全球首个，最接近原版DeepSeek开源复现来了！R1四个月狂飙26倍

201 0 0

文章摘要

DeepSeek-R1模型在H100 GPU上的性能优化取得了显著进展，短短4个月内性能提升了26倍，吞吐量接近DeepSeek官方数据。这一突破得益于SGLang、英伟达等机构的联合团队在推理优化方面的创新。团队通过全面升级SGLang，支持了PD分离、大规模EP、DeepEP、DeepGEMM及EPLB等功能，成功在12个节点共96块GPU的集群上复现了DeepSeek的推理系统。在处理2000个token的输入序列时，系统实现了每个节点每秒52.3k输入token和22.3k输出token的吞吐量，成本降至0.20美元/1M输出token，约为DeepSeek Chat API官方定价的五分之一。

高效的并行化设计是控制DeepSeek架构计算复杂度和内存需求的关键。团队针对注意力层、稠密前馈网络（FFN）、稀疏FFN以及语言模型（LM）的头部等关键组件，分别采用了专门设计的并行化策略。例如，在注意力层中，团队实现了DP attention，消除了跨设备的KV缓存冗余，显著降低了内存开销。在稠密FFN中，团队选择采用数据并行（DP）策略，而非张量并行（TP），以增强可扩展性和内存效率。在稀疏FFN中，团队采用了专家并行（EP）策略，将专家权重分散到多个设备上，有效扩展了内存容量。

预填充和解码分离技术进一步提升了系统性能。团队在SGLang中引入了预填充和解码（PD）分离技术，通过预填充服务器和解码服务器的协同工作，实现了两个阶段的交错执行。这种分离机制确保了每个阶段都能在最佳状态下运行，最大限度地利用了GPU资源。此外，团队还采用了非阻塞传输、基于RDMA的传输以及灵活的API集成等特性，进一步提升了系统性能。

大规模专家并行性（EP）和DeepGEMM集成优化了MoE模型的计算过程。团队利用DeepEP框架实现了专家并行（EP），并通过DeepGEMM优化了MoE模型中的矩阵乘法运算。DeepEP提供了标准调度模式和低延迟调度模式，能够根据工作负载动态调整调度模式，优化资源利用率。DeepGEMM则提供了分组GEMM（连续布局）和分组GEMM（掩码布局）两种内核，分别针对预填充阶段和解码阶段进行了优化。

双batch重叠（TBO）技术和专家并行负载均衡器（EPLB）进一步提升了系统的可扩展性和效率。团队通过TBO技术将单个batch拆分为两个micro-batch，允许计算和通信过程相互重叠，降低了峰值内存使用量。EPLB则通过计算专家的最佳排列方式，最大限度地减少了工作负载分布不均匀的问题，提高了GPU的利用率。

评估结果显示，SGLang的性能与DeepSeek的推理系统非常接近。在预填充阶段，SGLang的吞吐量与DeepSeek官方数据之间的差距在5.6%以内；在解码阶段，SGLang的吞吐量仅比DeepSeek的性能分析数据略低。团队还详细分析了预填充阶段和解码阶段的各个内核执行时间，结果显示SGLang的解码性能与DeepSeek的结果非常接近。

尽管取得了显著进展，项目仍存在一些局限性，如延迟优化、序列长度约束、多token预测（MTP）集成、专家并行负载均衡（EPLB）分布、灵活的张量并行（TP）规模以及Blackwell架构支持等。未来，团队将继续优化这些领域，以进一步提升系统性能和可扩展性。