新智元报道

编辑：编辑部 HNYZ

【新智元导读】DeepSeek开源周第一天就放大招！FlashMLA强势登场，这是专为英伟达Hopper GPU打造MLA解码内核。注意，DeepSeek训练成本极低的两大关键，一个是MoE，另一个就是MLA。

就在刚刚，DeepSeek放出了开源周首日的重磅炸弹——FlashMLA。

这是DeepSeek专为英伟达Hopper GPU打造的高效MLA解码内核，特别针对变长序列进行了优化，目前已正式投产使用。

经实测，FlashMLA在H800 SXM5平台上（CUDA 12.6），在内存受限配置下可达最高3000GB/s，在计算受限配置下可达峰值580 TFLOPS。

开源地址：https://github.com/deepseek-ai/FlashMLA

当前已经发布的内容为：

• 对BF16精度的支持

• 块大小为64的分页KV缓存

团队在致谢部分表示，FlashMLA的设计参考了FlashAttention-2、FlashAttention-3以及CUTLASS的技术实现。

有网友对此表示，「DeepSeek王炸开局，FlashMLA是真正能加速AGI进程的」。

快速入门

首先，需要打开终端，输入下面代码安装setup.py文件：

这是一个基于Python的安装命令，用于编译和安装FlashMLA模块，确保其高效运行于特定硬件。

python setup.py install

基准测试：

这段代码是一个测试脚本，用于验证FlashMLA的功能和性能，并与PyTorch的基准实现进行对比。

python tests/test_flash_mla.py

使用方法：

下面是一段使用的示例代码。

from flash_mla import get_mla_metadata, flash_mla_with_kvcache  tile_scheduler_metadata, num_splits = get_mla_metadata(cache_seqlens, s_q * h_q // h_kv, h_kv)  for i in range(num_layers): ... o_i, lse_i = flash_mla_with_kvcache( q_i, kvcache_i, block_table, cache_seqlens, dv, tile_scheduler_metadata, num_splits, causal=True, ) ...

DeepSeek训练成本如此之低的两大关键

DeepSeek的成本涉及两项关键的技术：一个是MoE，一个就是MLA（多头潜注意力）。

其中，MLA的开发 耗时数月，可将每个查询KV缓存量减少93.3%，显著减少了推理过程中的内存占用（在训练过程也是如此）。

MLA架构需要一些巧妙的设计，因此实现的复杂性大大增加。而DeepSeek成功地将这些技术整合在一起，表明他们在高效语言模型训练方面走在了前沿

多头潜注意力（MLA）

KV缓存是Transforme模型中的一种内存机制，用于存储表示对话上下文的数据，从而减少不必要的计算开销。

随着对话上下文的增长，KV缓存会不断扩大，从而造成显著的内存限制。

通过大幅减少每次查询所需的KV缓存量，可以相应减少每次查询所需的硬件资源，从而降低运营成本。

与标准注意力机制相比，MLA将每次查询所需的KV缓存减少了约93.3%。

MLA这种全新多头潜注意力，可以将注意力机制的内存占用减少大约80%到90%，尤其有助于处理长上下文

此外，由于H20芯片比H100具有更高的内存带宽和容量，DeepSeek在推理工作负载方面获得了更多效率提升。

除了MLA，DeepSeek其他突破性进展还有哪些？

训练（前期和后期）

不是「下一个token预测」，而是「多token预测」

DeepSeek V3以前所未见的规模实现了多Token预测（MTP）技术，这些新增的注意力模块可以预测接下来的多个Token，而不是传统的单个Token。

这显著提高了训练阶段的模型性能，且这些模块可以在推理阶段移除。

这是一个典型的算法创新案例，实现了在更低计算资源消耗下的性能提升。

其他方面，虽然DeepSeek在训练中采用了FP8精度，但像全球一些顶尖的实验室已经采用这项技术相当长时间了。

DeepSeek V3采用了我们常见的「混合专家模型」（MoE）架构，个由多个专门处理不同任务的小型专家模型组成的大模型，展现出强大的涌现能力。

MoE模型面临的主要挑战是，如何确定将哪个Token分配给哪个子模型（即「专家」）。

DeepSeek创新性地采用了一个「门控网络」（gating network），能够高效且平衡地将Token路由到相应的专家，同时保持模型性能不受影响。

这意味着路由过程非常高效，在训练过程中每个Token只需要调整小量参数（相较于模型整体规模）。

这既提高了训练效率，又降低了推理成本。

尽管有人担心MoE带来的效率提升，可能降低投资意愿，但Dario指出，更强大的AI模型带来的经济效益非常可观，任何节省的成本都会立即被投入到开发更大规模的模型中。

因此，MoE效率提升不会减少总体投资，反而会加速模型Scaling的进程。

当前，包括OpenAI、谷歌、Anthropic等一些公司正专注于扩大模型的计算规模，并提高算法效率。

V3打好了基础，RL立大功

对于R1而言，它极大地受益于其强大的基础模型——V3，这在很大程度上要归功于强化学习（RL）。

RL主要关注两个方面：格式化（确保输出连贯性）以及有用性与安全性（确保模型实用且无害）。

模型的推理能力，是在对合成数据集进行微调过程中自然涌现的，这与o1的情况类似。

值得注意的是，R1论文中并没有提及具体的计算量，因为披露使用的计算资源，会暴露DeepSeek实际拥有的GPU数量远超过其对外宣称的规模。

这种规模的强化学习需要庞大的计算资源，特别是在生成合成数据时。

谈到蒸馏，R1论文最引人注目的发现可能是，通过具有推理能力的模型输出来微调较小的非推理模型，使其获得推理能力。

数据集包含了约80万个样本，现在研究人员可以利用R1的思维链（CoT）输出创建自己的数据集，并借此开发具有推理能力的模型。

未来，我们可能会看到更多小模型展现出推理能力，从而提升小模型的整体性能。

参考资料：

https://x.com/deepseek_ai/status/1893836827574030466