部署超大規(guī)模MoE這件事，國產(chǎn)芯片的推理性能，已經(jīng)再創(chuàng)新高了——
不僅是“英偉達含量為0”這么簡單，更是性能全面超越英偉達Hopper架構！
而做到這一點的，正是華為昇騰；具體而言，共包含兩個產(chǎn)品：
CloudMatrix 384超節(jié)點
部署DeepSeek V3/R1，在50ms時延約束下單卡Decode吞吐突破1920 Tokens/s
Atlas 800I A2推理服務器
部署DeepSeek V3/R1，在100ms時延約束下單卡吞吐達到808 Tokens/s，可支持靈活的分布式部署
之所以能夠這般，是因為華為昇騰所采取的“以數(shù)學補物理”——這種通過數(shù)學理論、工具、算法和建模等方式，來彌補硬件和工藝的局限性，實現(xiàn)最大化發(fā)揮芯片和系統(tǒng)能力效果。
華為昇騰還不只是“官宣”一下而已，后面更會是全面開源。
不僅已經(jīng)將昇騰在超大規(guī)模MoE模型推理部署的技術報告分享了出來，在一個月時間內(nèi)，還會把實現(xiàn)這些核心技術的相關代碼也都會陸續(xù)開源出來。
那么接下來，我們就來深入了解一下華為昇騰背后的技術實力。
在華為昇騰上推理DeepSeek
在深挖華為昇騰背后技術創(chuàng)新之前，我們且需了解一下為什么要這么做。
從2017年Google提出的Transformer架構，到2025年DeepSeek V3/R1的爆紅，大語言模型的重心正在從訓練開發(fā)轉向推理應用落地。
推理能力不僅是大模型能力的“試金石”，各大企業(yè)已從 “拼模型參數(shù)” 轉向 “拼推理效率”：
誰能讓大模型在實際應用中跑得更快、更穩(wěn)、更省資源，誰就能在商業(yè)化浪潮中搶占先機。
然而，以6710億參數(shù)的DeepSeek V3為例，這類超大規(guī)模MoE模型雖然強大，卻給硬件帶來三大 “成長煩惱”：
內(nèi)存壓力山大
一個模型包含257個專家，每個專家 “體重” 2.5G，普通64GB內(nèi)存的AI硬件根本 “扛不動”，必須依賴集群協(xié)作。
通信開銷爆炸
專家分布在不同芯片上，數(shù)據(jù)傳輸耗時甚至超過計算時間，就像團隊成員頻繁開會溝通，效率大打折扣。
架構創(chuàng)新的 “甜蜜負擔”
例如 “多頭隱式注意力機制（MLA）” 雖然壓縮了數(shù)據(jù)空間，卻導致中間變量激增，對芯片的計算能力提出更高要求。
面對這些挑戰(zhàn)，華為團隊從算子、模型和框架三方面入手，基于昇騰硬件特性，開發(fā)了一整套面向集群的大規(guī)模專家并行解決方案。
在硬件部署上，華為團隊根據(jù)不同硬件配置——CloudMatrix 384超節(jié)點和Atlas 800I A2推理服務器，針對性地采取了不同的部署優(yōu)化策略。為解耦Prefill和Decode階段的時延約束，昇騰采用PD分離部署方式。
在框架側，昇騰基于vLLM框架，適配DP和EP等多種并行策略，通過Prefill調(diào)度分桶、靈衢互聯(lián)與分層傳輸?shù)燃夹g來降低調(diào)度開銷，優(yōu)化請求下發(fā)、調(diào)度策略等環(huán)節(jié)，提升系統(tǒng)性能。
在模型方面，昇騰采用A8W8C16量化策略，其中A8W8使用INT8，C16使用BF16，并針對不同機型進行差異化部署。
針對CloudMatrix 384超節(jié)點，其強大的組網(wǎng)能力大幅降低了通信耗時，釋放了昇騰芯片的算力。
團隊采用大規(guī)模EP并行部署，Prefill使用16卡，Decode使用144卡，其中128卡部署路由專家，16卡部署共享專家，MLA部分采用DP部署。
盡管存在時延約束、帶寬搶占、調(diào)度開銷、負載不均等因素影響，最終在50ms時延下，單卡decode吞吐達到1920 Token/s。
針對機群規(guī)模較小但部署更加靈活的Atlas 800I A2服務器，華為團隊采用多節(jié)點互聯(lián)的方式進行部署。
作為示例，華為團隊使用2機16卡進行Prefill，4機32卡進行Decode，每卡部署8個路由專家和1個共享專家，MLA部分采用DP并行，并針對性地使用在真實負載下性能更優(yōu)的AllGather/ReduceScatter的通信方案。
通過各種策略優(yōu)化，在100ms時延下，單卡吞吐達到808 Tokens/s。
還有更多優(yōu)化技術
在推理框架優(yōu)化方面，針對高并發(fā)場景下單點API Server這一性能瓶頸，華為團隊設計了API Server橫向擴展方案，采用水平擴展技術提升框架的請求響應能力，顯著降低用戶請求延遲并提高整體服務吞吐量（QPS）。
針對MoE模型中的負載不均問題，基于動態(tài)調(diào)整專家部署與縮小通信域、熱專家冗余部署、實時調(diào)度與動態(tài)監(jiān)控機制等核心技術，降低顯存占用的同時實現(xiàn)動態(tài)負載均衡。
在投機推理技術的工程化應用中，如何將其從小批量低時延場景擴展至高吞吐量場景，是行業(yè)面臨的共性難題。
華為團隊基于昇騰芯片高計算帶寬比的硬件特性，提出FusionSpec投機推理引擎，針對性優(yōu)化多Token預測（MTP）場景下的推理性能：
流程重構
將投機模型后置於主體模型，直接復用主體模型的輸出結果與控制參數(shù)，大幅減少框架耗時，完美適配參數(shù)-數(shù)據(jù)分離（PD 分離）的分布式部署架構；
輕量步間優(yōu)化
對投機推理場景中的框架和算子優(yōu)化實現(xiàn)了輕量步間準備，適配多核并行的全異步框架。
在通信優(yōu)化方面，華為昇騰也有三大妙招。
首先，針對主流張量并行（TP）方案中AllReduce通信的固有缺陷（通信次數(shù)多、數(shù)據(jù)量大、冗余計算顯著），華為團隊推出FlashComm通信方案，通過集合通信邏輯重構與算子位置編排，實現(xiàn)低比特、低維度數(shù)據(jù)通信，在降低通信時延的同時消除冗余計算，最終實現(xiàn)25%通信量的降低和10%推理性能的提升。
其次，在FlashComm基礎上，團隊進一步提出層內(nèi)并行轉換方案，針對Prefill階段的MLA層，通過張量并行（TP）與數(shù)據(jù)并行（DP）的靈活轉換，消除節(jié)點內(nèi)卡間求和操作，并利用網(wǎng)絡低維特性與量化技術壓縮通信數(shù)據(jù)量，顯著降低跨卡通信時延，為大模型分布式推理提供更高效的通信支撐。
第三，通信方面的優(yōu)化還有一個并發(fā)機制的深度挖掘，包括：
計算通信并發(fā)
通過Gate函數(shù)計算與AllGather通信的解耦，結合共享專家的數(shù)據(jù)并行（DP）策略，利用昇騰多流機制實現(xiàn)計算與通信的并發(fā)執(zhí)行，最大化硬件利用率；
通信通信并發(fā)
針對DeepSeek模型的量化場景，將激活值與scale的傳輸任務并行處理，在不增加帶寬壓力的前提下掩蓋小數(shù)據(jù)量通信的啟動開銷；
通信和權重預并發(fā)
利用通信階段HBM帶寬低占用特性，提前將后續(xù)算子權重預取至緩存，降低計算階段的數(shù)據(jù)搬運開銷，實測MLA層計算性能提升10%。
最后，就是在算子方面的優(yōu)化了。華為團隊通過以數(shù)學補物理，發(fā)展了一系列的優(yōu)化技術。
針對MLA算子中間變量膨脹與計算量激增的挑戰(zhàn)，團隊開展硬件親和性優(yōu)化：
算法重構：提出AMLA算法，通過二進制編碼與存內(nèi)計算，將乘性計算轉換為加性等價形式，直接在全局內(nèi)存完成輸出更新，減少數(shù)據(jù)搬運耗時；
緩存策略：通過L1/L2緩存精細化管理與K-buffer流水排布，提升緩存命中率與計算效率，實現(xiàn)張量計算與向量計算的相互掩蓋；
前序算子融合：在Prefill與Decode階段分別采用雙流并發(fā)與算子融合技術，結合權重預取、分塊策略及定制指令集優(yōu)化，構建端到端高效計算鏈路。
MoE算子方面的優(yōu)化則包括：
通算融合算子：針對EP部署模式下MoE專家的跨卡調(diào)度難題，設計MoeDistributeDispatch/Combine算子，通過 Token 粒度的流水排布與內(nèi)存語義通信技術，將通信與計算并行化，減少卡間同步開銷；
SMTurbo-CPP技術：針對小數(shù)據(jù)量通信效率問題，通過讀寫混合、聚合流水等硬件并發(fā)技術，提升AllToAll(v)算子的吞吐能力，降低Dispatch/Combine場景時延；
細粒度分級流水算法：基于Atlas 800I A2組網(wǎng)特性，實現(xiàn)節(jié)點內(nèi)/節(jié)點間的集合通信并發(fā)執(zhí)行，大幅提升集群環(huán)境下的帶寬利用率。
性能創(chuàng)新高
在Decode性能測試方面，Atlas 800I A2所采用的方式是：
序列長度為2K輸入+2K輸出和1K輸入+2K輸出兩種情況
在使能MTP進行推理加速的情況下，由于不同測試數(shù)據(jù)集和業(yè)務場景的MTP接受率不同，性能測試結果會有比較大的偏差。因此在計算時延和吞吐的時候默認按照70%接受率來折算。
TPOT（Decode平均每Token時延）不超過100ms。
具體表現(xiàn)如下所示：
在Prefill上的測試方法是，單batch輸入序列長度為2K/1K，通過拼batch的方式拼成一共16K序列。對于序列長度是2K，共8 batch拼成一共16K序列的場景，端到端耗時為631ms，卡均吞吐為1622 Tokens/s。
具體表現(xiàn)如下圖所示：
在2025年4月，硅基流動聯(lián)合華為云基于CloudMatrix 384超節(jié)點昇騰云服務和高性能推理框架SiliconLLM，用大規(guī)模專家并行最佳實踐正式上線DeepSeek-R1。
該服務在保證單用戶20 TPS(等效50ms時延約束) 水平前提下，單卡Decode吞吐突破1920 Tokens/s，可比肩H100部署性能。
而也正如我們剛才提到的，昇騰在超大規(guī)模MoE模型推理部署的技術報告分享了出來了，想要更深入了解的小伙伴，可以在文末鏈接中自取哦~
One More Thing
就在本周，華為昇騰還將舉辦一個技術披露周！
上一篇：美的方洪波，士為知己者死
下一篇：沒有了