nnodes 2 --node-rank 0 --trust-remote --enable-torch-compile --torch-compile-max-bs 8
# 副节点
python3 -m sglang.launch_server \
 --model meituan/DeepSeek-R1-Block-INT8 --tp 16 --dist-init-addr \
 HEAD_IP:5000 --nnodes 2 --node-rank 1 --trust-remote --enable-torch-compile --torch-compile-max-bs 8
  
# 通道量化INT8推理
# 主节点
python3 -m sglang.launch_server \
 --model meituan/DeepSeek-R1-Channel-INT8 --tp 16 --dist-init-addr \
 HEAD_IP:5000 --nnodes 2 --node-rank 0 --trust-remote --enable-torch-compile --torch-compile-max-bs 8 \
  --quantization w8a8_int8
# 副节点
python3 -m sglang.launch_server \
 --model meituan/DeepSeek-R1-Channel-INT8 --tp 16 --dist-init-addr \
 HEAD_IP:5000 --nnodes 2 --node-rank 1 --trust-remote --enable-torch-compile --torch-compile-max-bs 8 \
  --quantization w8a8_int8

下面是一些有趣的Case：

深度思考能力展示

这里以curl为例发送一条请求：

curl -X POST 'http://HEAD_IP:5000/v1/chat/completions' \
 --header 'Content-Type: application/json' \
  -d '{     
     "model": "deepseek-r1",    
    "messages": [{"role": "user",
    "content": "下列选项中，找出与众不同的一个：1.铝 2.锡 3.钢 4.铁 5.铜" } ] 
      }'

在INT8 R1的回答中，能看到其风格独特的反思：

不过，我需要确认这一点是否正确。比如，有没有可能其他选项中也有合金？比如，锡有时候会和其他金属混合使用，但锡本身是纯金属。同样，铝、铁、铜都是纯金属。所以钢作为合金，应该是一个关键的不同点。另外，可以考虑其他属性，比如它们的用途、物理性质或化学性质。例如，导电性：银是最好的导体，但这里没有银，而铜的导电性也很好，铝也不错，铁和钢的导电性相对差一些。但这样分类的话，可能难以确定哪一个不同。......不过回到最初的分类，钢是唯一的合金，而其他都是纯金属，这一点可能更为基础。因此答案应该是3.钢。不过需要再验证一下这个结论是否正确。