【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！
-
跨节点高效并行（EP）驱动的批处理扩展
-
计算与通信并行处理
-
智能负载均衡
-
每个H800节点每秒处理73,700/14,800输入/输出token
-
成本利润率高达545%
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。
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？
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：
-
EP引入了跨节点通信。为了优化吞吐量，需要设计合理的计算工作流，使通信过程与计算过程能够并行进行。
-
EP涉及多个节点，因此必然需要数据并行（Data Parallelism，DP），并要求在不同DP实例之间进行负载均衡。
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：
-
预填充阶段「路由专家EP32，MLA/共享专家DP32」：每个部署单元跨越4个节点，配置32个冗余路由专家，每个GPU负责处理9个路由专家和1个共享专家。
-
解码阶段「路由专家EP144，MLA/共享专家DP144」：每个部署单元跨越18个节点，配置32个冗余路由专家，每个GPU管理2个路由专家和1个共享专家。
计算-通信重叠处理
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。
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。
DeepSeek在线推理系统图示
