当FP4的魔法与Blackwell的强大算力相遇，会碰撞出怎样的火花？
答案是：推理性能暴涨25倍，成本狂降20倍！
随着DeepSeek-R1本地化部署的爆火，英伟达也亲自下场，开源了首个基于Blackwell架构的优化方案——DeepSeek-R1-FP4。
在新模型的加持下，B200实现了高达21,088 token每秒的的推理吞吐量，相比于H100的844 token每秒，提升了25倍。
与此同时，每token的成本也实现了20倍的降低。
通过在Blackwell架构上应用TensorRT DeepSeek优化，英伟达让具有FP4生产级精度的模型，在MMLU通用智能基准测试中达到了FP8模型性能的99.8%。
DeepSeek-R1首次基于Blackwell GPU优化
目前，英伟达基于FP4优化的DeepSeek-R1检查点现已在Hugging Face上开源。
模型地址：https://huggingface.co/nvidia/DeepSeek-R1-FP4
后训练量化
模型将Transformer模块内的线性算子的权重和激活量化到了FP4，适用于TensorRT-LLM推理。
这种优化将每个参数从8位减少到4位，从而让磁盘空间和GPU显存的需求减少了约1.6倍。
使用TensorRT-LLM部署
要使用TensorRT-LLM LLM API部署量化后的FP4权重文件，并为给定的提示生成文本响应，请参照以下示例代码：
硬件要求：需要支持TensorRT-LLM的英伟达GPU（如B200），并且需要8个GPU来实现tensor_parallel_size=8的张量并行。
性能优化：代码利用FP4量化、TensorRT引擎和并行计算，旨在实现高效、低成本的推理，适合生产环境或高吞吐量应用。
from tensorrt_llm import SamplingParams
from tensorrt_llm._torch import LLM
def main():
prompts = [
"Hello, my name is",
"The president of the United States is",
"The capital of France is",
"The future of AI is",
]
sampling_params = SamplingParams(max_tokens=32)
llm = LLM(model="nvidia/DeepSeek-R1-FP4", tensor_parallel_size=8, enable_attention_dp=True)
outputs = llm.generate(prompts, sampling_params)
# Print the outputs.
for output in outputs:
prompt = output.prompt
generated_text = output.outputs[0].text
print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")
# The entry point of the program need to be protected for spawning processes.
if __name__ == '__main__':
main()对于此次优化的成果，网友表示惊叹。
「FP4魔法让AI未来依然敏锐！」网友Isha评论道。
网友algorusty则声称，有了这次的优化后，美国供应商能够以每百万token 0.25美元的价格提供R1。
「还会有利润。」
网友Phil则将这次的优化与DeepSeek本周的开源5连发结合了起来。
「这展示了硬件和开源模型结合的可能性。」他表示。
DeepSeek全面开源
如今DeepSeek持续5天的「开源周」已经进行到了第3天。
周一，他们开源了FlashMLA。这是DeepSeek专为英伟达Hopper GPU打造的高效MLA解码内核，特别针对变长序列进行了优化，目前已正式投产使用。
周二开源了DeepEP，这是一个专为混合专家系统（MoE）和专家并行（EP）设计的通信库。
周三开源的是DeepGEMM。这是一个支持稠密和MoE模型的FP8 GEMM（通用矩阵乘法）计算库，可为V3/R1的训练和推理提供强大支持。
总的来说，不管是英伟达开源的DeepSeek-R1-FP4，还是DeepSeek开源的三个仓库，都是通过对英伟达GPU和集群的优化，来推动AI模型的高效计算和部署。
