开启破局之路！华为发出最新技术报告，昇腾+DeepSeek展示超大规模MoE模型推理部署

文丨谭梓馨

英伟达最担心的事情可能要发生了，在美国政府限制H20芯片出口中国且新的合规芯片尚未诞生之际，华为正在对国内AI算力市场展开一轮冲锋。

今天，华为技术团队在开源开发者平台GitCode发布了一篇技术报告，介绍了其昇腾超大规模MoE模型推理部署技术，展现了国产算力+大模型的发展潜力。

华为团队在报告中表示，最近一周将分享基于昇腾打造超大规模MoE模型推理部署最佳实践的相关技术，差不多一个月后，这些技术报告相关的代码会陆续开源出来，推动构建昇腾超大规模MoE模型开源生态。

系统性的适配和优化

这篇技术报告主要介绍了在昇腾服务器上部署DeepSeek模型的两种不同部署形态，并列举了一些相关优化技术，使用的机型是CloudMatrix 384超节点和Atlas 800I A2推理服务器。

昇腾NPU芯片是华为旗下的高性能AI处理器，专为大规模AI训练、高性能AI推理等任务设计。

其中，Atlas 800I A2推理服务器一个节点包含8张NPU芯片，形成多机组网架构。

A2单节点内8卡NPU通过Fullmesh形成全互联结构，通信总带宽392GB/s，不同节点间则通过网络交换机进行互联，形成Stars结构，通信总带宽50GB/s，每张Atlas 800I A2昇腾卡的内存大小是64GB。

CloudMatrix 384超节点则是进一步采用多卡紧耦合互联，统一内存编址，统一标识，统一通信等技术实现在算力、互联带宽、内存带宽的方面的的性能提升。

因为DeepSeek模型是在英伟达芯片上训练出来的，为适配昇腾芯片保证推理性能，华为团队采用SmoothQuant技术，对模型进行A8W8动态量化，计算过程的中间变量采用BF16。

大模型推理过程主要分Prefill和Decode两个阶段，Prefill阶段通常是计算瓶颈，而Decode阶段通常是带宽瓶颈和通信瓶颈，华为团队采用了Prefill和Decode分离的方式，在流行的vLLM服务框架基础上进行模型部署。

在Atlas 800I A2的部署上，Decode阶段仅使用32卡进行部署，Prefill阶段仅使用16卡部署，想要实现更高性能则意味着高内存占用，所以具体的部署策略上开发者要特别注意内存的占用。

DeepSeek V3/R1模型共3个稠密层、58个稀疏层以及一个MTP层，每层包括MLA模块和Dense FFN/MoE模块。

关于多头潜在注意力（MLA）的部署，Prefill阶段采用Attention前序计算DP16，Attention TP16，Attention后序计算DP8+TP2的混合部署策略，Decode阶段则采用业界主流的DP32与权重吸收的部署方式。

Dense FFN部署在Prefill阶段采用全DP的部署方式，Decode阶段综合考虑FFN性能和通信耗时，以及权重所需内存，选择采取DP4+TP8的部署策略。

混合专家（MoE）在Prefill和Decode阶段都采用了业界主流的EP并行部署策略，即将256个路由专家平均地部署到所有昇腾卡上。

CloudMatrix 384超节点部署方案在Prefill阶段的部署方案与Atlas 800I A2基本相同，主要差异是在CM384上MoE模块的通信方式为All2All，在Decode阶段，MoE模块的主要性能瓶颈为权重搬运。

但在CM384上，子节点间的互联带宽相比Atlas 800I A2大大提高，这使得大规模的EP部署成为可能。

技术报告提到，华为团队对框架侧性能进行了很多优化，涉及vLLM的一些关键环节，例如支持下发水平扩展，采用请求长度感知与KVCache亲和等高级调度策略，简化系统通讯链路，多核全并行、全异步的高效前后处理，降低NPU闲置率等等，以及在API Server扩展技术、MoE模型负载均衡方面进行了一些技术改良。

同时也对模型侧性进行了通信优化。因为大模型多卡部署时，卡间并行方式包括数据并行（DP）、张量并行（TP）、专家并行（EP）等，不同的卡间并行方式对多卡间通信方式和通信算子有着不同的需求，从而影响模型部署时的通信时延。

此外，昇腾芯片支持多种计算资源如张量计算单元、向量计算单元，以及通信资源的并发使用，这为尽可能发挥硬件的算力和带宽提供了支持。

还有对昇腾算子性能的优化，具体涉及对MLA场景的Attention算子进行计算过程的优化以及硬件亲和的性能优化，实现提升Attention算子性能接近1倍，非MTP场景算力利用率达到55%，使用一个MTP模块场景算力利用率达到60%。

以及对MoE通信算子优化，华为团队提出了两个通算融合算子，SMTurbo-CPP技术以及支持细粒度的分级流水算法等。

测试与评估效果良好

基于Altas 800I A2性能分析显示，Decode性能对于序列长度是2K输入+2K输出的测试情形，每卡平均并发数为72，此时端到端耗时为99.6ms，卡均吞吐为723 Tokens/s。

根据DeepSeek披露的数据，MTP接受率可达80%∼90%，如果按照90%的MTP接受率来估算，2K输入+2K输出的Decode单卡吞吐可达808 Tokens/s。

Prefill性能对于序列长度是2K，共8 batch拼成一共16K序列的测试场景，端到端耗时为631ms，卡均吞吐为1622 Tokens/s，大并发的Prefill阶段采用Micro-batch技术可以得到相当大的吞吐收益，据测算，Altas 800I A2在Prefill阶段可进一步达到卡均3095 Tokens/s的吞吐。

报告中提到，2025年4月，硅基流动联合华为云基于CloudMatrix 384超节点昇腾云服务，采用与本报告完全相同的大规模专家并行方案正式上线DeepSeek-R1，该服务在保证单用户20 TPS（等效50ms时延约束）水平前提下，单卡Decode吞吐突破1920 Tokens/s。

华为团队在技术报告最后表示，当前已经完成了完全在昇腾服务器上部署DeepSeek-V3/R1模型的方案，但后续还有一些工作需要完善，以进一步提升性能和支撑更多场景，例如对低时延场景的极致优化，Micro-batch优化方案，探索针对MoE部分INT4的量化技术，MLA层算子量化支持以及序列负载均衡优化方案等等。

国产算力+大模型打开新局面

根据外界分析和公开数据显示，用英伟达H20 GPU部署DeepSeek模型的单卡实际吞吐量可能在1600-2700 tokens/s范围内，华为可能会率先对H20占据的市场份额进行冲击。

近期，业内也传出华为正在加紧测试其最新、最强大的AI处理器昇腾910D，旨在取代英伟达的部分高端产品。据悉，华为已与一些中国科技公司接洽，商讨测试这款新芯片的技术可行性，预计最早将于5月底推出首批处理器样品，最新版本能与英伟达H100芯片性能比肩乃至超越。

H20芯片受限之后，英伟达CEO黄仁勋曾对外表示，英伟达芯片在中国受限可能会助力提升华为芯片的竞争力。

背后的一个驱动因素在于，中国开源AI大模型目前在世界范围内的影响力日益强大，如果DeepSeek等先进模型可完全在华为芯片上进行训练、部署、推理，或者未来中国开源模型都全面转向与华为芯片进行高度适配优化，可能促使全球市场产生对华为AI芯片的新需求。

日前，DeepSeek团队在一篇新论文里提出硬件架构与模型设计协同创新的重要性和具体路径展望，而今天华为抛出的这篇技术报告则从算力硬件方面对模型的训练和部署优化进行了解读，两者可谓遥相呼应。

面对中国市场，英伟达下一款特供版芯片会是什么性能目前尚未可知，但可以肯定的是，国产AI算力基座+大模型协同创新的大门已经被推开，而且发展势能会越来越强，直至形成自主可控的开发者生态乃至全球影响力，而华为昇腾和DeepSeek模型的深度适配优化或将是这一切的开始。

-END-

（文：头部科技）