DeepSeek开源周Day 1: FlashMLA——大家省，才是真的省

作者｜周一笑
邮箱｜zhouyixiao@pingwest.com

DeepSeek开源周正式拉开帷幕，为AI社区带来了一系列开源代码库，北京时间周一上午九点，DeepSeek公布了开源周的第一个项目：FlashMLA。

FlashMLA是DeepSeek专为英伟达Hopper GPU设计的高效 MLA（Multi-Head Latent Attention）解码内核，用于优化可变长度序列的推理服务，其目标是在H100等Hopper GPU上实现更快的推理速度，且所有代码均经过实际业务场景验证，目前正处于持续发布中。

发布后，FlashMLA迅速成为全球开发者关注的焦点，在GitHub上的Star数已突破5000。

按照官方说法，FlashMLA在H800 SXM5平台上（CUDA 12.6），在内存受限配置下可达最高3000GB/s的内存带宽，以及580TFLOPS的计算性能，代表了当前AI计算领域的顶级水准。

#01

推理性能突破

在大语言模型的推理过程中，高效的序列解码对于降低延迟和提高吞吐量至关重要。FlashMLA针对可变长度序列和分页KV缓存进行了优化，使其非常适用于这一需求。

那么FlashMLA如何实现的呢？这里不得不提到MLA，DeepSeek-V2模型中引入的MLA是一种注意力机制的变体，主要解决推理时KV Cache占用过多内存导致的性能瓶颈。MLA通过引入低秩KV压缩技术，有效减少了KV Cache的大小。而DeepSeek-V3则进一步采用了MLA和DeepSeekMoE，以实现高效推理和节约训练成本。

FlashMLA可以看做是针对Hopper GPU的进一步优化。它是DeepSeek为MLA开发的GPU内核，并针对H800 SXM5等Hopper架构GPU进行了专门优化，主要用于大语言模型的解码阶段（即按顺序生成新token的过程）。该项目借鉴了Flash Attention 2和3以及英伟达cutlass库的一些设计思路。

要运行 FlashMLA，需要配备 Hopper 架构的 GPU，例如 H800 SXM5，并确保安装了 CUDA 12.3 或更高版本，以及 PyTorch 2.0 或更高版本。FlashMLA 目前支持 BF16 精度，并具备分页 KV 缓存功能，它以 64 为块大小进行内存管理，实现了高效的内存利用。

在性能方面，FlashMLA 展现出了卓越的表现。在内存带宽方面，FlashMLA 能够达到 3000 GB/s，这已经非常接近 H800 SXM5 的硬件理论极限 3350 GB/s。这种优异的带宽表现很可能得益于类似 Flash Attention 所采用的分块和缓存技术。在计算性能方面，FlashMLA能够达到580TFLOPS，这是理论峰值的87%

有开发者推测，尽管代码库中注明使用的是BF16，但如此高的性能可能暗示了更高级的优化手段，如FP8等低精度格式。但更可能的情况是，DeepSeek在Tensor Core上进行了特殊设计，或针对MLA的特点定制了高效的计算核心，从而在特定场景下实现了性能突破。

FlashMLA的设计思路借鉴了Flash Attention 3（后者在H100上能达到740 TFLOPS的常规注意力计算）。虽然FlashMLA在H800上的580 TFLOPS看似较低，但考虑到它是专门为MLA优化的，这一性能实则非常亮眼。尤其值得注意的是，FlashMLA在性能稍弱的H800 GPU上，实现了接近H100上Flash Attention 3的表现。

总的来说，FlashAttention在注意力计算方面表现出色，但在解码任务上的优化有限，更适用于固定长度序列模型的训练与推理。相比之下，FlashMLA凭借高达3000 GB/s的内存带宽和580 TFLOPS的计算性能，更适合智能助手、翻译和文本生成等需要实时处理可变长度序列的应用场景。

#02

场景适配：从推理加速到成本优化

FlashMLA的高效性能使其在多个应用领域具有显著优势，例如：

低延迟应用：聊天机器人、翻译服务、语音助手等应用需要快速响应。FlashMLA的高内存带宽和计算吞吐量确保了这些应用能够快速、高效地提供结果。

批处理：在需要同时处理多个序列的场景（如批量推理）中，FlashMLA处理可变长度序列及高效管理内存的能力确保了最佳性能。

研发加速：从事新型AI模型或算法研究的开发者可以利用FlashMLA加速实验和原型设计，尤其是在处理大规模模型和数据集时。

DeepSeek-V3采用了MLA和DeepSeekMoE以实现高效推理和节约训练成本。

成本控制：FlashMLA是DeepSeek模型中的一个关键部分。例如DeepSeek-V2总参数量2360亿，每个token激活210亿参数，支持128K上下文长度。MLA将KV缓存减少93.3%，节省42.5%的训练成本，并提升生成吞吐量5.76倍。DeepSeek-V3参数量增加到6710亿，展现了MLA的可扩展性。并且在两个月内以558万美元的成本高效训练完成。DeepSeek自身的应用案例充分证明了FlashMLA在支持大规模、高效率语言模型方面的重要作用，这也顺应了当前AI发展追求经济效益的趋势。

#03

“这才是真正的OpenAI”

相比于发表技术论文，开源代码库更注重实际应用和社区协作。通过共享可运行的源代码，DeepSeek推动了技术普及和开发者之间的合作。FlashMLA的开源，已经让全球开发者赞叹DeepSeek的开放精神。

大模型行业从业者tomsheep认为，FlashMLA的主要贡献在于思路层面，虽然其本身的兼容性有限（例如，可能无法直接用于国产GPU），但这种思路可以启发其他项目开发类似功能。

tomsheep表示，他最期待DeepSeek能够开放训练部分的代码和数据流程。不过，根据DeepSeek此前在X上发布的信息，本周开源的5个代码库都是DeepSeek在线服务中的“基础模块”，并且都经过了生产环境的实战检验。DeepSeek官方还在相关repo中发布了一篇关于AI基础设施的文章：《Fire-Flyer AI-HPC: A Cost-Effective Software-Hardware Co-Design for Deep Learning》。

“参考OpenAI，先发布的往往是应用范围较窄的技术。FlashMLA更多地针对后端服务器运维的开发者。不过，看起来这一周的开源内容可能都围绕AI基础设施。”

绝大多数企业和用户是模型的使用者而非训练者。高效的推理框架能让AI基础设施提供商和终端用户同时受益：用户体验到更快的响应速度，企业也能以更低的成本服务更多客户。

通过开源FlashMLA，DeepSeek将成本优势共享给整个AI社区，让更多企业和开发者能够以更低的硬件投入，获得更高的推理性能，真正实现了“DS非常省硬件成本，开源出来大家一起省”。

FlashMLA的开源仅是DeepSeek开源周的第一天，不仅展示了DeepSeek的技术实力，更体现了其推动行业生态构建的开放态度，期待接下来会有更多惊喜。

（文：硅星GenAI）