Re: [問卦] 有鄉民看過deepseek強在哪了嗎?

在領英上看到 講解的還行 看得懂就看吧 看不懂就算了

正文：

首先，文章贡献主要来自系统（Training Infra），而非模型本身。模型本身依然基于传统的Transformer：

1）他们世界首创在大规模LLM训练中系统性部署fp8（8位浮点）量化技术，这大大降低训练对显卡内存的需求，也加快了训练过程；

2）为了正确使用fp8的矩阵乘法，他们优化并改进了CUDA Kernal的调用方式，甚至给NVDA提出了诸多Tensor Core方面的设计建议

3）他们开发了自己的训练框架DualPipe，实现了16/64通道的流水线和专家（MOE）并行，极大改善了并行训练中的通信和计算冲突问题，解决了调度瓶颈。

最终，DeepSeek实现了在2048个H800上的集群训练。

其次，文章中大部分改进是渐进式的，而非革命性的：

1）上下文拓展实际上来自2023年文章YaRN；在MTP方面，最终DeepSeek V3只实现了N=1的MTP，也即比传统的GPT多预测一个词；

2）MOE所引入的Aux-Loss-Free Load Balancing技术，其实仅仅是在传统Expert的分配算法

3）DeepSeek MOE上的另一个革新是加入了“共享Expert”，并保证训练时对于每个Token，

4）其独创的Multihead Latent Attention 本质上是将QKV通过线性变换降维到一个Latent

5）利用自己在量化交易中的经验，创造性地将某些移动平均值（如Adam参数状态）存在CPU

当然，能够将如此多新的细节整合在一起，并获得一个几乎没有任何Loss Spike的平滑的训

最后，DeepSeek 在RL和蒸馏方面确实得到了极其宝贵的经验

Deep Seek证明了：

1）推理能力可以通过RL获得，

2）推理能力可有效的被蒸馏到更小的模型上去。

虽然他们也同时观察到，蒸馏可能让小模型的输出变得更长，语言效率降低。此外，如果RL

总的来说，确实是一个非常好的Paper，证明了在极限的精度和优化条件下，训练一个600B?

但不至于颠覆硅谷，是一个非常好的阶段性进展

# 他的另一篇補充：

澄清一些DeepSeek里关于降本增效的概念：

首先，增加训练效率的是MOE，Mixture of Experts，也就是所谓混合专家模型。他指的是模型每一个Transformer Block在最后那一层网络中，仅选择1/k的参数激活进入下一个Block。

这导致对于每一个token来说，一个600B的模型仅需激活了接近37B的权重，相当于每一个token的训练可以节省约80%算力，大大提高了训练速度。

其次，增加推理速度的是MLA，Multihead Latent Attention，多头隐空间注意力机制。名字很玄乎，本质就是通过一些矩阵把注意力机制中最关键的KQV三个矩阵投影到更低维的空间（隐空间）中，以便存在缓存中。这样每次推理的时候就不需要重新计算

大大增加了推理速度

这两个技术都不能说是颠覆性的。但DeepSeek都做了自己的改进，而且调通了

这就是他最厉害的地方

这两个重要概念，在DeepSeek V3 paper的第一页就有

当然更关键的是fp8，也就是8位浮点量化运算。之前推文介绍过了。是fp8从训练所需空间上限决定了，这个模型可以用2048个H800训练。

每个fp8相比fp16能节约50%空间，相比fp32 节约75%。矩阵乘法的运算速度甚至是按平方提升。

# 連結：
https://reurl.cc/oV67e5

# 小心得：
ds發布前幾天 組上老哥碩論預口 內容提到也做了fp8量化 然後只說效果不好就沒下文 結果人家大成功哈哈 不知道他口試那天會不會被電
-----
Sent from JPTT on my iPhone

--