過去一周，DeepSeek連續(xù)開放了5個Infra項目的源代碼，正當(dāng)大家以為這場開源盛宴已經(jīng)結(jié)束。3月1日，DeepSeek的彩蛋來了！開源周Day6，DeepSeek官方團(tuán)隊在開發(fā)者社區(qū)Github和知乎給出了DeepSeek-V3/R1推理系統(tǒng)的技術(shù)解讀。通過優(yōu)化吞吐和延遲，DeepSeek理論上一天的總收入達(dá)到了562027美元，成本利潤率為545%。

敏銳的網(wǎng)友——如MenloVentures投資人Deedy翻譯了這意味著什么：“理論ARR（年收入）2億美元、利潤率超過500%，這樣的商業(yè)效率理應(yīng)是一家值100億美元的公司。

”從2024年5月發(fā)布DeepSeekV2以來，DeepSeek模型服務(wù)就以“價格屠夫”示眾，總是比行業(yè)其他模型便宜1/10左右，質(zhì)疑DeepSeek虧本打價格戰(zhàn)的聲音也一直有。

通過這5天開放源代碼以及當(dāng)下的推理系統(tǒng)概述，這一疑慮也被打消，可以預(yù)見，模型推理價格越來越負(fù)擔(dān)得起，且服務(wù)提供方也有的賺。這一事件的影響也可以通過社交平臺網(wǎng)友展現(xiàn)出刷屏的驚喜得以一窺，“成本利潤率545%，等于說你是在告訴我，我被Open AI搶奪了？開源周Day7的彩蛋是 AGI？”

但更大的信號指向生態(tài)伙伴，部署DeepSeek有的賺。

一位AI領(lǐng)域的投資人表示，“官方技術(shù)解讀表明，云平臺和上下游通過部署DeepSeek的服務(wù)，理論上收益和利潤率可以達(dá)到很高”。無論是對于提供在線推理、還是私有化部署等服務(wù)的供應(yīng)商，都是利好。

在這波DeepSeek熱中受益的云平臺硅基流動創(chuàng)始人袁進(jìn)輝也在首要時間發(fā)表了自己的感受，“DeepSeek官方披露大規(guī)模部署成本和收益，又一次顛覆了很多人認(rèn)知。”但需要時間適配DeepSeek V3/R1模型架構(gòu)，他表示“現(xiàn)在很多供應(yīng)商還做不到這個水平，主要是V3/R1架構(gòu)和其它主流模型差別太大了，由大量小專業(yè)人士組成，導(dǎo)致瞄準(zhǔn)其它主流模型結(jié)構(gòu)開發(fā)的系統(tǒng)都不再有效，必須按照DeepSeek報告描述的方法才能達(dá)到比較好的效率，而開發(fā)這樣的系統(tǒng)難度很高，需要時間”。

袁進(jìn)輝進(jìn)一步指出現(xiàn)在復(fù)現(xiàn)這樣的推理服務(wù)的難度以及DeepSeek可能的戰(zhàn)略思考，“幸好這周DeepSeek五連發(fā)已經(jīng)把主要模塊開源出來了，降低了社區(qū)復(fù)現(xiàn)的難度。這些成果充分體現(xiàn)了DeepSeek團(tuán)隊首要性原理的思考方式和強(qiáng)悍的意志，他們應(yīng)該是首先是基于某些原因想到了用這樣的模型結(jié)構(gòu)，然后發(fā)現(xiàn)這樣的結(jié)構(gòu)無論是訓(xùn)練還是推理，要做好都有非常大的工程挑戰(zhàn)，不過這些問題在他們工程團(tuán)隊來說并不是搞不定的，關(guān)鍵是花那么大力氣做完是否有大的收益呢，在極終結(jié)果出來前，誰也說不準(zhǔn)，他們還是賭了，結(jié)果是賭對了。也可能是反過來的，基于系統(tǒng)的出發(fā)點設(shè)計了這樣一個全新的模型結(jié)構(gòu)?！?

在DeepSeek官方報告中也提示了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。配合技術(shù)解讀，DeepSeek開源周放出的5個代碼庫帶來的影響力才剛剛開始。

《DeepSeek-V3 / R1 推理系統(tǒng)概覽全文

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。

為了實現(xiàn)這兩個目標(biāo)，我們的方案是使用大規(guī)?？绻?jié)點專業(yè)人士并行（Expert Parallelism / EP）。首先EP使得batch size快速增加，從而提高GPU矩陣乘法的效率，提高吞吐。其次EP使得專業(yè)人士分散在不同的 GPU上，每個GPU只需要計算很少的專業(yè)人士（因此更少的訪存需求），從而降低延遲。

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

EP引入跨節(jié)點的傳輸。為了優(yōu)化吞吐，需要設(shè)計合適的計算流程使得傳輸和計算可以同步進(jìn)行。

EP涉及多個節(jié)點，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，如何進(jìn)行負(fù)載均衡。

1、大規(guī)?？绻?jié)點專業(yè)人士并行（Expert Parallelism / EP）

由于DeepSeek-V3/R1的專業(yè)人士數(shù)量眾多，并且每層256個專業(yè)人士中只啟動其中8個。模型的高度稀疏性決定了我們必須采用很大的overall batch size，才能給每個專業(yè)人士提供足夠的expert batch size，從而實現(xiàn)更大的吞吐、更低的延時。需要大規(guī)?？绻?jié)點專業(yè)人士并行（Expert Parallelism / EP）。

我們采用多機(jī)多卡間的專業(yè)人士并行策略來達(dá)到以下目的：

Prefill：路由專業(yè)人士EP32、MLA和共享專業(yè)人士DP32，一個部署單元是4節(jié)點，32個冗余路由專業(yè)人士，每張卡9個路由專業(yè)人士和1個共享專業(yè)人士

Decode：路由專業(yè)人士EP144、MLA和共享專業(yè)人士DP144，一個部署單元是18節(jié)點，32個冗余路由專業(yè)人士，每張卡2個路由專業(yè)人士和1個共享專業(yè)人士

2、計算通信重疊

多機(jī)多卡的專業(yè)人士并行會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。

對于prefill階段，兩個batch的計算和通信交錯進(jìn)行，一個batch在進(jìn)行計算的時候可以去掩蓋另一個batch的通信開銷；

對于decode階段，不同階段的執(zhí)行時間有所差別，所以我們把a(bǔ)ttention部分拆成了兩個stage，共計 5 個stage的流水線來實現(xiàn)計算和通信的重疊。

3、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)并行和專業(yè)人士并行），如果某個GPU的計算或通信負(fù)載過重，將成為性能瓶頸，拖慢整個系統(tǒng)；同時其他GPU因為等待而空轉(zhuǎn)，造成整體利用率下降。因此我們需要盡可能地為每個GPU分配均衡的計算負(fù)載、通信負(fù)載。

Prefill Load Balancer

重點問題：不同數(shù)據(jù)并行（DP）實例上的請求個數(shù)、長度不同，導(dǎo)致 core-attention 計算量、dispatch發(fā)送量也不同

優(yōu)化目標(biāo)：各GPU的計算量盡量相同（core-attention 計算負(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處理時間過長

Decode Load Balancer

重點問題：不同數(shù)據(jù)并行（DP）實例上的請求數(shù)量、長度不同，導(dǎo)致core-attention計算量（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計算負(fù)載均衡）、請求數(shù)量盡量相同（dispatch 發(fā)送量負(fù)載均衡）

Expert-Parallel Load Balancer

重點問題：對于給定 、MoE模型，存在一些天然的高負(fù)載專業(yè)人士（expert），導(dǎo)致不同GPU的專業(yè)人士計算負(fù)載不均衡

優(yōu)化目標(biāo)：每個GPU上的專業(yè)人士計算量均衡（即極小化所有 GPU 的dispatch接收量的極大值）

4、參考架構(gòu)圖

5、線上系統(tǒng)的實際統(tǒng)計數(shù)據(jù)

DeepSeek V3和R1的所有服務(wù)均使用H800 GPU，使用和訓(xùn)練一致的精度，即矩陣計算和dispatch傳輸采用和訓(xùn)練一致的FP8格式，core-attention計算和combine傳輸采用和訓(xùn)練一致的BF16，很大程度保證了服務(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，因此我們實現(xiàn)了一套機(jī)制，在白天負(fù)荷高的時候，用所有節(jié)點部署推理服務(wù)。晚上負(fù)荷低的時候，減少推理節(jié)點，以用來做研究和訓(xùn)練。在極近的24小時里（北京時間 2025/02/27 12:00 至 2025/02/28 12:00），DeepSeek V3和R1推理服務(wù)占用節(jié)點總和，峰值占用為278個節(jié)點，平均占用226.75個節(jié)點（每個節(jié)點為8個H800 GPU）。假定GPU租賃成本為2美元/小時，總成本為 $87072/天。

在24小時統(tǒng)計時段內(nèi)，DeepSeek V3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token的KVCache長度是4989。

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

以上統(tǒng)計包括了網(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 (注：DeepSeek R1 的定價：$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)然我們實際上沒有這么多收入，因為V3的定價更低，同時收費(fèi)服務(wù)只占了一部分，另外夜間還會有折扣)計算，理論上一天的總收入為562027美元，成本利潤率545%。轉(zhuǎn)載自澎湃新聞