【DeepSeek】首次揭露成本利潤率！還有大量技術細節

當人們認為DeepSeek 開源周已經結束，剛剛DeepSeek 又掏出了One More Thing ，首次披露了其模型推理系統的成本利潤率：545%，這一驚人數字背後是一系列精心設計的技術最佳化。

DeepSeek 在保證服務品質的同時，實現了極高的成本效益：

• 硬體組態：所有服務使用H800 GPU，維持與訓練一致的FP8/BF16精度
• 動態資源調度：根據白天/夜間負荷差異動態調整節點數量，最大化資源利用率
• 成本資料：24 小時內平均使用226.75 個節點（每節點8個H800），成本約$87,072/天
• 吞吐能力：每台H800的prefill 吞吐約73.7k tokens/s，decode 吞吐約14.8k tokens/s
• 利潤率：以DeepSeek R1 定價計算，理論日收入$562,027，成本利潤率545%

DeepSeek-V3/R1 推理系統面臨兩大挑戰：如何提高吞吐量和如何降低延遲。

他們採用了大規模跨節點專家平行（Expert Parallelism/EP）技術。

DeepSeek-V3/R1 採用了MoE（混合專家）架構，每層有256 個專家，但每個token 只啟動其中8 個。這種高度稀疏的結構需要透過專家平行來提高效率：

專家平行就像是把不同特長的廚師分散到多個廚房（GPU）：

1. 提高吞吐量：就像餐廳一次接待更多顧客（增大batch size）。當廚房裡同時處理許多訂單時，廚師們可以更有效率地工作，不會有空閒時間，爐灶和切菜台都能充分利用。

2. 降低延遲：每個廚房只需要專注幾種特色菜（每個GPU只計算少量專家），廚師不需要來回切換不同菜系，也不用頻繁更換工具和食材，做飯速度自然更快。

DeepSeek 針對不同場景採用了不同的平行策略：

• 準備階段（Prefill）：類似於餐前準備，需要4 個分店協作，每個廚房有9+1 位廚師
• 出餐階段（Decode）：類似快速出餐，需要18 個分店協作，每個廚房有2+1位廚師

為了提高效率DeepSeek 還採用了雙批次重疊處理負載平衡策略

雙批次重疊處理：就像廚師一邊炒著這桌的菜，一邊準備下一桌的食材。當一批訂單在烹飪時，另一批訂單的食材可以同時在配送中，這樣廚房永遠不會空閒。

負載平衡策略：

• 確保每個廚房處理的訂單數量和複雜度相近
• 合理分配熱門菜色的廚師數量，避免某些特色菜（熱門專家）導致部分廚房超負荷
• 動態調整各分店的顧客分配，使得所有廚師的工作量和食材配送量儘可能平衡

正因為這些技術最佳化，DeepSeek 即使在硬體受限的情況下，也能實現出色的推理性能。

卡住它的地方，反而變成了它的創新。

附DeepSeek 官方原文🔗

https://mp.weixin.qq.com/s/dEEfMQgDK7y17yVjh6zblA

過去一周，DeepSeek 上演了「開源五連擊」。

覆蓋計算、通訊、儲存、演算法與模型的協同創新，中國AI 力量正在用開源精神，把曾經需要天價算力的技術，變得人人可用。 （APPSO）