梁文锋署名DeepSeek新论文：公开V3大模型降本方法

梁文锋亲自参与的DeepSeek最新论文，来了！

这一次，团队把DeepSeek-V3在训练和推理过程中，如何解决“硬件瓶颈”的方法公布了出来。

具体而言，DeepSeek-V3之所以可以只用2048块H800，就能达到超大规模集群（如数万块GPU）相当的训练效果，核心在于四项创新技术：

• 内存优化
• 多头潜在注意力（MLA）
• 计算优化
• 混合专家模型（MoE）与FP8低精度训练
• 通信优化
• 多层网络拓扑与低延迟设计
• 推理加速
• 多token预测（MTP）

那么这四项优化具体又是如何起到作用的，我们继续往下看。

软硬件协同的优化设计

在训练大模型这条路上，可以说一直有“三座大山”在占道。

首先就是内存不够用。

现在的大语言模型（比如GPT、Llama）变得越来越庞大，需要的存储空间激增。特别是它们使用的“注意力机制”会产生大量临时数据（KV Cache），占用大量显卡内存。

但高性能显存的容量增长太慢了，每年才增加不到50%，远远跟不上需求。

其次是计算效率低。

训练超大规模模型需要海量计算资源，传统 “稠密模型”（如 Llama-3）每次计算都要激活所有参数，导致计算成本极高。

而 “混合专家模型”（MoE）虽然更高效，但需要复杂的通信机制（如专家间数据传输），对网络带宽要求极高。

最后就是通信速度慢。

当使用多个GPU一起训练时，它们之间需要不断交换数据，这个过程会产生延迟。即使用了高速网络（如InfiniBand），这种延迟仍然会拖慢整体训练速度，尤其是处理长文本或需要实时响应时更明显。

而这篇论文所要解决的，正是上述的这些老大难的问题。

△DeepSeek-V3的基本架构

DeepSeek团队首先是对内存进行了优化，所采用的方法则是多头潜在注意力（MLA），为的就是减少 “键值缓存”（KV Cache）的内存占用。

传统模型每个注意力头都需要独立缓存键值对，而MLA通过投影矩阵将所有头的键值对压缩成一个更小的 “潜在向量”，只需缓存这一向量。

相比其他模型（如LLaMA-3、Qwen-2.5），DeepSeek-V3的KV缓存大小每token仅需70 KB，是传统方法的1/7到1/4，大幅降低显存压力，尤其适合长文本处理。

在计算优化方面，DeepSeek-V3所采用的方法，则是MoE和FP8低精度训练。

MoE，即将模型参数分成多个 “专家”，每次只激活部分专家处理输入，显著减少实际计算量。

DeepSeek-V3采用类似的思路，其总参数虽然是6710亿，但每次仅激活370亿参数，训练成本仅为同规模稠密模型的1/10（如Llama-3.1的训练成本是其近10倍）。

也正因推理时激活参数少，DeepSeek-V3可在消费级GPU（如售价1万美元的显卡）上运行，每秒生成近20个token，适合个人或中小型企业使用。

至于FP8低精度训练，不同于传统训练使用BF16（16 位浮点），可将内存占用和计算量减半，同时通过 “精细量化”（如分块压缩）保持精度。

而DeepSeek-V3是首次在开源大模型中成功应用FP8训练，训练成本降低50%，且精度损失小于0.25%。

除此之外，DeepSeek-V3在通信方面也做了相应的优化。

例如多层胖树网络（Multi-Plane Fat-Tree），将集群网络分为多个 “平面”，每个GPU连接到独立的网络平面，避免不同任务的流量冲突（如训练与存储通信分离）。

相比传统三层网络，两层结构成本降低40%，延迟减少30%，支持上万GPU扩展。

DeepSeek-V3在做推理时，还将 “注意力计算” 与 “专家间通信” 分阶段执行，利用流水线并行（DualPipe）让GPU在计算时同时传输数据，避免空闲等待，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预测（MTP）的方法。

传统模型每次只能生成1个token，而MTP通过轻量级子模型并行预测多个候选token（如一次预测2-3个），验证后选择最优结果。

从实验效果来看，生成速度提升1.8倍，例如每秒生成 oken数从10个增至18个，同时保持准确率在80%-90%。

以上就是DeepSeek-V3通过硬件与模型的协同设计，在有限资源下可以实现高效训练和推理的关键技术了。

不过除此之外，这篇论文还对未来的工作有着一定的启发作用。

从 “被动适配” 到 “主动设计”

既然已经知道了当前AI在硬件上的瓶颈，就可以提出对下一代AI硬件的期待。

DeepSeek团队从五大维度做出了展望，希望在这一方面能够从过去的“被动适配”逐步过渡到“主动设计”。

1、低精度计算支持

针对计算效率低的问题，下一代的AI硬件需要提高累积寄存器的精度，支持FP32累加，或可配置精度（如训练用FP32，推理用FP16）。这样才能在不同的模型训练和推理需求中实现性能和准确性的平衡。

硬件还需要支持本地的细粒度量化，使张量核心能够直接接收缩放因子（scaling factors），在计算单元内部完成量化和反量化，减少数据搬运。

此外，建议支持LogFMT（对数浮点格式），在相同比特宽度下提供更高精度，并提高编解码的速度。

2、扩展与扩展融合

针对传输速度慢的问题，建议未来的硬件将节点内（纵向扩展）和节点间（横向扩展）的通信整合到一个统一的框架中，通过集成专门用于网络流量管理的协处理器。

这样的设计可以降低软件复杂性并最大化带宽利用率，包括以下内容：

• 统一网络适配器：设计连接到统一扩展和缩减网络的NIC（网络接口卡）或I/O芯片，让网卡直接支持所有通信需求。
• 专用通信协处理器：将数据搬运、Reduce、类型转换等任务卸载到专用硬件，释放GPU SM资源。
• 增加智能传输功能：自动转发数据，支持广播和汇总操作，并自动处理数据顺序问题。
• 动态带宽分配：支持流量优先级调度（如EP通信>KV缓存传输）。
• CPU-FPU高速互联：用NVLink连接CPU与GPU，进一步优化节点内通讯。

3、网络拓扑优化

针对网络卡顿的问题，建议以太网供应商开发专门针对RDMA工作负载进行优化的RoCE交换机，移除不必要的以太网功能。

还需要优化路由策略，支持自适应路由（Adaptive Routing，AR）通过动态向多个路径发送数据包，即可显著提高网络性能。

或者可以通过虚拟输出队列（VOQ）改进流量隔离或拥塞控制机制，隔离不同流量，避免拥塞。

4、内存系统优化

针对AI模型记性越来越差，聊天时难以记住上下文的问题，可以通过3D堆叠DRAM的方法，把内存芯片像三明治一样叠在计算芯片上。

或者学习Cerebras，直接在晶圆上进行集成工程，最大化内存带宽和计算密度，让硬件能记得更多。

又或者，在硬件存储层部署稀疏注意力加速器，让硬件直接帮忙整理记忆，只记重点。

5、鲁棒性与容错

针对大规模训练中网络闪断、GPU故障会导致任务失败的问题，期待下一代硬件能够支持链路层重试和快速故障切换，在闪断后能够立刻自己找备用路线。

还可以增加基于信用的流控（CBFC）+ 智能拥塞控制算法（如RTT-CC），避免网络集体卡死。

简单来说，下一代AI硬件要向算数快（低精度计算+本地细粒度量化）、传话快（直连网络+智能路由）、记性好（3D内存+近存计算）、不宕机（自愈网络）的方向改进，才能更好地应用于大模型训练，实现高效扩展。

论文地址：https://arxiv.org/pdf/2505.09343