五连开源后，DeepSeek还有One More Thing！
就在刚刚，DeepSeek官方亲自揭秘了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同时也增加了系统的复杂性。复杂性主要体现在两个方面：
- EP引入跨节点的传输。为了优化吞吐，需要设计合适的计算流程使得传输和计算可以同步进行。
- EP涉及多个节点，因此天然需要Data Parallelism（DP），不同的DP之间需要进行负载均衡。
因此，本文的主要内容是如何使用EP增大batch size，如何隐藏传输的耗时，如何进行负载均衡。
大规模跨节点专家并行（Expert Parallelism/EP）
由于DeepSeek-V3/R1的专家数量众多，并且每层256个专家中仅激活其中8个。模型的高度稀疏性决定了我们必须采用很大的overall batch size，才能给每个专家提供足够的expert batch size，从而实现更大的吞吐、更低的延时。需要大规模跨节点专家并行（Expert Parallelism/EP）。
我们采用多机多卡间的专家并行策略来达到以下目的：
- Prefill：路由专家EP32、MLA和共享专家DP32，一个部署单元是4节点，32个冗余路由专家，每张卡9个路由专家和1个共享专家
- Decode：路由专家EP144、MLA和共享专家DP144，一个部署单元是18节点，32个冗余路由专家，每张卡2个路由专家和1个共享专家
计算通信重叠
多机多卡的专家并行会引入比较大的通信开销，所以我们使用了双batch重叠来掩盖通信开销，提高整体吞吐。
对于prefill阶段，两个batch的计算和通信交错进行，一个batch在进行计算的时候可以去掩盖另一个batch的通信开销；
△Prefill阶段的双batch重叠
对于decode阶段，不同阶段的执行时间有所差别，所以我们把attention部分拆成了两个stage，共计5个stage的流水线来实现计算和通信的重叠。
△Decode阶段的双batch重叠
关于更多双batch重叠的细节，可以参考我们的profiling数据的GitHub仓库：https://github.com/deepseek-ai/profile-data。
尽可能地负载均衡
由于采用了很大规模的并行（包括数据并行和专家并行），如果某个GPU的计算或通信负载过重，将成为性能瓶颈，拖慢整个系统；同时其他GPU因为等待而空转，造成整体利用率下降。因此我们需要尽可能地为每个GPU分配均衡的计算负载、通信负载。
- Prefill Load Balancer
a.核心问题：不同数据并行（DP）实例上的请求个数、长度不同，导致core-attention计算量、dispatch发送量也不同
b.优化目标：各GPU的计算量尽量相同（core-attention计算负载均衡）、输入的token数量也尽量相同（dispatch发送量负载均衡），避免部分GPU处理时间过长
- Decode Load Balancer
- 核心问题：不同数据并行（DP）实例上的请求数量、长度不同，导致core-attention计算量（与KVCache占用量相关）、dispatch发送量不同
- 优化目标：各GPU的KVCache占用量尽量相同（core-attention计算负载均衡）、请求数量尽量相同（dispatch发送量负载均衡）
- Expert-Parallel Load Balancer
- 核心问题：对于给定MoE模型，存在一些天然的高负载专家（expert），导致不同GPU的专家计算负载不均衡
- 优化目标：每个GPU上的专家计算量均衡（即最小化所有GPU的dispatch接收量的最大值）
参考架构图
线上系统的实际统计数据
DeepSeekV3和R1的所有服务均使用H800 GPU，使用和训练一致的精度，即矩阵计算和dispatch传输采用和训练一致的FP8格式，core-attention计算和combine传输采用和训练一致的BF16，最大程度保证了服务效果。
另外，由于白天的服务负荷高，晚上的服务负荷低，因此我们实现了一套机制，在白天负荷高的时候，用所有节点部署推理服务。晚上负荷低的时候，减少推理节点，以用来做研究和训练。在最近的24小时里（北京时间2025/02/27 12:00至2025/02/28 12:00），DeepSeekV3和R1推理服务占用节点总和，峰值占用为278个节点，平均占用226.75个节点（每个节点为8个H800 GPU）。假定GPU租赁成本为2美金/小时，总成本为$87,072/天。
在24小时统计时段内，DeepSeekV3和R1：
输入token总数为608B，其中342B tokens（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，平均每输出一个token的KVCache长度是4989。
平均每台H800的吞吐量为：对于prefill任务，输入吞吐约73.7k tokens/s（含缓存命中）；对于decode任务，输出吞吐约14.8k tokens/s。
以上统计包括了网页、APP和API的所有负载。如果所有tokens全部按照DeepSeek R1的定价*计算，理论上一天的总收入为$562,027，成本利润率545%。
*DeepSeek R1的定价：$0.14/百万输入tokens(缓存命中)，$0.55/百万输入tokens(缓存未命中)，$2.19/百万输出tokens。
当然我们实际上没有这么多收入，因为V3的定价更低，同时收费服务只占了一部分，另外夜间还会有折扣。
