雷遞網 樂天 3月1日

AI大模型DeepSeek日前在知乎貼文《DeepSeek-V3 / R1 推理系統概覽》，DeepSeek稱，在最近的 24 小時裏（北京時間 2025/02/27 12:00 至 2025/02/28 12:00），DeepSeek V3 和 R1 推理服務佔用節點總和，峯值佔用爲 278 個節點，平均佔用 226.75 個節點（每個節點爲 8 個 H800 GPU）。

“假定 GPU 租賃成本爲 2 美金/小時，總成本爲 $87,072/天。如果所有 tokens 全部按照 DeepSeek R1 的定價[1]計算，理論上一天的總收入爲 $562,027（約409萬元），成本利潤率545%。”

這意味着，DeepSeek理論上一天的利潤爲474,955美元（約350萬元）。

據悉，DeepSeek R1 的定價：$0.14 / 百萬輸入 tokens (緩存命中)，$0.55 / 百萬輸入 tokens (緩存未命中)，$2.19 / 百萬輸出 tokens。

DeepSeek還指出，實際上沒有這麼多收入，因爲 V3 的定價更低，同時收費服務只佔了一部分，另外夜間還會有折扣。

硅基流動創始人、CEO袁進輝指出，“主要是V3/R1架構和其它主流模型差別太大了，由大量小Expert組成，導致瞄準其它主流模型結構開發的系統都不再有效，必須按照DeepSeek報告描述的方法才能達到最好的效率，而開發這樣的系統難度很高，需要時間，幸好這周DeepSeek五連發已經把主要模塊開源出來了，降低了社區復現的難度。”

“這些成果充分體現DeepSeek團隊第一性原理思考方式和強悍的意志，他們應該是首先是基於某些原因想到了用這樣的模型結構，然後發現這樣的結構無論是訓練還是推理，要做好都有非常大的工程挑戰，這些問題在他們工程團隊來說並不是搞不定的，關鍵是花那麼大力氣做完是否有大的收益呢，在最終結果出來前，誰也說不準，他們還是賭了，結果是賭對了。”

更有人評論稱，懷疑DeepSeek的模型結構就是爲了榨乾系統和芯片的每一滴油水來設計的。

這可能讓OpenAI CEO Altman（奧特曼）很不好想。外媒曾曝出，OpenAI在2024年可能面臨驚人的50億美元虧損，並可能在未來12個月內耗盡其現金儲備。

DeepSeek也挑戰了市場對AI、估值和高支出的敘述。DeepSeek的高性能預算產品也“質疑未來在英偉達芯片和開發上花費數千億美元的必要性”。

DeepSeek火爆以來，英偉達在2025年就失去了上漲的勢頭。有行業人士評論稱，DeepSeek這一波操作，英偉達等公司的股價可能又撐不住了。

以下是DeepSeek-V3 / R1 推理系統概覽在知乎貼文：

DeepSeek-V3 / R1 推理系統的優化目標是：更大的吞吐，更低的延遲。爲了實現這兩個目標，我們的方案是使用大規模跨節點專家並行（Expert Parallelism / EP）。

首先 EP 使得 batch size 大大增加，從而提高 GPU 矩陣乘法的效率，提高吞吐。其次 EP 使得專家分散在不同的 GPU 上，每個 GPU 只需要計算很少的專家（因此更少的訪存需求），從而降低延遲。但 EP 同時也增加了系統的複雜性。

複雜性主要體現在兩個方面：EP 引入跨節點的傳輸。爲了優化吞吐，需要設計合適的計算流程使得傳輸和計算可以同步進行。EP 涉及多個節點，因此天然需要 Data Parallelism（DP），不同的 DP 之間需要進行負載均衡。

因此，本文的主要內容是如何使用 EP 增大 batch size，如何隱藏傳輸的耗時，如何進行負載均衡。

大規模跨節點專家並行（Expert Parallelism / EP）

由於 DeepSeek-V3 / R1 的專家數量衆多，並且每層 256 個專家中僅激活其中 8 個。模型的高度稀疏性決定了我們必須採用很大的 overall batch size，才能給每個專家提供足夠的 expert batch size，從而實現更大的吞吐、更低的延時。需要大規模跨節點專家並行（Expert Parallelism / EP）。

我們採用多機多卡間的專家並行策略來達到以下目的：

Prefill：路由專家 EP32、MLA 和共享專家 DP32，一個部署單元是 4 節點，32 個冗餘路由專家，每張卡 9 個路由專家和 1 個共享專家

Decode：路由專家 EP144、MLA 和共享專家 DP144，一個部署單元是 18 節點，32 個冗餘路由專家，每張卡 2 個路由專家和 1 個共享專家

計算通信重疊

多機多卡的專家並行會引入比較大的通信開銷，所以我們使用了雙 batch 重疊來掩蓋通信開銷，提高整體吞吐。

對於 prefill 階段，兩個 batch 的計算和通信交錯進行，一個 batch 在進行計算的時候可以去掩蓋另一個 batch 的通信開銷；

對於 decode 階段，不同階段的執行時間有所差別，所以我們把 attention 部分拆成了兩個 stage，共計 5 個 stage 的流水線來實現計算和通信的重疊。

儘可能地負載均衡

由於採用了很大規模的並行（包括數據並行和專家並行），如果某個 GPU 的計算或通信負載過重，將成爲性能瓶頸，拖慢整個系統；同時其他 GPU 因爲等待而空轉，造成整體利用率下降。因此我們需要儘可能地爲每個 GPU 分配均衡的計算負載、通信負載。

1,Prefill Load Balancer

核心問題：不同數據並行（DP）實例上的請求個數、長度不同，導致 core-attention 計算量、dispatch 發送量也不同優化目標：各 GPU 的計算量儘量相同（core-attention 計算負載均衡）、輸入的 token 數量也儘量相同（dispatch 發送量負載均衡），避免部分 GPU 處理時間過長

2,Decode Load Balancer

核心問題：不同數據並行（DP）實例上的請求數量、長度不同，導致 core-attention 計算量（與 KVCache 佔用量相關）、dispatch 發送量不同優化目標：各 GPU 的 KVCache 佔用量儘量相同（core-attention 計算負載均衡）、請求數量儘量相同（dispatch 發送量負載均衡）

3,Expert-Parallel Load Balancer

核心問題：對於給定 MoE 模型，存在一些天然的高負載專家（expert），導致不同 GPU 的專家計算負載不均衡優化目標：每個 GPU 上的專家計算量均衡（即最小化所有 GPU 的 dispatch 接收量的最大值）

線上系統的實際統計數據DeepSeek V3 和 R1 的所有服務均使用 H800 GPU，使用和訓練一致的精度，即矩陣計算和 dispatch 傳輸採用和訓練一致的 FP8 格式，core-attention 計算和 combine 傳輸採用和訓練一致的 BF16，最大程度保證了服務效果。

另外，由於白天的服務負荷高，晚上的服務負荷低，因此我們實現了一套機制，在白天負荷高的時候，用所有節點部署推理服務。晚上負荷低的時候，減少推理節點，以用來做研究和訓練。

在最近的 24 小時裏（北京時間 2025/02/27 12:00 至 2025/02/28 12:00），DeepSeek V3 和 R1 推理服務佔用節點總和，峯值佔用爲 278 個節點，平均佔用 226.75 個節點（每個節點爲 8 個 H800 GPU）。假定 GPU 租賃成本爲 2 美金/小時，總成本爲 $87,072/天。

在 24 小時統計時段內，DeepSeek V3 和 R1：輸入 token 總數爲 608B，其中 342B tokens（56.3%）命中 KVCache 硬盤緩存。

輸出 token 總數爲 168B。平均輸出速率爲 20~22 tps，平均每輸出一個 token 的 KVCache 長度是 4989。

平均每臺 H800 的吞吐量爲：對於 prefill 任務，輸入吞吐約 73.7k tokens/s（含緩存命中）；對於 decode 任務，輸出吞吐約 14.8k tokens/s。

以上統計包括了網頁、APP 和 API 的所有負載。如果所有 tokens 全部按照 DeepSeek R1 的定價[1]計算，理論上一天的總收入爲 $562,027，成本利潤率 545%。

當然我們實際上沒有這麼多收入，因爲 V3 的定價更低，同時收費服務只佔了一部分，另外夜間還會有折扣。

———————————————

雷遞由媒體人雷建平創辦，若轉載請寫明來源。