关注我

突发，DeepSeek重磅开源核心推理引擎

源神归来！

就在不久之前，DeepSeek再次发布重磅举措，全面开放其自主研发的推理框架DeepInfer的源代码。

这套系统支撑着DeepSeek V4.1 Flash实现高吞吐、低延迟的大规模推理，一个集群每天能处理155万亿Token。

开源地址：https://github.com/deepseek-ai/DeepInfer 以及 https://github.com/deepseek-ai/deepseek-recipe

一同公开的，还有生产级的Token编解码组件deepseek-recipe。

支持的硬件包括英伟达SM100 GPU和华为昇腾950 NPU。

DeepSeek同时在知乎发布了技术长文，并在GitHub上提供了一份部署问答，详细解释了从架构设计到部署实施的各个环节。

根据官方公布的线上数据，平均每个请求输入77K Token，首字平均只需400毫秒即可生成。生成阶段每秒可输出230个Token，编写代码时速度可达300个。

平均有96%的输入能直接命中缓存，无需重复计算。

按谷价计算，平均每张卡每小时的收入为38美元。

如今，全世界都能看到DeepSeek是如何让大模型高效运行的。

DeepSeek研究员Deli Chen更是放出豪言。

开源与闭源，光明与黑暗。这是两种未来、人类两种命运之间的决战。他们想打多久，我们就打多久，直到取得完全胜利。

评论区里，开发者们一片欢腾。

正如网友所说，模型开源已是常规操作，现在连推理引擎也开源，格局直接拉满。

在此之前，DeepSeek已开源了一系列大模型、高性能算子开发工具TileLang以及多个推理算子库。

这一次，从请求进入系统到生成答案的每一步，如何节省算力，DeepSeek都完全公开了。

一个请求，兵分两路

模型处理一个请求分为两步。第一步是Prefill，模型将系统提示、聊天记录、文件和问题一次性读完，每个Token在每一层都会计算出一组中间结果，这就是KV缓存。

第二步是Decode，模型逐Token生成答案，每生成一个Token，都要用到之前所有的KV缓存。

这两步消耗的资源截然不同。Prefill一次需处理数万个Token，主要考验算力。

Decode一次只生成一个Token，大部分时间花在从显存中读取参数和缓存上。

因此，DeepSeek将这两步拆分到不同的机器上执行。Prefill使用常见的8卡机器，Decode则使用64到128卡的超节点。

如果请求中包含图片，还会先交由单独部署的图像编码服务处理。

实践中，两边所需的显卡数量大致为1比1。根据官方建议，最小部署单元为64卡Prefill加64卡Decode。

官方API的逻辑，也开源了

请求进入系统后，首先经过deepseek-recipe的处理。

目前主流的API格式有三种：OpenAI的Chat Completions和Responses，以及Anthropic的Messages。

deepseek-recipe将它们统一转换为同一种对话格式，再根据模型版本拼接prompt并编码为Token。模型输出的Token，也由它翻译回各家格式，以流式方式返回。

它还顺便堵住了一个漏洞。DeepSeek的模型依靠一批特殊Token来标记对话结构，例如用户发言的起始点、思考的结束点以及工具调用的时机。

96%的输入，无需再次计算

Agent每调用一次工具，都需要将系统提示、工具说明，连同之前每一轮的回复和工具结果，完整地重新发送给模型。

这其中绝大部分内容，上一轮已经计算过。

DeepSeek的做法是，将计算过的KV缓存保存下来，下一轮只计算新增的部分。前提是前缀必须从第一个Token起完全一致，中间重复的内容无法复用。

有多夸张呢？同一张卡运行Prefill，在不考虑缓存命中时，每秒处理6万个Token。

算上缓存命中，每秒可处理150万个，性能相差高达25倍。

这些缓存全部存放在DeepSeek自有的3FS存储集群中，容量约100PiB，全部采用固态硬盘。Agent流量的缓存保留3天，聊天流量保留7天。

聊天流量保留时间更长，是因为少数缓存会被反复读取多次，一旦丢失，整体命中率会显著下降。根据DeepSeek的经验，聊天流量仅保留3天，命中率会下降0.5%到1%。

缓存独立存放在存储集群中，任何一台Prefill机器都可以读取任意一段缓存，用户不必被绑定在上次使用的机器上。而且，计算机器的故障率比存储高出至少一个数量级，机器损坏时，缓存依然安全。

未命中？仅需补算128个Token

V4.1 Flash的部分层采用了滑动窗口注意力机制（SWA），每个Token只关注离自己最近的128个Token。

注意力计算也仅在这128个Token内进行，从而获得一份近似的窗口缓存。重算成本因此变为常数，不受上下文长度或模型层数影响。

同样的方法还应用于模型的其他20层。这20层每次Prefill都需要重建窗口缓存，原本需要计算最后2560个Token，现在只需计算128个，Prefill的总计算量因此减少了近一半。

一步输出多个Token

进入Decode阶段，模型每步计算原本只能生成一个Token。

DeepSeek自研的DSpark在此基础上更进一步。它先估算每个猜测被接受的概率，对概率低的猜测直接跳过验证，将验证算力留给其他请求。

与固定验证5个猜测相比，线上吞吐量提升了6%。

在两步计算之间，CPU需要安排下一步的请求并处理上一步的结果，GPU原本只能空闲等待。DeepInfer让两者同时工作，当GPU计算第N步时，CPU已在安排第N+1步。

这套组合方案使得线上Decode阶段，每张卡每秒能生成1.4万个Token。

384个专家，分摊到64张卡上

V4.1 Flash是MoE模型，内部包含多组“专家”参数，每个Token只会用到其中几组，仅路由专家就有384个。

在Decode阶段，DeepSeek将这些专家分摊到64张卡上，每张卡放置6个，并额外添加1个热门专家的副本，共7个。每张卡上的专家数量越少，每一步需从显存中读取的参数就越少，相同数量的显卡就能处理更多请求。

官方离线测试显示，64卡一组运行Decode，每张卡每秒最多可输出超过2.6万个Token。

热门专家的副本也会动态调整，每1000步统计一次负载，每10000步重新分配。线上实测显示，负载最高的那张卡仅比平均水平高9%。

请求同样需要均匀分配。Prefill根据输入长度分为4档，每档分配的机器数量根据上一轮的需求动态调整。

Decode则同时考虑每张卡上的请求数和缓存总长度，短请求分配给请求数少、缓存长的卡，长请求则分配给缓存短的卡。

这套调度机制使得系统整体性能可达离线测试中完全均衡状态的80%左右。

就连跨机房部署，DeepSeek也在问答中给出了答案。V4.1 Flash大幅压缩了KV缓存，跨机房在技术上可行，每8张卡配备约400Gbps的互联带宽即可，但可能牺牲可靠性，因为“跨机房的光纤容易被挖断”。

DeepSeek自己的推理节点，就部署在不同但相邻的机房里。

降低智能的价格

此次开源的DeepInfer采用Apache 2.0协议，deepseek-recipe采用MIT协议。DeepInfer目前支持V4.1 Flash，最初主要基于vLLM构建，并参考了SGLang和TensorRT-LLM。

开源版本目前仅提供离线推理。KV缓存管理和负载均衡由于与内部基础设施深度绑定，代码暂未完整开源，但设计细节已写入长文和问答。

DeepSeek此次分享的内部部署经验，主要目的是降低算力成本、减少能源消耗，让更广泛的人群能够用得起智能。

接下来，DeepSeek新模型的推理代码和性能优化，都会在DeepInfer中持续开源。

从模型、TileLang、算子库，到推理框架和API编解码，DeepSeek的开源范围，已从模型本身扩展至每天处理155万亿Token的线上服务。

此次官宣，DeepSeek的标题是“走向真正普惠的未来”。

本文来自微信公众号“新智元”，作者：ASI启示录，36氪经授权发布。同时，相关技术细节也可在米兰网址上找到更多讨论。