全網獨家！DeepSeek模型的成本利潤率到底有多高？官方下場公佈細節

點選上方卡片關注

DeepSeek 在知乎首次公佈模型推理系統最佳化細節，並披露成本利潤率關鍵資訊。

R1 模型是如何做到在控制成本的情況下做到高收益的？這篇官方文章給出了關鍵的資料資訊。

DeepSeek-V3 / R1 推理系統概覽

|答主：DeepSeek

DeepSeek-V3 / R1 推理系統的最佳化目標是：更大的吞吐，更低的延遲。

為了實現這兩個目標，我們的方案是使用大規模跨節點專家並行（Expert Parallelism / EP）。首先 EP 使得 batch size 大大增加，從而提高 GPU 矩陣乘法的效率，提高吞吐。其次 EP 使得專家分散在不同的 GPU 上，每個 GPU 只需要計算很少的專家（因此更少的訪存需求），從而降低延遲。

但 EP 同時也增加了系統的複雜性。複雜性主要體現在兩個方面：

EP 引入跨節點的傳輸。為了最佳化吞吐，需要設計合適的計算流程使得傳輸和計算可以同步進行。
EP 涉及多個節點，因此天然需要 Data Parallelism（DP），不同的 DP 之間需要進行負載均衡。

因此，本文的主要內容是如何使用 EP 增大 batch size，如何隱藏傳輸的耗時，如何進行負載均衡。

大規模跨節點專家並行（Expert Parallelism / EP）

由於 DeepSeek-V3 / R1 的專家數量眾多，並且每層 256 個專家中僅啟用其中 8 個。模型的高度稀疏性決定了我們必須採用很大的 overall batch size，才能給每個專家提供足夠的 expert batch size，從而實現更大的吞吐、更低的延時。需要大規模跨節點專家並行（Expert Parallelism / EP）。

我們採用多機多卡間的專家並行策略來達到以下目的：

Prefill：路由專家 EP32、MLA 和共享專家 DP32，一個部署單元是 4 節點，32 個冗餘路由專家，每張卡 9 個路由專家和 1 個共享專家
Decode：路由專家 EP144、MLA 和共享專家 DP144，一個部署單元是 18 節點，32 個冗餘路由專家，每張卡 2 個路由專家和 1 個共享專家

計算通訊重疊

多機多卡的專家並行會引入比較大的通訊開銷，所以我們使用了雙 batch 重疊來掩蓋通訊開銷，提高整體吞吐。

對於 prefill 階段，兩個 batch 的計算和通訊交錯進行，一個 batch 在進行計算的時候可以去掩蓋另一個 batch 的通訊開銷；

對於 decode 階段，不同階段的執行時間有所差別，所以我們把 attention 部分拆成了兩個 stage，共計 5 個 stage 的流水線來實現計算和通訊的重疊。

儘可能地負載均衡

由於採用了很大規模的並行（包括資料並行和專家並行），如果某個 GPU 的計算或通訊負載過重，將成為效能瓶頸，拖慢整個系統；同時其他 GPU 因為等待而空轉，造成整體利用率下降。因此我們需要儘可能地為每個 GPU 分配均衡的計算負載、通訊負載。

1. Prefill Load Balancer

1）核心問題：不同資料並行（DP）例項上的請求個數、長度不同，導致 core-attention 計算量、dispatch 傳送量也不同

2）最佳化目標：各 GPU 的計算量儘量相同（core-attention 計算負載均衡）、輸入的 token 數量也儘量相同（dispatch 傳送量負載均衡），避免部分 GPU 處理時間過長

2. Decode Load Balancer

1）核心問題：不同資料並行（DP）例項上的請求數量、長度不同，導致 core-attention 計算量（與 KVCache 佔用量相關）、dispatch 傳送量不同

2）最佳化目標：各 GPU 的 KVCache 佔用量儘量相同（core-attention 計算負載均衡）、請求數量儘量相同（dispatch 傳送量負載均衡）

3. Expert-Parallel Load Balancer

1）核心問題：對於給定 MoE 模型，存在一些天然的高負載專家（expert），導致不同 GPU 的專家計算負載不均衡

2）最佳化目標：每個 GPU 上的專家計算量均衡（即最小化所有 GPU 的 dispatch 接收量的最大值）

參考架構圖

線上系統的實際統計資料

DeepSeek V3 和 R1 的所有服務均使用 H800 GPU，使用和訓練一致的精度，即矩陣計算和 dispatch 傳輸採用和訓練一致的 FP8 格式，core-attention 計算和 combine 傳輸採用和訓練一致的 BF16，最大程度保證了服務效果。

另外，由於白天的服務負荷高，晚上的服務負荷低，因此我們實現了一套機制，在白天負荷高的時候，用所有節點部署推理服務。晚上負荷低的時候，減少推理節點，以用來做研究和訓練。在最近的 24 小時裡（北京時間 2025/02/27 12:00 至 2025/02/28 12:00），DeepSeek V3 和 R1 推理服務佔用節點總和，峰值佔用為 278 個節點，平均佔用 226.75 個節點（每個節點為 8 個 H800 GPU）。假定 GPU 租賃成本為 2 美金/小時，總成本為 $87,072/天。

在 24 小時統計時段內，DeepSeek V3 和 R1：

輸入 token 總數為 608B，其中 342B tokens（56.3%）命中 KVCache 硬碟快取。
輸出 token 總數為 168B。平均輸出速率為 20~22 tps，平均每輸出一個 token 的 KVCache 長度是 4989。
平均每臺 H800 的吞吐量為：對於 prefill 任務，輸入吞吐約 73.7k tokens/s（含快取命中）；對於 decode 任務，輸出吞吐約 14.8k tokens/s。

以上統計包括了網頁、APP 和 API 的所有負載。如果所有 tokens 全部按照 DeepSeek R1 的定價[1]計算，理論上一天的總收入為 $562,027，成本利潤率 545%。