突发，DeepSeek重磅开源核心推理引擎 - LOL阵容解读

源神归来！

就在刚才，DeepSeek再次发布重磅消息，完全开源其自主研发的推理框架DeepInfer。

一个集群一天内可处理155万亿Token，DeepSeek V4.1 Flash实现高吞吐、低延迟的大规模推理，正是依靠这一框架。

开源链接：https://github.com/deepseek-ai/DeepInfer 开源链接：https://github.com/deepseek-ai/deepseek-recipe

一同发布的，还有生产级Token编解码组件deepseek-recipe。

英伟达SM100 GPU、华为昇腾950 NPU，均被列入支持设备清单。

DeepSeek还在知乎上发布了技术长文，并在GitHub上提供了一份部署问答，从架构设计到部署细节，全面阐述了这套系统。

根据官方公布的线上数据，平均每个请求输入77K Token，首个字符平均仅需400毫秒即可输出。生成阶段每秒可输出230个Token，编写代码时甚至能提升至300个。

平均有96%的输入可以直接命中缓存，无需重新计算。

按谷价计算，平均每张卡每小时的收入为38美元。

如今，全球都能看到DeepSeek是如何让大模型高效运行的。

DeepSeek研究员Deli Chen更是放出豪言。

开源与闭源。光明与黑暗。两种未来、人类两种命运之间的对决。他们想打多久，我们就打多久。直到取得完全胜利。

评论区里，开发者们一片欢腾。

正如网友所言，模型开源已成“基本操作”，现在连推理引擎也开源，格局瞬间拉满。

此前，DeepSeek已经开源了一系列大模型、用于开发高性能算子的TileLang以及多个推理算子库。

这一次，从请求进入系统到输出答案的每一个环节，如何节省算力，DeepSeek都一一公开。

一个请求，兵分两路

模型处理一个请求分为两步。第一步是Prefill，模型读取系统提示、聊天记录、文件和问题，每个Token在每一层都会生成一组中间结果，即KV缓存。

第二步是Decode，模型逐个Token生成答案，每生成一个Token，都需要用到之前所有的KV缓存。

这两步消耗的资源截然不同。Prefill一次要处理数万个Token，考验的是算力。

Decode一次只生成一个Token，大部分时间用于从显存中读取参数和缓存。

因此，DeepSeek将两步拆分到不同的机器上。Prefill使用常见的8卡机器，Decode使用64到128卡的超节点。

如果请求中包含图片，还会先交给单独部署的图像编码服务处理。

在实际操作中，两者所需的卡数比例约为1比1。根据官方建议，要实现高效率，最小部署单元是64卡Prefill加64卡Decode。

官方API的那套逻辑，也开源了

请求进入系统后，首先经过deepseek-recipe处理。

目前主流的API格式有三种：OpenAI的Chat Completions和Responses，以及Anthropic的Messages。

deepseek-recipe将它们统一转换为同一种对话格式，然后根据模型版本拼接prompt并编码为Token。模型输出的Token，也由它转换回各自格式，以流式方式返回。

它还顺便堵住了一个漏洞。DeepSeek的模型依赖一批特殊Token来标记对话结构，例如用户发言的起始点、思考结束的位置、工具调用的时机等。

96%的输入，不用再算第二遍

每次Agent调用工具时，都需要将系统提示、工具说明，以及之前每一轮的回复和工具结果，完整重新发送给模型。

其中绝大部分内容，在上一轮已经计算过了。

DeepSeek的做法是，将计算过的KV缓存保存下来，下一轮只计算新增的部分。前提是前缀必须从第一个Token开始完全一致，中间重复的内容无法复用。

效果有多显著？同一张卡运行Prefill，如果不算缓存命中，每秒可处理6万个Token。

算上缓存命中，每秒可处理150万个，性能提升了整整25倍。

这些缓存全部存放在DeepSeek自有的3FS存储集群中，容量约为100PiB，全部采用固态硬盘。Agent流量的缓存保留3天，聊天流量的缓存保留7天。

聊天流量保留更长时间，是因为少数缓存会被反复读取多次，一旦丢失，整体命中率会显著下降。根据DeepSeek的经验，聊天流量仅保留3天，命中率会下降0.5%到1%。

将缓存单独放入存储集群后，任何一台Prefill机器都可以读取任何一段缓存，用户无需绑定到上次使用的机器。而且，计算机器的故障率比存储高出一个数量级以上，即使机器损坏，缓存仍然存在。

没命中？只补算128个Token

V4.1 Flash模型的部分层使用了滑动窗口注意力（SWA），每个Token只关注离自己最近的128个Token。

注意力计算也仅限于这128个Token，从而生成一份近似的窗口缓存。重算成本因此变为常数，无论上下文多长或模型有多少层，都不受影响。

同样的方法还应用于模型的另外20层。这20层每次Prefill时都需要重建窗口缓存，原本需要计算最后2560个Token，现在只需计算128个，Prefill的总计算量因此减少了近一半。

一步吐出好几个Token

进入Decode阶段后，模型每计算一步，原本只能生成一个Token。

DeepSeek自研的DSpark又前进了一步。它先估计每个猜测被接受的概率，概率低的直接跳过不验证，将验证算力留给其他请求。

与固定验证5个Token相比，线上吞吐量提升了6%。

在两步计算之间，CPU需要安排下一步的请求并处理上一步的结果，GPU原本只能等待。DeepInfer实现了两者的并行运行，GPU计算第N步时，CPU已经在安排第N+1步。

通过这一系列组合，线上Decode阶段每张卡每秒能生成1.4万个Token。

384个专家，摊到64张卡上

V4.1 Flash是一个MoE模型，内部包含多组“专家”参数，每个Token只会使用其中几组，仅路由专家就有384个。

在Decode阶段，DeepSeek将这些专家分配到64张卡上，每张卡放置6个，并额外放置1个热门专家的副本，共7个。每张卡上的专家数量越少，每一步需要从显存中读取的参数就越少，同样数量的卡就能处理更多请求。

官方离线测试中，64卡一组运行Decode，每张卡每秒最多能输出2.6万多个Token。

官方离线测试，横轴为每个用户获得的生成速度，纵轴为每张卡的输出吞吐

热门专家的副本也会动态调整，每1000步统计一次负载，每10000步重新分配。线上实测显示，负载最重的卡仅比平均水平高9%。

请求同样需要均匀分配。Prefill根据输入长度分为4档，每档分配的机器数量根据上一轮的需求动态调整。

Decode同时考虑每张卡上的请求数和缓存总长度，短请求分配给请求少、缓存长的卡，长请求分配给缓存短的卡。

通过这一套调度策略，系统整体性能可达到离线测试中完全均衡状态的80%左右。

即使是跨机房部署，DeepSeek也在问答中提供了答案。V4.1 Flash大幅压缩了KV缓存，跨机房在技术上可行，每8张卡配备约400Gbps的互联带宽即可，但可能牺牲可靠性，因为“跨机房的光纤容易被挖断”。

DeepSeek自己的推理节点，就部署在不同但相邻的机房中。

把智能的价格，打下来

这次开源的DeepInfer采用Apache 2.0协议，deepseek-recipe采用MIT协议。DeepInfer目前支持V4.1 Flash，最初主要基于vLLM构建，并参考了SGLang和TensorRT-LLM。

开源版本目前仅提供离线推理。KV缓存管理和负载均衡由于与内部基础设施绑定过深，代码暂时没有完整开源，设计细节已包含在长文和问答中。

DeepSeek此次分享的内部部署经验，主要目的是降低算力成本、减少能源消耗，让更广泛的人群用得起智能。

接下来，DeepSeek新模型的推理代码和性能优化，都会在DeepInfer中持续开源。

从模型、TileLang、算子库，到推理框架和API编解码，DeepSeek的开源，已经从模型本身一路铺到了每天155万亿Token的线上服务。

这次官宣，DeepSeek起的标题是“走向真正普惠的未来”。

本文来自微信公众号“新智元”，作者：ASI启示录，36氪经授权发布。