主要观点总结
本文介绍了DeepSeek官方揭秘的DeepSeek-V3/R1推理系统，包括其优化吞吐量和延迟的方法、大规模跨节点专家并行、计算通信重叠、负载均衡等关键点，以及系统的在线服务数据统计。
关键观点总结
关键观点1: DeepSeek-V3/R1推理系统的优化目标及实现方法
DeepSeek-V3/R1推理系统的优化目标是实现更大的吞吐和更低的延迟。通过大规模跨节点专家并行（ExpertParallelism/EP）来实现这一目标。EP能够增大batch size，提高GPU矩阵乘法的效率，同时分散专家在不同的GPU上，减少每个GPU的计算负载，从而降低延迟。但这也增加了系统的复杂性，需要优化传输和计算流程，以及进行负载均衡。
关键观点2: 大规模跨节点专家并行（EP）的细节
由于DeepSeek-V3/R1的专家数量众多，必须采用大规模跨节点专家并行（EP）。通过多机多卡间的专家并行策略，实现prefill和decode阶段的双batch重叠，掩盖通信开销，提高整体吞吐。同时，EP还涉及负载均衡问题，需要为每个GPU分配均衡的计算负载和通信负载。
关键观点3: DeepSeek-V3/R1推理系统的在线服务数据统计
DeepSeekV3和R1的所有服务均使用H800 GPU，提供24小时的服务。在统计时段内，输入token总数为608B，其中56.3%命中KVCache硬盘缓存。输出token总数为168B，平均输出速率为20~22tps。平均每台H800的吞吐量为：对于prefill任务，输入吞吐约73.7k tokens/s；对于decode任务，输出吞吐约14.8k tokens/s。此外，还给出了成本利润率的计算。
文章预览
本文经AI新媒体量子位（ID：QbitAI）授权转载，转载请联系出处 鱼羊 编辑整理 五连开源后，DeepSeek还有One More Thing！ 之后，DeepSeek官方揭秘了 DeepSeek-V3/R1推理系统 。 重点包括，优化吞吐量和延迟的方法： 跨节点EP驱动的批量扩展 计算与通信重叠 负载均衡 还公布了DeepSeek的在线服务数据统计： 每个H800节点每秒有73.7k/14.8k个输入/输出token 成本利润率545% 更多细节，一起来看官方原文↓ 更大的吞吐，更低的延迟 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（ExpertParallelism/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
………………………………
