過去一周，DeepSeek連續(xù)開放了5個Infra項目的源代碼，正當大家以為這場開源盛宴已經(jīng)結(jié)束。3月1日，DeepSeek的彩蛋來了！開源周Day6，DeepSeek官方團隊在開發(fā)者社區(qū)Github和知乎給出了DeepSeek-V3/R1推理系統(tǒng)的技術(shù)解讀。通過優(yōu)化吞吐和延遲，DeepSeek理論上一天的總收入達到了562027美元，成本利潤率為545%。

敏銳的網(wǎng)友——如MenloVentures投資人Deedy翻譯了這意味著什么：“理論ARR（年收入）2億美元、利潤率超過500%，這樣的商業(yè)效率理應是一家值100億美元的公司。”

從2024年5月發(fā)布DeepSeekV2以來，DeepSeek模型服務就以“價格屠夫”示眾，總是比行業(yè)其他模型便宜1/10左右，質(zhì)疑DeepSeek虧本打價格戰(zhàn)的聲音也一直有。

通過這5天開放源代碼以及今天的推理系統(tǒng)概述，這一疑慮也被打消，可以預見，模型推理價格越來越負擔得起，且服務提供方也有的賺。這一事件的影響也可以通過社交平臺網(wǎng)友展現(xiàn)出刷屏的驚喜得以一窺，“成本利潤率545%，等于說你是在告訴我，我被Open AI搶劫了？開源周Day7的彩蛋是 AGI？”

但更大的信號指向生態(tài)伙伴，部署DeepSeek有的賺。

一位AI領(lǐng)域的投資人表示，“官方技術(shù)解讀表明，云平臺和上下游通過部署DeepSeek的服務，理論上收益和利潤率可以達到很高”。無論是對于提供在線推理、還是私有化部署等服務的供應商，都是利好。

在這波DeepSeek熱中受益的云平臺硅基流動創(chuàng)始人袁進輝也在第一時間發(fā)表了自己的感受，“DeepSeek官方披露大規(guī)模部署成本和收益，又一次顛覆了很多人認知。”但需要時間適配DeepSeek V3/R1模型架構(gòu)，他表示“現(xiàn)在很多供應商還做不到這個水平，主要是V3/R1架構(gòu)和其它主流模型差別太大了，由大量小專家組成，導致瞄準其它主流模型結(jié)構(gòu)開發(fā)的系統(tǒng)都不再有效，必須按照DeepSeek報告描述的方法才能達到最好的效率，而開發(fā)這樣的系統(tǒng)難度很高，需要時間”。

袁進輝進一步指出現(xiàn)在復現(xiàn)這樣的推理服務的難度以及DeepSeek可能的戰(zhàn)略思考，“幸好這周DeepSeek五連發(fā)已經(jīng)把主要模塊開源出來了，降低了社區(qū)復現(xiàn)的難度。這些成果充分體現(xiàn)了DeepSeek團隊第一性原理的思考方式和強悍的意志，他們應該是首先是基于某些原因想到了用這樣的模型結(jié)構(gòu)，然后發(fā)現(xiàn)這樣的結(jié)構(gòu)無論是訓練還是推理，要做好都有非常大的工程挑戰(zhàn)，不過這些問題在他們工程團隊來說并不是搞不定的，關(guān)鍵是花那么大力氣做完是否有大的收益呢，在最終結(jié)果出來前，誰也說不準，他們還是賭了，結(jié)果是賭對了。也可能是反過來的，基于系統(tǒng)的出發(fā)點設(shè)計了這樣一個全新的模型結(jié)構(gòu)。”

在DeepSeek官方報告中也提示了DeepSeek-V3/R1推理系統(tǒng)的優(yōu)化目標是：更大的吞吐，更低的延遲。配合技術(shù)解讀，DeepSeek開源周放出的5個代碼庫帶來的影響力才剛剛開始。

《DeepSeek-V3 / R1 推理系統(tǒng)概覽全文

DeepSeek-V3/R1推理系統(tǒng)的優(yōu)化目標是：更大的吞吐，更低的延遲。

為了實現(xiàn)這兩個目標，我們的方案是使用大規(guī)模跨節(jié)點專家并行（Expert Parallelism / 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(tǒng)的復雜性。復雜性主要體現(xiàn)在兩個方面：

EP引入跨節(jié)點的傳輸。為了優(yōu)化吞吐，需要設(shè)計合適的計算流程使得傳輸和計算可以同步進行。

EP涉及多個節(jié)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，本文的主要內(nèi)容是如何使用EP增大batch size，如何隱藏傳輸?shù)暮臅r，如何進行負載均衡。

1、大規(guī)模跨節(jié)點專家并行（Expert Parallelism / EP）

由于DeepSeek-V3/R1的專家數(shù)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(xiàn)更大的吞吐、更低的延時。需要大規(guī)模跨節(jié)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(jié)點，32個冗余路由專家，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(jié)點，32個冗余路由專家，每張卡2個路由專家和1個共享專家

2、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；

對于decode階段，不同階段的執(zhí)行時間有所差別，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(xiàn)計算和通信的重疊。

關(guān)于更多雙batch重疊的細節(jié)，可以參考我們的profiling數(shù)據(jù)的 GitHub倉庫：https://github.com/deepseek-ai/profile-data。

3、盡可能地負載均衡

由于采用了很大規(guī)模的并行（包括數(shù)據(jù)并行和專家并行），如果某個GPU的計算或通信負載過重，將成為性能瓶頸，拖慢整個系統(tǒng)；同時其他GPU因為等待而空轉(zhuǎn)，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(shù)據(jù)并行（DP）實例上的請求個數(shù)、長度不同，導致 core-attention 計算量、dispatch發(fā)送量也不同

優(yōu)化目標：各GPU的計算量盡量相同（core-attention 計算負載均衡）、輸入的token數(shù)量也盡量相同（dispatch發(fā)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(shù)據(jù)并行（DP）實例上的請求數(shù)量、長度不同，導致core-attention計算量（與KVCache占用量相關(guān)）、dispatch發(fā)送量不同

優(yōu)化目標：各GPU的KVCache占用量盡量相同（core-attention計算負載均衡）、請求數(shù)量盡量相同（dispatch 發(fā)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(yōu)化目標：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）

4、參考架構(gòu)圖

5、線上系統(tǒng)的實際統(tǒng)計數(shù)據(jù)

DeepSeek V3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(xiàn)了一套機制，在白天負荷高的時候，用所有節(jié)點部署推理服務。晚上負荷低的時候，減少推理節(jié)點，以用來做研究和訓練。在最近的24小時里（北京時間 2025/02/27 12:00 至 2025/02/28 12:00），DeepSeek V3和R1推理服務占用節(jié)點總和，峰值占用為278個節(jié)點，平均占用226.75個節(jié)點（每個節(jié)點為8個H800 GPU）。假定GPU租賃成本為2美元/小時，總成本為 $87072/天。

在24小時統(tǒng)計時段內(nèi)，DeepSeek V3和R1：

輸入token總數(shù)為608B，其中342B tokens（56.3%）命中 KVCache 硬盤緩存。

輸出token總數(shù)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。

平均每臺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(tǒng)計包括了網(wǎng)頁、APP 和 API 的所有負載。如果所有tokens全部按照DeepSeek R1的定價 (注：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么多收入，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)計算，理論上一天的總收入為562027美元，成本利潤率545%。