梁文鋒署名DeepSeek新論文：公開V3大模型降本方法

十三 2025-05-15 16:48:05 來源：量子位

金磊 不圓 發自 凹非寺

量子位 | 公眾號 QbitAI

梁文鋒親自參與的DeepSeek最新論文，來了！

這一次，團隊把DeepSeek-V3在訓練和推理過程中，如何解決“硬件瓶頸”的方法公布了出來。

具體而言，DeepSeek-V3之所以可以只用2048塊H800，就能達到超大規模集群（如數萬塊GPU）相當的訓練效果，核心在于四項創新技術：

• 內存優化
• 多頭潛在注意力（MLA）
• 計算優化
• 混合專家模型（MoE）與FP8低精度訓練
• 通信優化
• 多層網絡拓撲與低延遲設計
• 推理加速
• 多token預測（MTP）

那么這四項優化具體又是如何起到作用的，我們繼續往下看。

軟硬件協同的優化設計

在訓練大模型這條路上，可以說一直有“三座大山”在占道。

首先就是內存不夠用。

現在的大語言模型（比如GPT、Llama）變得越來越龐大，需要的存儲空間激增。特別是它們使用的“注意力機制”會產生大量臨時數據（KV Cache），占用大量顯卡內存。

但高性能顯存的容量增長太慢了，每年才增加不到50%，遠遠跟不上需求。

其次是計算效率低。

訓練超大規模模型需要海量計算資源，傳統 “稠密模型”（如 Llama-3）每次計算都要激活所有參數，導致計算成本極高。

而 “混合專家模型”（MoE）雖然更高效，但需要復雜的通信機制（如專家間數據傳輸），對網絡帶寬要求極高。

最后就是通信速度慢。

當使用多個GPU一起訓練時，它們之間需要不斷交換數據，這個過程會產生延遲。即使用了高速網絡（如InfiniBand），這種延遲仍然會拖慢整體訓練速度，尤其是處理長文本或需要實時響應時更明顯。

而這篇論文所要解決的，正是上述的這些老大難的問題。

DeepSeek團隊首先是對內存進行了優化，所采用的方法則是多頭潛在注意力（MLA），為的就是減少 “鍵值緩存”（KV Cache）的內存占用。

傳統模型每個注意力頭都需要獨立緩存鍵值對，而MLA通過投影矩陣將所有頭的鍵值對壓縮成一個更小的 “潛在向量”，只需緩存這一向量。

相比其他模型（如LLaMA-3、Qwen-2.5），DeepSeek-V3的KV緩存大小每token僅需70 KB，是傳統方法的1/7到1/4，大幅降低顯存壓力，尤其適合長文本處理。

在計算優化方面，DeepSeek-V3所采用的方法，則是MoE和FP8低精度訓練。

MoE，即將模型參數分成多個 “專家”，每次只激活部分專家處理輸入，顯著減少實際計算量。

DeepSeek-V3采用類似的思路，其總參數雖然是6710億，但每次僅激活370億參數，訓練成本僅為同規模稠密模型的1/10（如Llama-3.1的訓練成本是其近10倍）。

也正因推理時激活參數少，DeepSeek-V3可在消費級GPU（如售價1萬美元的顯卡）上運行，每秒生成近20個token，適合個人或中小型企業使用。

至于FP8低精度訓練，不同于傳統訓練使用BF16（16 位浮點），可將內存占用和計算量減半，同時通過 “精細量化”（如分塊壓縮）保持精度。

而DeepSeek-V3是首次在開源大模型中成功應用FP8訓練，訓練成本降低50%，且精度損失小于0.25%。

除此之外，DeepSeek-V3在通信方面也做了相應的優化。

例如多層胖樹網絡（Multi-Plane Fat-Tree），將集群網絡分為多個 “平面”，每個GPU連接到獨立的網絡平面，避免不同任務的流量沖突（如訓練與存儲通信分離）。

相比傳統三層網絡，兩層結構成本降低40%，延遲減少30%，支持上萬GPU擴展。

DeepSeek-V3在做推理時，還將 “注意力計算” 與 “專家間通信” 分階段執行，利用流水線并行（DualPipe）讓GPU在計算時同時傳輸數據，避免空閑等待，吞吐量提升近1倍。

最后，在推理加速方面，DeepSeek-V3采用的是多token預測（MTP）的方法。

傳統模型每次只能生成1個token，而MTP通過輕量級子模型并行預測多個候選token（如一次預測2-3個），驗證后選擇最優結果。

從實驗效果來看，生成速度提升1.8倍，例如每秒生成 oken數從10個增至18個，同時保持準確率在80%-90%。

以上就是DeepSeek-V3通過硬件與模型的協同設計，在有限資源下可以實現高效訓練和推理的關鍵技術了。

不過除此之外，這篇論文還對未來的工作有著一定的啟發作用。

從 “被動適配” 到 “主動設計”

既然已經知道了當前AI在硬件上的瓶頸，就可以提出對下一代AI硬件的期待。

DeepSeek團隊從五大維度做出了展望，希望在這一方面能夠從過去的“被動適配”逐步過渡到“主動設計”。

1、低精度計算支持

針對計算效率低的問題，下一代的AI硬件需要提高累積寄存器的精度，支持FP32累加，或可配置精度（如訓練用FP32，推理用FP16）。這樣才能在不同的模型訓練和推理需求中實現性能和準確性的平衡。

硬件還需要支持本地的細粒度量化，使張量核心能夠直接接收縮放因子（scaling factors），在計算單元內部完成量化和反量化，減少數據搬運。

此外，建議支持LogFMT（對數浮點格式），在相同比特寬度下提供更高精度，并提高編解碼的速度。

2、擴展與擴展融合

針對傳輸速度慢的問題，建議未來的硬件將節點內（縱向擴展）和節點間（橫向擴展）的通信整合到一個統一的框架中，通過集成專門用于網絡流量管理的協處理器。

這樣的設計可以降低軟件復雜性并最大化帶寬利用率，包括以下內容：

• 統一網絡適配器：設計連接到統一擴展和縮減網絡的NIC（網絡接口卡）或I/O芯片，讓網卡直接支持所有通信需求。
• 專用通信協處理器：將數據搬運、Reduce、類型轉換等任務卸載到專用硬件，釋放GPU SM資源。
• 增加智能傳輸功能：自動轉發數據，支持廣播和匯總操作，并自動處理數據順序問題。
• 動態帶寬分配：支持流量優先級調度（如EP通信>KV緩存傳輸）。
• CPU-FPU高速互聯：用NVLink連接CPU與GPU，進一步優化節點內通訊。

3、網絡拓撲優化

針對網絡卡頓的問題，建議以太網供應商開發專門針對RDMA工作負載進行優化的RoCE交換機，移除不必要的以太網功能。

還需要優化路由策略，支持自適應路由（Adaptive Routing，AR）通過動態向多個路徑發送數據包，即可顯著提高網絡性能。

或者可以通過虛擬輸出隊列（VOQ）改進流量隔離或擁塞控制機制，隔離不同流量，避免擁塞。

4、內存系統優化

針對AI模型記性越來越差，聊天時難以記住上下文的問題，可以通過3D堆疊DRAM的方法，把內存芯片像三明治一樣疊在計算芯片上。

或者學習Cerebras，直接在晶圓上進行集成工程，最大化內存帶寬和計算密度，讓硬件能記得更多。

又或者，在硬件存儲層部署稀疏注意力加速器，讓硬件直接幫忙整理記憶，只記重點。

5、魯棒性與容錯

針對大規模訓練中網絡閃斷、GPU故障會導致任務失敗的問題，期待下一代硬件能夠支持鏈路層重試和快速故障切換，在閃斷后能夠立刻自己找備用路線。

還可以增加基于信用的流控（CBFC）+?智能擁塞控制算法（如RTT-CC），避免網絡集體卡死。

簡單來說，下一代AI硬件要向算數快（低精度計算+本地細粒度量化）、傳話快（直連網絡+智能路由）、記性好（3D內存+近存計算）、不宕機（自愈網絡）的方向改進，才能更好地應用于大模型訓練，實現高效擴展。

論文地址：https://arxiv.org/pdf/2505.09343