KeyFrame內部研究專用

DeepSeek Just Open-Sourced How It Serves 155T Tokens a Day

Prompt Engineering英文
觀看原始影片

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

  1. 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。

  2. 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。

  3. 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。

  4. 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。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。