DeepSeek獲封號——“源神”，這三天開源了什么？

源圣”馬斯克入主白宮東廠以來，開源的激情少了很多。

好在江湖上又出現了新的“開源公子”梁文鋒，DeepSeep在之前就預告了本周會搞一個“開源周”活動，將會開源5個代碼庫，以完全透明的方式與全球開發者社區分享他們的研究進展。

今天“開源周”第三天才過去半天，DeepSeek就已經解鎖了三項技術，這效率真是杠杠的。

那么DeepSeek這三天都開源了什么黑技術，是否懟得到黑子們的肺管子呢？

第一項：FlashMLA

這是為Hopper GPU 開發的高效MLA解碼內核 ，針對可變長度序列進行了優化。

這話說得有點太技術了，我們白話解釋一下。

大模型會把用戶的提問進行傳送、拆分、轉義，這個過程會產生很多長短不一的語句，然后扔給大模型去分析和處理。當大量用戶同時進行操作時，AI的處理效率就顯得很重要了。

MLA技術是谷歌、OpenAi、Grok3等美國AI技術大廠都在玩的創新技術，而DeepSeek的FlashMLA則是將這種創新落地到硬件的具體實現，性能指標（3000GB/s和580TFLOPS）足以媲美業界頂尖方案（如 FlashAttention）。

Hopper是英偉達的GPU（圖形處理芯片）架構，例如H100和H800，發布于2022年，主要用于AI計算。DeepSeek則專門給高性能顯卡（包括英偉達的Hopper系列GPU）設計了這個“加速神器”，來提高AI處理任務的效率。

DeepSeek舉一個例子：假如開了一家快遞分揀站，每天要處理不同大小的包裹，傳統方法是用固定大小的筐子裝，小包裹浪費空間，大包裹又得分筐裝，效率很低。而FlashMLA就像一套“智能分揀系統”，能自動根據包裹大小調整筐子尺寸，讓所有包裹快速、整齊地裝車，既省時間又省錢。

這就是的FlashMLA技術原理，它能讓AI用更少的內存、更快的速度處理各種長短不一的句子

第二項：DeepEP

它是首個用于MoE（混合專家）模型訓練和推理的開源EP（Expert Parallelism專家并行）通信庫。

主要功能為：

高效優化的全對全（all-to-all）通信；
支持節點內（intranode）和節點間（internode）通信，兼容 NVLink 和 RDMA；
訓練與推理預填充（prefilling）階段的高吞吐率計算核；
推理解碼（decoding）階段的低延遲計算核；
原生支持 FP8 數據調度；
靈活的 GPU 資源控制，實現計算與通信的重疊處理。

字都認得，但是堆在一起卻很費解。

性能可比肩OpenAI o1的DeepSeek-R1是基于DeepSeek-V3訓練出來的模型，DeepSeek-V3此前就以不大規模使用最先進的英偉達GPU、低訓練預算著稱。說白了，就是DeepSeek不需要堆太多算力，達到高效訓練的結果。

DeepEP包含有一組使用純RDMA的低延遲內核，可以用于將延遲最小化，DeepEP還引入一種通信與計算重疊的方法，這種方法可以不占用SM（流處理器）資源。簡而言之，DeepEP也是用于提升GPU利用效率的關鍵技術之一

第三項：DeepGEMM

今天發布的DeepGEMM是一個支持密集和MoE GEMM的FP8GEMM庫，為DeepSeek的V3/R1訓練和推理提供支持。

GEMM（General Matrix Multiplication，通用矩陣乘法）是線性代數中的基本運算，而FP8 GEMM則是一種使用8位浮點數進行矩陣乘法的計算操作。

DeepGEMM則同時支持傳統的稠密模型和MoE（混合專家）模型的GEMM運算，這一代碼為基于英偉達Hopper架構（如H100 GPU）的V3/R1系列硬件提供高效的訓練和推理支持。

基于這一代碼庫，在英偉達Hopper架構的GPU上可實現1350+ FP8 TFLOPS（每秒浮點運算次數）的性能，充分利用算力。

燃！

該代碼庫設計非常簡潔，只有一個核心內核函數，代碼量約為300行，且在大多數矩陣規模上均優于專家調優的內核。

大模型生態社區OpenCSG（開放傳神）創始人陳冉解讀DeepGEMM的意義： “相當于以前DeepSeek是直接給一輛車，告訴大家這輛車續航900公里，但是現在DeepSeek在深挖，用什么方式能夠開到900公里。”

DeepSeek連續三天開源的算法，在某種意義上屬于“腳手架”。陳冉認為，既有模型標準，也有工具標準，也有生態基石。

DeepSeek接下來還有兩個代碼庫會在本周發布，DeepSeek在公告中表示，“每分享一行代碼，都會成為加速AI行業發展的集體動力。”

就沖這句話，DeepSeek就對得起“源神”這個封號，你說呢？