五連開源后，DeepSeek還有One More Thing！

就在剛剛，DeepSeek官方親自揭秘了DeepSeek-V3/R1推理系統。

重點包括，優化吞吐量和延遲的方法：

• 跨節點EP驅動的批量擴展
• 計算與通信重疊
• 負載均衡

還公布了DeepSeek的在線服務數據統計：

• 每個H800節點每秒有73.7k/14.8k個輸入/輸出token
• 成本利潤率545%

更多細節，一起來看官方原文↓

更大的吞吐，更低的延遲

DeepSeek-V3/R1推理系統的優化目標是：更大的吞吐，更低的延遲。

為了實現這兩個目標，我們的方案是使用大規模跨節點專家并行（ExpertParallelism/EP）。

首先EP使得batch size大大增加，從而提高GPU矩陣乘法的效率，提高吞吐。其次EP使得專家分散在不同的GPU上，每個GPU只需要計算很少的專家（因此更少的訪存需求），從而降低延遲。

但EP同時也增加了系統的復雜性。復雜性主要體現在兩個方面：

• EP引入跨節點的傳輸。為了優化吞吐，需要設計合適的計算流程使得傳輸和計算可以同步進行。
• EP涉及多個節點，因此天然需要Data Parallelism（DP），不同的DP之間需要進行負載均衡。

因此，本文的主要內容是如何使用EP增大batch size，如何隱藏傳輸的耗時，如何進行負載均衡。

大規模跨節點專家并行（Expert Parallelism/EP）

由于DeepSeek-V3/R1的專家數量眾多，并且每層256個專家中僅激活其中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，才能給每個專家提供足夠的expert batch size，從而實現更大的吞吐、更低的延時。需要大規模跨節點專家并行（Expert Parallelism/EP）。

我們采用多機多卡間的專家并行策略來達到以下目的：

• Prefill：路由專家EP32、MLA和共享專家DP32，一個部署單元是4節點，32個冗余路由專家，每張卡9個路由專家和1個共享專家
• Decode：路由專家EP144、MLA和共享專家DP144，一個部署單元是18節點，32個冗余路由專家，每張卡2個路由專家和1個共享專家

計算通信重疊

多機多卡的專家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行，一個batch在進行計算的時候可以去掩蓋另一個batch的通信開銷；

△Prefill階段的雙batch重疊

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

△Decode階段的雙batch重疊

關于更多雙batch重疊的細節，可以參考我們的profiling數據的GitHub倉庫：https://github.com/deepseek-ai/profile-data。

盡可能地負載均衡

由于采用了很大規模的并行（包括數據并行和專家并行），如果某個GPU的計算或通信負載過重，將成為性能瓶頸，拖慢整個系統；同時其他GPU因為等待而空轉，造成整體利用率下降。因此我們需要盡可能地為每個GPU分配均衡的計算負載、通信負載。

• Prefill Load Balancer

a.核心問題：不同數據并行（DP）實例上的請求個數、長度不同，導致core-attention計算量、dispatch發送量也不同

b.優化目標：各GPU的計算量盡量相同（core-attention計算負載均衡）、輸入的token數量也盡量相同（dispatch發送量負載均衡），避免部分GPU處理時間過長

• Decode Load Balancer
• 核心問題：不同數據并行（DP）實例上的請求數量、長度不同，導致core-attention計算量（與KVCache占用量相關）、dispatch發送量不同
• 優化目標：各GPU的KVCache占用量盡量相同（core-attention計算負載均衡）、請求數量盡量相同（dispatch發送量負載均衡）
• Expert-Parallel Load Balancer
• 核心問題：對于給定MoE模型，存在一些天然的高負載專家（expert），導致不同GPU的專家計算負載不均衡
• 優化目標：每個GPU上的專家計算量均衡（即最小化所有GPU的dispatch接收量的最大值）

參考架構圖

線上系統的實際統計數據

DeepSeekV3和R1的所有服務均使用H800 GPU，使用和訓練一致的精度，即矩陣計算和dispatch傳輸采用和訓練一致的FP8格式，core-attention計算和combine傳輸采用和訓練一致的BF16，最大程度保證了服務效果。

另外，由于白天的服務負荷高，晚上的服務負荷低，因此我們實現了一套機制，在白天負荷高的時候，用所有節點部署推理服務。晚上負荷低的時候，減少推理節點，以用來做研究和訓練。在最近的24小時里（北京時間2025/02/27 12:00至2025/02/28 12:00），DeepSeekV3和R1推理服務占用節點總和，峰值占用為278個節點，平均占用226.75個節點（每個節點為8個H800 GPU）。假定GPU租賃成本為2美金/小時，總成本為$87,072/天。

在24小時統計時段內，DeepSeekV3和R1：

輸入token總數為608B，其中342B tokens（56.3%）命中KVCache硬盤緩存。

輸出token總數為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，輸入吞吐約73.7k tokens/s（含緩存命中）；對于decode任務，輸出吞吐約14.8k tokens/s。

以上統計包括了網頁、APP和API的所有負載。如果所有tokens全部按照DeepSeek R1的定價*計算，理論上一天的總收入為$562,027，成本利潤率545%。

*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，同時收費服務只占了一部分，另外夜間還會有折扣。