DeepSeek开源周第一天：FlashMLA开源，解锁H800性能上限，提升存量GPU算力

作者

文章转载自「新智元」。

DeepSeek 开源周第一天，放出了他们的首个开源项目——FlashMLA。

这是DeepSeek专为英伟达Hopper GPU打造的高效MLA解码内核，特别针对变长序列进行了优化，目前已正式投产使用。
经实测，FlashMLA在H800 SXM5平台上（CUDA 12.6），在内存受限配置下可达最高3000GB/s，在计算受限配置下可达峰值580 TFLOPS。简单点说，FlashMLA 是一个能让 LLM 模型在 H800 上跑得更快、更高效的优化方案，尤其适用于高性能 AI 任务。

开源地址：https://github.com/deepseek-ai/FlashMLA
当前已经发布的内容为：
  • 对BF16精度的支持

  • 块大小为64的分页KV缓存

团队在致谢部分表示，FlashMLA的设计参考了FlashAttention-2、FlashAttention-3以及CUTLASS的技术实现。
有网友对此表示，「DeepSeek王炸开局，FlashMLA是真正能加速AGI进程的」。

01 

快速入门

首先，需要打开终端，输入下面代码安装setup.py文件：

这是一个基于Python的安装命令，用于编译和安装FlashMLA模块，确保其高效运行于特定硬件。
python setup.py install




基准测试：


这段代码是一个测试脚本，用于验证FlashMLA的功能和性能，并与PyTorch的基准实现进行对比。


python tests/test_flash_mla.py




使用方法：


下面是一段使用的示例代码。


from flash_mla import get_mla_metadata, flash_mla_with_kvcachetile_scheduler_metadata,num_splits=get_mla_metadata(cache_seqlens, s_q * h_q // h_kv, h_kv)  for i in range(num_layers):    ...    o_i, lse_i = flash_mla_with_kvcache(        q_i, kvcache_i, block_table, cache_seqlens, dv,        tile_scheduler_metadata, num_splits, causal=True,    )    ...






02 


DeepSeek训练成本


如此之低的两大关键


DeepSeek的成本涉及两项关键的技术：一个是MoE，一个就是MLA（多头潜注意力）。


其中，MLA的开发耗时数月，可将每个查询KV缓存量减少93.3%，显著减少了推理过程中的内存占用（在训练过程也是如此）。




MLA架构需要一些巧妙的设计，因此实现的复杂性大大增加。而DeepSeek成功地将这些技术整合在一起，表明他们在高效语言模型训练方面走在了前沿


多头潜注意力（MLA）


KV缓存是Transforme模型中的一种内存机制，用于存储表示对话上下文的数据，从而减少不必要的计算开销。


随着对话上下文的增长，KV缓存会不断扩大，从而造成显著的内存限制。


通过大幅减少每次查询所需的KV缓存量，可以相应减少每次查询所需的硬件资源，从而降低运营成本。


与标准注意力机制相比，MLA将每次查询所需的KV缓存减少了约93.3%。




MLA这种全新多头潜注意力，可以将注意力机制的内存占用减少大约80%到90%，尤其有助于处理长上下文


此外，由于H20芯片比H100具有更高的内存带宽和容量，DeepSeek在推理工作负载方面获得了更多效率提升。


除了MLA，DeepSeek其他突破性进展还有哪些？


训练（前期和后期）


不是「下一个token预测」，而是「多token预测」


DeepSeek V3以前所未见的规模实现了多Token预测（MTP）技术，这些新增的注意力模块可以预测接下来的多个Token，而不是传统的单个Token。


这显著提高了训练阶段的模型性能，且这些模块可以在推理阶段移除。


这是一个典型的算法创新案例，实现了在更低计算资源消耗下的性能提升。


其他方面，虽然DeepSeek在训练中采用了FP8精度，但像全球一些顶尖的实验室已经采用这项技术相当长时间了。


DeepSeek V3采用了我们常见的「混合专家模型」（MoE）架构，个由多个专门处理不同任务的小型专家模型组成的大模型，展现出强大的涌现能力。


MoE模型面临的主要挑战是，如何确定将哪个Token分配给哪个子模型（即「专家」）。


DeepSeek创新性地采用了一个「门控网络」（gating network），能够高效且平衡地将Token路由到相应的专家，同时保持模型性能不受影响。


这意味着路由过程非常高效，在训练过程中每个Token只需要调整小量参数（相较于模型整体规模）。


这既提高了训练效率，又降低了推理成本。


尽管有人担心MoE带来的效率提升，可能降低投资意愿，但Dario指出，更强大的AI模型带来的经济效益非常可观，任何节省的成本都会立即被投入到开发更大规模的模型中。


因此，MoE效率提升不会减少总体投资，反而会加速模型Scaling的进程。


当前，包括OpenAI、谷歌、Anthropic等一些公司正专注于扩大模型的计算规模，并提高算法效率。


V3打好了基础，RL立大功


对于R1而言，它极大地受益于其强大的基础模型——V3，这在很大程度上要归功于强化学习（RL）。


RL主要关注两个方面：格式化（确保输出连贯性）以及有用性与安全性（确保模型实用且无害）。


模型的推理能力，是在对合成数据集进行微调过程中自然涌现的，这与o1的情况类似。


值得注意的是，R1论文中并没有提及具体的计算量，因为披露使用的计算资源，会暴露DeepSeek实际拥有的GPU数量远超过其对外宣称的规模。


这种规模的强化学习需要庞大的计算资源，特别是在生成合成数据时。


谈到蒸馏，R1论文最引人注目的发现可能是，通过具有推理能力的模型输出来微调较小的非推理模型，使其获得推理能力。


数据集包含了约80万个样本，现在研究人员可以利用R1的思维链（CoT）输出创建自己的数据集，并借此开发具有推理能力的模型。


未来，我们可能会看到更多小模型展现出推理能力，从而提升小模型的整体性能。




（文：Founder Park）


欢迎分享

发表评论