源神重新归位！
就在不久前，DeepSeek再次发布重磅消息，完全开源其自主研发的推理框架DeepInfer。
借助该框架，一个集群每日可处理155万亿Token，DeepSeek V4.1 Flash之所以能实现高吞吐、低延迟的大规模推理，正是归功于此。
开源地址：https://github.com/deepseek-ai/DeepInfer 开源地址：https://github.com/deepseek-ai/deepseek-recipe
一同发布的，还有面向生产环境的Token编解码组件deepseek-recipe。
英伟达SM100 GPU和华为昇腾950 NPU，均在其支持之列。
DeepSeek在知乎上发布了详细的技术文章，并在GitHub上提供了一份部署问答，将这套系统从架构设计到具体部署细节，毫无保留地公之于众。
根据官方公布的线上数据，每个请求平均输入77K Token，首个Token的平均生成时间仅为400毫秒。在生成阶段，每秒可输出230个Token，编写代码时更是能达到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，每张卡每小时的收入为38美元。
如今，全球开发者都能看到DeepSeek究竟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决战。他们想打多久，我们就打多久。直到取得完全胜利。
评论区里，充满了开发者的热烈反响。
正如网友所言，模型开源已是“常规操作”，如今连推理引擎也一并开源，格局直接拉满。
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，从请求进入系统到生成结果，中间每一步如何节省算力，DeepSeek都完全公开了。
一个请求，分两路处理
模型处理一个请求分为两个步骤。第一步是Prefill，模型会一次性读取系统提示、聊天记录、文件以及问题，每个Token在每一层都会产生一组中间结果，这就是KV缓存。
第二步是Decode，模型开始逐个Token地生成答案，每生成一个，都需要用到之前所有的KV缓存。
这两个步骤消耗的资源截然不同。Prefill一次需要处理数万个Token，对算力要求极高。
Decode一次只生成一个Token，大部分时间都花费在从显存中读取参数和缓存上。
因此，DeepSeek将这两个步骤拆分到不同的机器上执行。Prefill使用常见的8卡机器，Decode则使用64到128卡的超节点。
如果请求中包含图片，会先交由独立部署的图像编码服务处理。
实际运行中，两边所需的显卡数量大致为1比1。根据官方建议，要达到高效运行，最小部署单元是64卡Prefill加64卡Decode。
官方API那套逻辑，也开源了
请求进入系统后，首先会经过deepseek-recipe的处理。
目前主流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，也由它转换回各家的格式，以流式方式返回。
它还顺手堵上了一个漏洞。DeepSeek的模型依靠一批特殊Token来标记对话结构，例如用户发言从哪开始、思考到哪结束、何时调用工具。
96%的输入，无需再次计算
Agent每次调用工具时，都需要将系统提示、工具说明，连同之前每一轮的回复和工具结果，整个重新发送给模型。
这其中绝大部分内容，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。
效果有多显著呢？同一张卡运行Prefill，如果不算缓存命中，每秒处理6万个Token。
算上缓存命中，每秒可达150万个，性能相差整整25倍。
这些缓存全部存放在DeepSeek自家的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，聊天流量缓存保留7天。
聊天流量保留更久，是因为少数缓存会被频繁读取，一旦丢失，整体命中率会大幅下降。根据DeepSeek的经验，如果聊天流量只保留3天，命中率会下降0.5%到1%。
将缓存单独放入存储集群，任何一台Prefill机器都能读取到任何一段缓存，用户无需被绑定到上次使用的机器上。而且，计算设备的故障率比存储设备高出一个数量级以上，即使机器出现故障，缓存依然安全。
没有命中？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只关注距离自己最近的128个Token。
注意力计算也只在这128个Token内进行，从而得到一份近似的窗口缓存。这样，重算成本就变成了一个常数，无论上下文多长、模型有多少层，都不会影响。
同样的方法也应用在了模型的另外20层上。这20层每次Prefill都需要重建窗口缓存，原本需要计算最后的2560个Token，现在只计算128个，Prefill的总计算量因此减少了近一半。
一步生成多个Token
进入Decode阶段，模型每计算一步，原本只能生成一个Token。
DeepSeek自研的DSpark则更进一步。它先估计每个猜测被接受的概率，对于概率低的猜测直接跳过验证，将验证算力留给其他请求。
与固定验证5个Token的方法相比，线上吞吐量提升了6%。
在两个计算步骤之间，CPU需要安排下一步的请求并处理上一步的结果，GPU原本只能空闲等待。DeepInfer让两边同时工作：GPU计算第N步时，CPU已经在安排第N+1步。
通过这一系列优化，线上Decode阶段每张卡每秒能生成1.4万个Token。
384个专家，分配到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只会用到其中几组，其中路由专家就有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，共计7个。每张卡上的专家越少，每一步需要从显存中读取的参数就越少，同等数量的显卡就能处理更多请求。
在官方离线测试中，64卡一组的Decode配置，每张卡每秒最多能输出超过2.6万个Token。
热门专家的副本会动态调整，每1000步统计一次负载，每10000步重新分配。线上实测显示，负载最高的那张卡仅比平均水平高出9%。
请求也需要均匀分配。Prefill根据输入长度分为4个档次，每个档次分配多少机器，会根据上一轮的需求动态调整。
Decode阶段则同时考虑每张卡上的请求数和缓存总长度：短请求分配给请求数少、缓存长的卡；长请求则分配给缓存短的卡。
通过这一套调度机制，系统整体性能可以达到离线测试中完全均衡状态下的80%左右。
就连跨机房部署，DeepSeek也在问答中给出了答案。V4.1 Flash大幅压缩了KV缓存，跨机房部署在技术上是可行的，每8张卡配备约400Gbps的互联带宽即可，但可能会牺牲可靠性，因为“跨机房的光纤容易被挖断”。
DeepSeek自身的推理节点，就部署在不同但相邻的机房中。
把智能的价格，打下来
此次开源的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搭建，并参考了SGLang和TensorRT-LLM。
开源版本目前提供的是离线推理。KV缓存管理和负载均衡功能因与内部基础设施绑定较深，代码暂时没有完全开源，但设计细节已写入长文和问答中。
DeepSeek此次分享内部部署经验的主要目的是降低算力成本、减少能源消耗，让更广泛的人群能够用得起智能。
接下来，DeepSeek新模型的推理代码和性能优化，都将在DeepInfer中持续开源。
从模型、TileLang、算子库，到推理框架和API编解码，DeepSeek的开源范围，已经从模型本身一路扩展到了每天处理155万亿Token的线上服务。
这次官方宣布，DeepSeek使用的标题是“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。
