文章從模型架構和推理系統兩個方面展開，主要關注與推理有關的內容。

原標題：DeepSeek-V3推理系統分析
文章來源：智猩猩GenAI
內容字數：13895字

DeepSeek-V3推理系統深度解讀

本文對DeepSeek-V3推理系統進行了深入分析，主要從模型架構和推理系統兩個方面展開，重點關注推理相關內容。DeepSeek-V3是一個擁有671B參數的巨型語言模型，其推理系統的規模和復雜度都令人印象深刻。

1. 模型架構

1. MLA (Multi-head Latent Attention): DeepSeek-V3采用MLA注意力機制，通過壓縮latent KV來減少KV Cache的內存占用，從而容納更大的batch size。MLA相比MHA、GQA、MQA擁有更強的表達能力，并且通過矩陣吸收技術進一步減少顯存占用和訪存量，尤其在解碼階段效果顯著。但矩陣吸收在預填充階段可能增加計算量，并且與張量并行（TP）的兼容性較差。
2. DeepSeek MoE: 采用細粒度專家（256個routed experts和top-8 routing），比V2版本更多，并使用sigmoid函數計算路由分數，與傳統MoE模型有所不同。
3. MTP (Multi-Token Prediction): MTP模塊可以額外預測多個token，提升訓練效果，在推理階段開啟投機采樣可加速1.8倍。
4. 模型架構對推理系統的影響: MLA減小KV Cache，提升attention計算速度；MTP加速解碼；DeepSeek MoE的稀疏設計易造成資源浪費，并對負載均衡提出挑戰。

2. 推理系統

1. 計算集群： 使用NVIDIA H800 GPU，單節點8卡，節點內NVLink互聯，節點間IB互聯。
2. PD分離： 將預填充(Prefilling)和解碼(Decoding)階段分開部署，采用不同的并行策略。預填充階段最小單元為32卡，解碼階段最小單元為320卡，規模巨大。
3. 并行策略： 采用數據并行(DP)、張量并行(TP)和專家并行(EP)。解碼階段DP規模高達80-way，充分利用全局batch size，提高每個expert處理的token數量。EP規模也極大，解碼階段每張卡只放置一個expert。
4. 負載均衡： 預填充階段使用冗余專家和動態冗余策略；解碼階段每張卡只持有1個專家，剩余GPU存放冗余專家和共享專家。共享專家被視為負載很大的routed expert，這增加了通信量，但通過巧妙的設計，可以使其與all-to-all通信重疊執行，提高效率。
5. Pipeline： 使用2個microbatch的pipeline，將通信算子和memory-bound算子與計算密集型算子重疊執行，最大化硬件利用率。解碼階段的pipeline設計尤為精巧，通過精細的SM分配，充分利用硬件資源。
6. 推理系統總結： PD分離減少干擾；解碼實例超大規模利用超大聚合帶寬；Pipeline是高吞吐的關鍵；系統設計復雜，需要精細的profile和實驗。

DeepSeek-V3的推理系統是一個高度優化的復雜系統，其設計理念和技術細節都值得深入研究。通過PD分離、超大規模并行、Pipeline以及精細的負載均衡策略，DeepSeek-V3實現了高效的巨型語言模型推理。

聯系作者

文章來源：智猩猩GenAI
作者微信：
作者簡介：智猩猩旗下賬號，專注于生成式人工智能，主要分享技術文章、論文成果與產品信息。