在前两篇文章中，我们详细介绍了如何通过 vLLM 高效部署开源模型 GLM-4-9B-Chat 和 Qwen2.5，并分享了验证代码。这两款模型体量较小，使用单张 4090 显卡即可部署，且在企业实际应用场景中表现优异。
本章将聚焦当前备受瞩目的开源模型 DeepSeek-V3。作为一款自称超越所有开源模型，甚至在部分能力上超过闭源模型的产品，DeepSeek-V3展现了惊人的潜力。不过，从 RAG 系统的实际需求来看，采用 DeepSeek-V3 似乎有些“大材小用”，它更适合应用于数学与代码等需要强推理能力的场景。
下表是DeepSeek-V3官网给出基础模型的测试打分：
官网打分部分截取
从这份测试报告中可以看到，DeepSeek-V3 在代码（Code）和数学（Math）领域全面超越了几款主流开源模型，尤其是阿里的 Qwen2.5-72B。值得注意的是，Qwen2.5-72B 本身已是一款强大的模型，尤其在 Code 和 Math 上表现不俗，而报告中显示 DeepSeek-V3 的性能超越了它，这无疑为业界带来了一次令人瞩目的技术突破，进一步巩固了其在高复杂性任务中的领先地位。
DeepSeek-V3介绍
架构：创新负载平衡策略和训练目标
- 在 DeepSeek-V2 高效的架构之上，我们首创了一种无辅助损失的负载平衡策略，最大限度地减少了因鼓励负载平衡而导致的性能下降。
- 我们研究了多标记预测 (MTP) 目标，并证明它有利于模型性能。它还可以用于推测解码以加速推理。
预训练：实现终极训练效率
- 我们设计了FP8混合精度训练框架，并首次在超大规模模型上验证了FP8训练的可行性和有效性。
- 通过算法、框架和硬件的协同设计，我们克服了跨节点 MoE 训练中的通信瓶颈，几乎实现了完全计算-通信重叠。
这大大提高了我们的训练效率并降低了训练成本，使我们能够在不增加额外开销的情况下进一步扩大模型规模。 - 我们以仅 2.664M H800 GPU 小时的经济成本，在 14.8T token 上完成了 DeepSeek-V3 的预训练，得到了目前最强的开源基础模型，预训练之后的后续训练阶段仅需 0.1M GPU 小时。
训练后：来自 DeepSeek-R1 的知识提炼
- 我们引入了一种创新方法，将长思维链 (CoT) 模型（特别是 DeepSeek R1 系列模型之一）中的推理能力提炼到标准 LLM（尤其是 DeepSeek-V3）中。我们的流程巧妙地将 R1 的验证和反射模式融入 DeepSeek-V3，并显著提高了其推理性能。同时，我们还控制了 DeepSeek-V3 的输出样式和长度。
DeepSeek-V3部署
DeepSeek-V3 可以使用以下硬件和开源社区软件在本地部署：
- DeepSeek-Infer 演示：我们为 FP8 和 BF16 推理提供了一个简单、轻量级的演示。
- SGLang：完全支持 BF16 和 FP8 推理模式下的 DeepSeek-V3 模型，并即将推出多令牌预测功能。
- LMDeploy：支持本地和云部署的高效 FP8 和 BF16 推理。
- TensorRT-LLM：目前支持 BF16 推理和 INT4/8 量化，即将支持 FP8。
- vLLM：支持具有 FP8 和 BF16 模式的 DeepSeek-V3 模型，实现张量并行和流水线并行。
- AMD GPU：支持在 BF16 和 FP8 模式下通过 SGLang 在 AMD GPU 上运行 DeepSeek-V3 模型。
- 华为Ascend NPU：支持在华为Ascend设备上运行DeepSeek-V3。
接下来，将详细讲解如何使用 SGLang 和 vLLM 高效部署 DeepSeek-V3 的具体步骤。
SGLang部署DeepSeek-V3
GPU建议
-
8 个 NVIDIA H200 GPU。
如果您没有具有足够大内存的 GPU，请尝试多节点张量并行。
安装和启动
如果启动服务器时遇到错误，请确保权重已下载完成。建议提前下载或多次重启，直到下载完所有权重。
使用 Docker（推荐）
# Pull latest imagedocker pull lmsysorg/sglang:latest# Launchdocker run --gpus all --shm-size 32g -p 30000:30000 -v ~/.cache/huggingface:/root/.cache/huggingface --ipc=host lmsysorg/sglang:latestpython3 -m sglang.launch_server --model deepseek-ai/DeepSeek-V3 --tp 8 --trust-remote-code --port 30000
对于高 QPS 场景，添加--enable-dp-attention参数以提高吞吐量。
使用 pip
# Installationpip install "sglang[all]>=0.4.1.post5" --find-links https://flashinfer.ai/whl/cu124/torch2.4/flashinfer# Launchpython3 -m sglang.launch_server --model deepseek-ai/DeepSeek-V3 --tp 8 --trust-remote-code
对于高 QPS 场景，添加--enable-dp-attention参数以提高吞吐量。
使用 OpenAI API 发送请求
import openaiclient = openai.Client(base_url="http://127.0.0.1:30000/v1", api_key="EMPTY")# Chat completionresponse = client.chat.completions.create(model="default",messages=[{"role": "system", "content": "You are a helpful AI assistant"},{"role": "user", "content": "你真的那么强吗？"},],temperature=0,max_tokens=64,)print(response)
vLLM部署DeepSeek-V3
-
单 GPU（无分布式推理）：如果您的模型适合单 GPU，则可能不需要使用分布式推理。只需使用单 GPU 运行推理即可。
-
单节点多 GPU（张量并行推理）：如果您的模型太大，无法放入单个 GPU，但可以放入具有多个 GPU 的单个节点，则可以使用张量并行。张量并行大小是您要使用的 GPU 数量。例如，如果您在单个节点中有 4 个 GPU，则可以将张量并行大小设置为 4。
-
多节点多 GPU（张量并行加流水线并行推理）：如果您的模型太大，无法放入单个节点，则可以将张量并行与流水线并行结合使用。张量并行大小是您希望在每个节点中使用的 GPU 数量，流水线并行大小是您希望使用的节点数量。例如，如果您在 2 个节点中有 16 个 GPU（每个节点 8 个 GPU），则可以将张量并行大小设置为 8，将流水线并行大小设置为 2。
简而言之，您应该增加 GPU 数量和节点数量，直到您有足够的 GPU 内存来容纳模型。张量并行大小应该是每个节点中的 GPU 数量，管道并行大小应该是节点数量。
安装和启动
通过查阅 vLLM 的 issue 列表可以发现，目前 vLLM 对 DeepSeek-V3 的支持仅处于基础运行阶段，性能尚未达到预期。因此，暂不提供安装和启动的详细指南。待 vLLM 的增强计划完成后，我们会及时更新相关内容并提供完整的部署说明。
写在最后
DeepSeek-V3 在代码和数学领域表现突出，对于关注这些方向的企业来说无疑是一大喜讯。毕竟，这两项能力在市场上有着广阔的应用前景，而以往具有高性能的模型大多为闭源且高成本。DeepSeek-V3 的出现，以开源形式提供了强大的能力，不仅降低了门槛，也为创业和技术创新提供了更多可能性。它的发布在大模型领域引发了不小的轰动，为行业带来了更多选择和活力。
题外话：在 DeepSeek-V3 提供的聊天门户中，我尝试了一段 Prompt 的生成，出于好奇，将这段 Prompt 分别用于测试文心一言、豆包、Kimi、元宝和通义等模型。结果如何，你们一定想不到！建议大家亲自尝试一下。
Prompt如下：
帮我写 1 个面向年轻女性宣传一款内衣的品牌营销slogan，简洁吸睛，富有创意，字数要求150字。
