项目地址：https://github.com/deepseek-ai/DeepEP
开源日历：2025-02-24起 每日9AM(北京时间)更新，持续五天 (2/5)！
引言
在大模型训练中，混合专家模型（Mixture-of-Experts, MoE）因其动态路由和高效计算特性备受关注。然而，随着模型规模的扩大，GPU 间的数据通信成为关键瓶颈——尤其是在专家并行（Expert Parallelism, EP）场景中，数据需要在多个 GPU 间高效分发与合并。传统通信库往往难以兼顾高吞吐与低延迟，而 DeepEP 的诞生正是为了解决这一难题。
核心功能与设计理念
1. 什么是 DeepEP？
DeepEP 是由 DeepSeek 开源的高性能通信库，专为 MoE/EP 场景设计。其核心目标是通过优化 GPU 间数据传输，实现：
- 训练加速：提升多 GPU 协作效率
- 推理降延迟：支持实时推理任务（如 ChatGPT）
- 资源高效利用：减少 GPU 闲置时间
2. 技术亮点解析
（1）域间带宽优化
针对 MoE 的非对称通信场景（如 NVLink 域到 RDMA 域）深度优化：
- NVLink（节点内 GPU 互联）：带宽达 160 GB/s
- RDMA（跨节点 GPU 互联）：带宽达 50 GB/s
通过定制内核实现数据转发路径优化，避免带宽浪费。
（2）低精度计算支持
- FP8 分发 + BF16 合并：在保证精度的同时减少 50% 显存占用
- 动态精度切换：适应不同阶段的计算需求
（3）通信-计算重叠
通过 Hook 机制实现：
- 前向传播时后台预加载数据
- 反向传播时异步传输梯度
关键优势：零额外 SM 资源占用，最大化 GPU 利用率
性能实测
测试环境
- 硬件：NVIDIA H800 GPU + CX7 InfiniBand 400Gb/s RDMA 网卡
- 软件：CUDA 12.3 + PyTorch 2.1
性能数据
常规模式（训练/预填充推理）
| 场景 | 通信类型 | 吞吐量 |
|---|---|---|
| 节点内（8卡） | NVLink | 153 GB/s |
| 跨节点（64卡） | RDMA | 46 GB/s |
低延迟模式（推理生成）
| 专家数 | 延迟 | RDMA 带宽 |
|---|---|---|
| 8 | 163 μs | 46 GB/s |
| 128 | 192 μs | 39 GB/s |
注：在 128 token 批处理下，延迟仅增加 18%，展现极强的扩展性
架构设计与关键技术
1. 分层通信模型
- 分发阶段：通过原子操作动态分配 token 到专家
- 组合阶段：基于元数据快速聚合结果
2. 推理优化黑科技
def low_latency_dispatch(hidden_states, topk_idx):
# 后台启动 RDMA 传输
recv_hidden, hook = _buffer.low_latency_dispatch(...)
# 立即返回控制权，计算与传输并行
return recv_hidden, hook
通过 纯 RDMA 传输 + 双缓冲机制，实现：
- 163 μs 端到端延迟
- 零 CUDA 核占用
快速入门指南
1. 环境要求
| 组件 | 版本要求 |
|---|---|
| GPU | Hopper 架构（H100/H800） |
| Python | 3.8+ |
| CUDA | 12.3+ |
| PyTorch | 2.1+ |
| 网络 | NVLink + RDMA |
- CUDA安装指南
- GPU-pytorch 安装指南
2. 安装步骤
# 安装定制版 NVSHMEM
git clone https://github.com/NVIDIA/nvshmem
cd nvshmem && git apply DeepEP/third-party/nvshmem.patch
make -j 16 && make install
# 安装 DeepEP
NVSHMEM_DIR=/path/to/nvshmem python setup.py install
3. 基础使用示例
import deep_ep
# 初始化通信缓冲区
buffer = deep_ep.Buffer(
group=dist.group.WORLD,
num_nvl_bytes=1e9, # NVLink 缓冲区 1GB
num_rdma_bytes=2e9 # RDMA 缓冲区 2GB
)
# MoE 分发数据
recv_data, metadata = buffer.dispatch(
input_tensor,
expert_indices,
num_experts=64
)
# 执行专家计算
expert_output = experts[metadata.expert_id](recv_data)
# 合并结果
combined_result = buffer.combine(expert_output)
高级调优建议
1. 网络配置优化
| 参数 | 推荐值 | 说明 |
|---|---|---|
| NVSHMEM_IB_SL | 1-3 | 隔离不同类型流量 |
| 自适应路由 | 高负载时启用 | 避免网络拥塞 |
| 拥塞控制 | 关闭 | DeepSeek 实测无显著影响 |
2. SM 资源分配
# 设置 24 个 SM 专供通信
Buffer.set_num_sms(24)
通过动态调整 SM 数量，平衡计算与通信资源。
应用场景与案例
1. 千卡级训练加速
在 2048 卡集群中：
- 线性扩展效率 >92%
- 训练吞吐量提升 3.8 倍（对比 Megatron-LM）
2. 实时推理服务
- 70B 参数 MoE 模型
- 单请求延迟 <200 ms（端到端）
- 吞吐量 1200 token/s
注意事项
- 硬件限制：目前仅支持 Hopper 架构 GPU
- PTX 指令：使用未公开指令 ld.global.nc.L1::no_allocate 实现极致性能，可通过 DISABLE_AGGRESSIVE_PTX_INSTRS=1 禁用
- 缓冲区管理：低延迟模式需预留更大 RDMA 缓冲区
开源生态
- GitHub Star：开源 3 小时即破 2k
- 生态整合：vLLM 等框架正在适配
- 许可证：核心代码 MIT 许可，NVSHMEM 部分遵循 NVIDIA SLA
参考引用：
- Github - DeepEP
- 开源周第二天 - DeepEP
- DeepEP 详解，GPU压榨计划启动！
- DeepSeek开源周第二天-DeepEP
-
DeepSeek最新开源DeepEP技术深入分析
专业术语解释
- 混合专家模型（Mixture-of-Experts, MoE）
一种将复杂任务分配给多个专家模块进行处理的模型架构。类似于一个大型项目被分解给多个专业团队分别完成。 - 专家并行（Expert Parallelism, EP）
一种在模型训练中多个专家模块同时进行计算的模式。类似于多个工作小组同时开展不同部分的工作。 - 非对称通信场景
指通信双方在数据传输量、传输方向或性能要求等方面存在差异的情况。类似于两人交流时一方说得多另一方说得少。 - NVLink
用于节点内 GPU 互联的高速通信技术，具有高带宽。类似于房间内不同家具之间的快速通道。 - RDMA
一种跨节点 GPU 互联的通信技术。类似于不同房间之间的快捷通道。 - 数据转发路径优化
对数据传输的路径进行改进以提高效率和减少浪费。类似于优化物流运输的路线。 - FP8 分发 + BF16 合并
数据分发和合并时采用的不同精度格式，以平衡精度和资源占用。类似于根据物品的重要性选择不同大小的盒子来装。 - 通信-计算重叠
让数据通信和计算过程同时进行，以提高效率。类似于一边做饭一边收拾厨房。 - 分层通信模型
将通信过程分为不同层次进行处理和优化的模型。类似于把一个大工程分为不同的施工阶段。 - 双缓冲机制
使用两个缓冲区交替工作来提高数据传输效率。类似于两个工人交替工作，一个工作时另一个准备。 - SM 资源
指 GPU 中的流多处理器（Streaming Multiprocessor）相关的资源。类似于工厂里的生产车间资源。
DeepEP 的推出标志着 MoE 训练进入新纪元。通过硬件级通信优化，它成功将 GPU 集群的潜力压榨到极致——正如网友所言："这才是真正的 GPU 起飞！"。随着生态的完善，我们有理由期待更多千亿级模型将借此突破训练效率的边界。
