腾讯太极团队实现DeepSeek模型业内H20最高性能15800+ tokens/s

一、背景和成果介绍

DeepSeek发布后司内AI应用流量持续上涨，对推理算力的需求呈指数级增长。与此同时，开源社区提供的vllm/sglang等推理引擎存在gpu利用率低、推理速度慢，并发度低等问题，导致同等数量推理卡可服务业务规模较低，导致业务对卡量需求过于庞大。太极Angel-HCF推理团队联合腾讯云云智能等团队针对DeepSeek进行专项优化，推出行业最高性价比的推理方案：

● 核心目标：首字小于2s，单token生成耗时低于50ms的限制下，最大化吞吐（QPM）；在保障用户体感基础上，最小化业务成本。

● 技术路线 ：

(1) 硬件协同 ：利用Hopper架构新特性深度优化（如TMA、WGMMA指令）

(2) 算法革新 ：基于DeepSeek开源算子二次开发（DeepGEMM/FlashMLA/DeepEP）

(3) 系统工程 ：框架优化、w4a8c8量化、MTP并行解码、PD分离调度、大EP、TBO等

● 优化成果：

○ 测试数据集: 3000条业务脱敏数据集(最大输入16k，平均输入3.5k；最大输出32k， 平均输出1.2k)

○ 测试机器：16卡 H20-96G

○ 限制50ms TPOP ， QPM=212，15800+ tokens/s

二、多机性能优化方案

考虑到新模型快速支持的需求， 也吸收参考了开源众多优秀的方案和设计，我们从纯C++框架转型到Python Runtime 加 C++ Kernel方案。 并花费3个月从框架、算子、量化压缩等方向全面优化， 取得了显著的成果。 本篇文章推理优化部分主要讲解我们在ADP、大EP、PD、多层MTP等方面的优化工作。

2.1 PD分离设计与优化

2.1.1 PD使用不同并行方式，最大化利用计算和存储

由于prefill阶段和decode阶段任务特点存在一定差异，主要表现在prefill属于compute bound型任务，而decode则属于memory bound型任务，如下图所示，因此我们根据实际情况选用不同的并行策略。

针对 Prefill：

● 由于存在算力瓶颈，主要采用大TP + 小EP并行策略，提升计算速率

● 尽可能降低首字耗时，同时减少跨机通信量

针对Deocde：

● 由于kv cache频繁存取，存在明显的访存瓶颈，主要采用DP + 大EP，尽可能增大batch size，同时减少单卡访存压力

● 尽可能充分利用显卡算力，趋近compute bound

整体架构图如下所示。

2.1.2 PD分离下KV Cache高效传输

2.1.2.1 计算通信overlap，让Prefill高效运行

Prefill节点需要将计算得到的KV Cache及meta信息传输给Decode节点，如果采用计算->传输->计算模式，将导致GPU利用率降低，这里很容易想到异步传输进行优化，主要采用以下设计实现。

● 异步传输 KVCache，与当前iteration forward step overlap，不影响吞吐

● RDMA 高效传输，单个forward step 周期内完成，ITL 有保障

● 调度层面，CPU & GPU Overlap，适配 PD+投机采样

采用上述方法后，可以看到在整个timeline上，计算与传输能够完美overlap，GPU利用率持续保持高位。

2.1.2.2 Layerwise传输

如果等到所有layer算完再进行发送，发送的数据量可能较大，占用较多SM算力，影响下一轮次forward step计算性能，因此根据实际情况设计layerwise传输。

● 层前向计算与层 KV Cache 传输 overlap，有效降低长seqlen 场景 cache 传输时耗

● 长文：ISL>8k 时选择 Layerwise 传输；短文：ISL<8k 时整体传输，避免大量小包，并做小包合并传输

采用layerwise传输设计与实现后，可以看到传输的lantency几乎与ISL无关，保持在较低水准。

2.1.3 PD分离负载均衡

PD分离后，一般P和D的QPM性能是存在差异的，且性能差异受到用户输入长度的影响，因此实践中需要充分考虑负载均衡。

针对Prefill：Chunk调度时的请求长度排序策略，同一批到达的请求，按长度排序优先调度短prompt，整体TTFT达到最优。

针对Decode：结合输入/当前decode长度的调度策略

● 滑动统计平均输出长度，优先按剩余槽位调度

● 根据平均输出长度剩余槽位决策是否扩容

2.1.4 PD分离架构与性能

采用mPnD部署测试，架构如下。

测试结果

● 在有效 ITL 区间，PD 的吞吐明显更优，大幅提升Throughput

● 20~25 tokens/s 区间端到端有效提升 30~40% Throughput

2.2 EP并行优化

考虑到DeepSeek模型MoE的稀疏性和激活分布不均的特性，介绍团队在通信和负载均衡上的优化工作。

2.2.1 DeepEP优化多机通信

采用网平团队优化的TRMT通信库，能够很好地适配int4量化模型，下面是优化前后的对比分析。

优化前：各阶段通信量如下所示。

采样分析timeline，发现通信算子耗时占比高达40%+！！

优化后：各阶段通信量如下所示。

采样分析timeline，通信算子**耗时减少60%**。

2.2.2 专家负载均衡

DeepSeek V3/R1包含256个路由专家，每一个token激活其中8个专家，具有很高的稀疏性，很容易导致各专家激活次数差异较大，采样分析各layer各expert激活次数统计分布如下，表现为。

● 部分layer存在明显热点专家，热点专家激活的次数可能是非热点专家的5倍以上，导致EP并行存在某个rank上计算耗时较长，其他rank需等待的局面

● 不同layer的热点专家分布不同，各layer的负载均衡可独立调度管理

通过EPLB算法，以及动态负载均衡+冗余专家可以将各rank上专家激活不均衡度显著降低，激活不均衡度可降至1.2～1.5，显著提升计算和通信效率，实现MoE线性扩展能力。

2.3 DP并行适配与优化

DP并行借鉴于训练框架，主要应用于decode节点，在满足SLO要求下，单机throughput提升50%以上。

2.3.1 运行模式解析

因为在MoE阶段需要做同步，以及cudagraph对input tensor shape的要求，一般都需要mock request才能确保Attention DP模式正常运行，主要表现为：

● 每个dp rank在每一次forward step至少包含一条请求

● cudagraph模式下，forward step后需all reduce对齐各dp rank待处理的request数量

● mock request当decode请求处理，DP主要应用于decode

2.3.2 PD分离适配DP

由于Prefill和Decode采用不同的并行策略，PD分离需要做相应适配，主要考虑两个点：负载均衡以及KV Cache传输。

负载均衡

● round-robin调度

● 基于各rank上request数量调度

● 基于kv cache size感知调度

● etc.

KV Cache Transfer，以1P1D为例，配置如下

● Prefill：TP=8

● Decode： DP=16，TP=1，EP=16

KV Cache传输设计如下图所示：

三、多层MTP优化与实践

Multi-Token Prediction (MTP)是一种通过对每一个位置预测多个token来改进大模型训练性能的技术，同时MTP也可以用于推理加速。 MTP由META首次提出，DeepSeek在META论文基础上做了进一步改进。

MTP可以提升推理性能的关键是一步可以预测多个token。因为DeepSeek只开源了一个MTP层，目前主流实现方式是多个MTP层共用同一层开源的weight。这样会导致除了第一层接受率比较高之外，后面的层接受率都偏低。

比如真实对话场景下，MTP第一层的接受率约0.7，第二层接受率一般小于0.4.

提升MTP接受率是提升MTP推理性能的关键。我们实验了多种方法来提升MTP接受率，包括训练多层MTP和优化模型的采样方法等。

3.1 提升接受率方法一: 训练多层MTP

团队使用了两种方法来训练MTP层，第一种方法是保持和DeepSeek论文一致，训练5层独立的MTP权重。第二种方法同样训练5层MTP，但5层使用相同的权重，这样训练的好处是和当前推理框架兼容比较好，无需修改框架即可直接加载新训练的MTP层。

我们使用Megatron-LLM训练MTP层，共享MTP层训练代码修改如下：

按每并发输出token速率计算，自研两层MTP（MTP2）和三层MTP（MTP3）加速结果如下：

● 自研共享MTP2相比开源MTP2提升：提升7.4%

● 自研独立MTP2相比开源MTP2提升：提升8.8%

● 自研独立MTP3相比开源MTP3提升：提升9.0%

● 自研独立MTP2相比自研共享MTP2提升：1.4%