【DeepSeek】開源第一彈！DeepSeek重磅發佈

2月24日，DeepSeek啟動“開源周”，開源了首個程式碼庫FlashMLA。

據介紹，這是DeepSeek針對Hopper GPU最佳化的高效MLA解碼核心，專為處理可變長度序列而設計，現在已經投入生產使用。“在H800上能實現3000 GB/s的記憶體頻寬&580 TFLOPS的計算性能。”DeepSeek說。

簡單來說，FlashMLA 是一個能讓大語言模型在 H800這樣的GPU上跑得更快、更高效的最佳化方案，尤其適用於高性能AI任務。這一程式碼能夠加速大語言模型的解碼過程，從而提高模型的響應速度和吞吐量，這對於即時生成任務（如聊天機器人、文字生成等）尤為重要。

MLA (Multi-Layer Attention，多層注意力機制)是一種改進的注意力機制，旨在提高Transformer模型在處理長序列時的效率和性能‌。MLA通過多個頭（head）的平行計算，讓模型能夠同時關注文字中不同位置和不同語義層面的資訊，從而更全面、更深入地捕捉長距離依賴關係和複雜語義結構‌。

此前，有從業者解析DeepSeek架構時提到，MLA的本質是對KV（Key-Value，一種快取機制）的失真壓縮，提高儲存資訊，“該技術首次在DeepSeek-V2中引入，MLA是目前開源模型裡顯著減小KV 快取大小的最佳方法。”

DeepSeek開源這一程式碼有何影響？媒體用這一問題詢問了DeepSeek，它回答稱，這一程式碼就像給AI推理引擎裝上了一台“渦輪增壓器“，讓大模型在處理複雜任務時更快、更省資源，同時降低了技術門檻。FlashMLA的意義不單是技術最佳化，更是打破算力壟斷、加速AI普惠的關鍵一步。

具體來說，FlashMLA可以突破GPU算力瓶頸，降低成本。傳統解碼方法在處理不同長度的序列（如翻譯不同長度的句子）時，GPU的平行計算能力會被浪費，就像用卡車運小包裹，大部分空間閒置。而FlashMLA的改進是：通過動態調度和記憶體最佳化，讓Hopper GPU（如H100）的算力被“榨乾”，相同硬體下吞吐量顯著提升。這意味著企業可以用更少的GPU伺服器完成同樣的任務，直接降低推理成本。

另一方面，FlashMLA可以推動大模型落地應用。可變長度序列是現實場景中的常態（如聊天對話、文件生成），但傳統方法需要填充（Padding）到固定長度，導致計算冗餘。FlashMLA支援動態處理變長輸入，讓AI應用（如客服機器人、程式碼生成）響應更快、更流暢，使用者體驗提升，加速商業化落地。

此前高效解碼核心多由科技巨頭閉源壟斷（如CUDA最佳化庫），中小企業和研究者難以復現。FlashMLA開源後，開發者可免費獲得“工業級最佳化方案”，降低技術門檻，促進更多創新應用（如垂直領域小模型）的誕生。

"the whale is making waves!（鯨魚正在掀起波浪！）”有網友在DeepSeek的帖子下留言稱。（註：DeepSeek的企業LOGO是鯨魚）。

也有網友希望DeepSeek開源網頁搜尋（Web Search）相關的程式碼，並提到，“DeepSeek 是真正的OpenAI（開放人工智慧）”。

這僅僅是開始，上周2月21日DeepSeek宣佈，下周開始，會陸續開源5個程式碼庫，“以完全透明的方式分享我們微小但真誠的進展”。DeepSeek表示，這些線上服務中的基礎建構模組已經經過文件化、部署，並在生產環境中經過實戰檢驗。

DeepSeek在公告中稱自己是探索 AGI 的小公司，作為開源社區的一部分，每分享一行程式碼，都會成為加速AI行業發展的集體動力。同時，DeepSeek 稱，沒有高不可攀的象牙塔，只有純粹的車庫文化（不少美國著名企業從車庫裡誕生）和社區驅動的創新。 (中國經濟網)