今天小編分享的科學經驗：DeepSeek突襲公布成本利潤率：545%，歡迎閱讀。
五連開源後，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 推理系統的優化目标是：更大的吞吐，更低的延遲。
為了實現這兩個目标，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，需要設計合适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，本文的主要内容是如何使用 EP 增大 batch size，如何隐藏傳輸的耗時，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 個冗餘路由專家，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 個冗餘路由專家，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别，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，将成為性能瓶頸，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
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
優化目标：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
優化目标：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
優化目标：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 小時裡（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 小時統計時段内，DeepSeekV3 和 R1：
輸入 token 總數為 608B，其中 342B tokens（56.3%）命中 KVCache 硬碟緩存。
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。
平均每台 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麼多收入，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。
原文鏈接：
[ 1 ] https://zhuanlan.zhihu.com/p/27181462601
[ 2 ] https://github.com/deepseek-ai/open-infra-index/blob/main/202502OpenSourceWeek/day_6_one_more_thing_deepseekV3R1_inference_system_overview.md
