在所有人追求更大規模集群的時候, Deepseek這樣的工作只有一個詞評價: Respect!

原標題：談談DeepSeek-v3在算力約束下的出色工作
文章來源：智猩猩GenAI
內容字數：13634字

DeepSeek-v3: 高效能大模型訓練與推理的突破

本文分析了DeepSeek-v3 (DSv3) 671B參數的大型語言模型，它僅使用2048塊H800 GPU就超越了Meta使用16384塊H100訓練的Llama 3 405B模型，展現了在模型訓練和推理方面的顯著效率提升。文章重點關注其架構創新、并行策略以及對未來硬件設計的建議。

1. DeepSeek-v3 模型概述

1.1 模型結構：DSv3采用MLA和DeepSeekMoE架構，Hidden Dim為7168，attention heads為128，模型層數為61層。MoE層包含一個共享專家和256個路由專家，每個Token激活8個專家，并確保Token僅被路由到4個節點。 創新之處在于引入了Auxiliary-Loss-Free Load Balancing和Multi-Token Prediction (MTP)，MTP模塊通過預測額外的Token來提高數據使用效率，類似于CPU分支預測器，提升了模型的推理能力。

1.2 訓練并行策略：DSv3使用自研的HAI-LLM框架，采用PP=16,EP=64的并行策略，并結合ZeRO-1 Offload和內存優化，巧妙地避開了對NVLink帶寬的依賴。 DualPipe算法實現了計算和通信的重疊，減少了PP中的“氣泡”，顯著提升了效率。針對跨節點All-to-All通信也進行了細致優化。

1.3 并行推理策略：DSv3采用PD分離策略，在Attention計算部分使用TP4+SP結合DP8，在MoE層使用EP=32，并通過Redundant Experts策略來平衡負載。為了隱藏A2A和TP的通信開銷，它同時處理兩個microbatch，并對dispatch/MoE/Combine Kernel進行融合。解碼階段最小部署規模為40個節點320張卡，采用TP4+SP配合DP80，MoE部分采用EP320，并通過IBGDA進一步降低延遲。

2. DeepSeek-v3 訓練中使用的并行技術

2.1 DualPipe：通過將forward/backward chunk配對，并將其分為四個組件（Attention，A2A dispatch，MLP和A2A combine）進行重疊計算和通信，從而隱藏了A2A和PP通信開銷。

2.2 高效的跨節點A2A通信：利用IB和NVLink的帶寬差異，通過IB傳輸到目標節點上相同Rank的GPU，再通過NVLink轉發到目標GPU，并通過動態調整通信塊大小和PTX指令優化來減少L2緩存干擾。

2.3 內存優化：采用Activation重計算、CPU異步更新模型參數等策略，并把模型淺層和Embedding層與最后一層放在同一個PP Rank中。

2.4 FP8訓練：采用Tile/Block-based細粒度量化訓練策略和混合精度訓練，在保證精度的前提下大幅提升訓練速度。通過提高累加精度、細粒度量化以及低精度存儲和通信等方法，有效降低內存消耗和通信帶寬。

3. 對硬件設計的建議

3.1 網絡硬件：建議開發對通信和集合通信Offload的專用網絡處理器和協處理器，并統一ScaleOut和ScaleUp網絡接口，簡化應用程序編程。

3.2 計算部件：建議提高TensorCore的Accumulator精度，支持Tile/Block based量化，并支持Online量化，避免數據移動；建議加入warp level的轉換指令，促進NormLayer和FP8轉換融合，或采用近內存計算方法；建議支持Transpose GEMM操作，減少內存訪問。

總而言之，DeepSeek-v3在模型架構、訓練和推理并行策略以及FP8訓練等方面取得了顯著突破，為大型語言模型的高效訓練和部署提供了新的思路，同時也對未來硬件設計提出了寶貴的建議。

聯系作者

文章來源：智猩猩GenAI
作者微信：
作者簡介：智猩猩旗下公眾號之一，深入關注大模型與AI智能體，及時搜羅生成式AI技術產品。