DeepSeek Just Open-Sourced How It Serves 155T Tokens a Day
三句話摘要
DeepSeek開源推理引擎Deep Infra的架構設計與大規模AI服務優化策略。 大規模推理的本質不是更快的硬體,而是透過分離計算模式、長期快取、動態路由和投機執行來消除浪費和等待。 大規模推理的根本挑戰在於前填充(prefill)和解碼(decode)的硬體需求完全相反——前填充需要大量計算,解碼需要大量記憶體存取。DeepSeek透過分離這兩個階段到不同機器,使兩者能獨立優化,這是整個架構的核心。
重點整理
大規模推理的根本挑戰在於前填充(prefill)和解碼(decode)的硬體需求完全相反——前填充需要大量計算,解碼需要大量記憶體存取。DeepSeek透過分離這兩個階段到不同機器,使兩者能獨立優化,這是整個架構的核心。
KV快取的長期保存是成本優化的關鍵。DeepSeek將快取在磁碟上保持數天而非業界標準的5分鐘,使96%輸入tokens可從快取讀取,直接降低API成本並減少計算需求。
混合專家模型的分散式部署解決熱點問題。透過在64個GPU上分散專家,並動態複製熱門專家到多個GPU,確保沒有GPU成為性能瓶頸。
非確定性問題的暴露與解決展示了生產級系統的複雜性。即使溫度為零,不同批處理配置也會導致不同輸出,DeepSeek提供批處理不變模式來解決此問題。
實用技巧與重點
- 日處理量:155兆tokens
- KV快取持續時間:代理流量3天,聊天流量7天
- 快取命中率:96%輸入tokens來自快取
- 專用資料集群:100拍位元組SSD儲存
- 前填充硬體:8個GPU的常規機器
- 解碼硬體:數百個GPU的超級節點
- 混合專家分布:64個或更多GPU
- 投機式解碼:草稿頭預測5個tokens,模型一步驗證
- 置信度調度增益:+6%吞吐量
- 解碼GPU吞吐:14,000 tokens/秒
- 用戶端體驗速度:數百tokens/秒
- GPU收益:離峰時每小時$38
- Deep Infra開源元件:DeepSeek Recipe(安全的tokenization)
- SWA有界重放:減少滑動窗口注意力的重計算量,降低約一半的前填充工作
結論
大規模推理的本質不是更快的硬體,而是透過分離計算模式、長期快取、動態路由和投機執行來消除浪費和等待。
完整解析
DeepSeek最近開源了其推理引擎Deep Infra及詳細技術文檔,揭示了大規模AI服務的工程秘密。這個系統每天處理155兆個tokens,背後蘊含了深刻的系統設計哲學。在本地運行模型很簡單,一個使用者、一個prompt、一個GPU,但服務數百萬使用者時情況完全不同。關鍵洞察是推理過程包含兩個本質不同的硬體任務——前填充是大規模並行計算,模型一次性讀取整個prompt並構建會話的KV快取;解碼則是逐個token生成,每個token都要等待前一個token完成。
DeepSeek的解決方案是徹底分離這兩個階段。前填充運行在8個GPU的常規機器上,重點是吞吐量;解碼運行在數百GPU超級節點上,重點是記憶體頻寬。系統首先檢查KV快取——由於DeepSeek將快取保存在磁碟上數天(聊天7天、代理3天),用100拍位元組SSD的專用集群儲存,96%的輸入tokens無需重新讀取,直接來自快取。這是最重要的成本優化點,也是為何API對快取輸入的收費遠低於新輸入。
解碼階段處理Deepseek v4.1 Flash的混合專家架構。每個token只使用一小組專門網路,但面臨熱點問題——某些專家被頻繁使用,成為瓶頸。Deep Infra動態複製熱門專家到多個GPU上,每幾千步根據流量重新負載均衡。此外,系統採用投機式解碼:小草稿頭預測5個tokens,大模型一步驗證所有5個,再加上置信度調度(只驗證有希望的預測),額外增加6%吞吐量。系統還暴露了一個出人意料的問題:即使溫度為零,不同的批處理配置會導致相同prompt產生不同答案。這是因為GPU的浮點運算對批大小敏感,微小舍入差異可能改變token選擇。DeepSeek提供批處理不變模式強制計算一致,雖然會降低速度但保證可複現性。


