跳至内容
今天是DeepSeek开源周的第二天，所以一大早马不停蹄的就起来看DeepSeek开源项目。
结果时间线上先刷到的是阿里的推理模型QwQ-Max的预览版。。。
但是毕竟阿里，是跟DeepSeek其名的“源神”，还是值得关注一下，反正他们跟我说，正式版很快了，而且也是全部开源。
有兴趣的可以先去线上版本https://chat.qwen.ai玩。
左上角选2.5-max，点上深度思考，里面模型用的就是QwQ-Max preview。
昨天第一天他们发的FlashMLA直接在H800上把性能榨干。短短一天过去，Github Star 就已经8.2k了。
而今天，他们带来的项目，放得招比第一天还大，承上启下算是用到极致了。
开源的是一个叫DeepEP的东西，它把电脑里的GPU性能再次拉满。
开源地址在此：https://github.com/deepseek-ai/DeepEP
1小时左右，Github上已经斩获1000多颗星了。
AI圈子里老说软件先行，硬件开路。但DeepSeek要的就是硬件效率，最低的硬件资源干出同水平更强的AI任务性能。
甚至，我感觉，DeepSeek比英伟达更懂怎么榨干GPU。。。
DeepSeek这回开源的技术，实在过于硬核，理解门槛太高，硬核的甚至我都有点看不懂了，但是还是硬着头皮学习了一波，也提前找了朋友蹲点，第一时间给我拆解了一下。
所以秉持着一个自媒体的原则，给大家简单科普下。可能会有点错误，如果出现，欢迎各位大佬莅临评论区进行指导。
现在很火的2个AI领域的研究方向，一个是“混合专家模型”（MoE），另一个就是“专家并行”（EP）。这回开源的DeepEP ，就是它俩量身定制的通信库。
在一个MoE模型里面，你可以简单的理解为里面有256个专家，给你干不同的事，有些擅长语言，有些擅长数学，有些擅长常识。这种模型叫做”混合专家模型”。
但是呢，过往的MoE模型里面，你可以想象成是这256个专家，都在一个房间里面，靠嘴通信，吵来吵去，要是所有人一起大喊大叫，这有多混乱，效率有多低下，你肯定能想象的出来。
而这个DeepEP呢，相当于设计了一个中间的沟通系统，把一群靠嘴巴沟通的地球人，变成了一群直接思想透明的三体人，靠电磁波交流，速度奇快无比。
所有专家的信息都可以即刻被其他所有三体人专家接收，没有延迟。（信息在不同GPU专家间以接近光速的方式传递，延迟低至186微秒）
而且整个文明可以同时感知一个三体人的所有思想。（支持”all-to-all”通信，一个专家的信息可以同时发送给所有其他专家）
因为三体人的思想是透明化的，让信息无损传递，没有误解。（数据在传输过程中保持完整性，支持FP8通信）
这就是大概的东西，虽然可能还是需要理解一下，但是我已经尽可能用我的知识来类比了一下。
回到DeepEP的技术和参数这块，我也列了3个点。
与DeepSeek-V3 论文一脉相承，DeepEP 提供了一组针对非对称域带宽转发的优化内核，把高吞吐量和低延迟又带到了一个新水平。不光让大模型训练更快了，推理效率也大幅增加了。
他们根据 DeepSeek-V3/R1 的预训练设置，在 H800 上测试了普通内核性能。
对于另一种对延迟敏感的推理解码，DeepEP 包含一组纯 RDMA 的低延迟内核，以最大限度减少延迟。
看到这里，感觉DeepSeek又贴心又硬核，把DeepSeek-V3/R1的核心优化技术之一开源就是这么简简单单。
最后的最后，DeepSeek又给了个惊喜：一种基于钩子（hook based）的通信-计算重叠方法，牛逼的是，这种方法不占用任何 SM 资源。
就比如你在翻书的同时，就能一目十行了，而不是翻到哪页看哪页。
DeepEP 就是这样，让 GPU 在传数据的同时还能计算，一点不浪费时间。
这让我想起DeepSeek-V3当时论文一发出来，性能效率比把全网都爆了的那种即视感。
恍惚间，我又想起之前，整宿盯的OpenAI十二连弹产品发布会，产品未至，营销先行。
这回，DeepSeek的手笔，让我感觉才是真的牛逼。
整体来看，这回的开源也是开箱即用，下载、部署和安装都一步到位。
（文：开源星探）
