17 KiB
DeepSeek-V3 技术报告（中文精读）
原文标题：DeepSeek-V3 Technical Report arXiv：2412.19437 ｜ 发布：27 Dec 2024（最后修订 18 Feb 2025） 作者/机构：DeepSeek-AI（第一作者 Aixin Liu 等，全体作者署名 DeepSeek-AI）；DeepSeek（深度求索） 原文 PDF：04-DeepSeek-V3-2412.19437.pdf
一、摘要（全文翻译）
我们提出 DeepSeek-V3，一个强大的混合专家（Mixture-of-Experts, MoE）语言模型，总参数量为 671B，每个 token 激活 37B 参数。为实现高效推理与高性价比训练，DeepSeek-V3 采用多头潜在注意力（Multi-head Latent Attention, MLA）与 DeepSeekMoE 架构，这两者在 DeepSeek-V2 中已得到充分验证。此外，DeepSeek-V3 开创了一种无辅助损失的负载均衡策略，并设置了多 token 预测（multi-token prediction）训练目标以获得更强的性能。我们在 14.8 万亿个多样且高质量的 token 上预训练 DeepSeek-V3，随后进行监督微调与强化学习阶段，以充分释放其能力。全面评测表明，DeepSeek-V3 优于其他开源模型，并达到与领先闭源模型相当的性能。尽管性能出色，DeepSeek-V3 的完整训练仅需 2.788M H800 GPU 小时。此外，其训练过程极其稳定。在整个训练过程中，我们没有遇到任何不可恢复的损失尖峰（loss spike），也没有执行任何回滚（rollback）。模型检查点可在 https://github.com/deepseek-ai/DeepSeek-V3 获取。
二、核心贡献
- 无辅助损失的负载均衡：靠辅助损失强制均衡会损害性能，V3 改用仅参与路由的专家偏置
b_i并随负载动态调整。 - 多 token 预测（MTP）：顺序预测额外 token 且保持完整因果链以密化训练信号，推理时可丢弃或用于投机解码。
- FP8 混合精度训练：首次在超大规模模型上验证 FP8 训练，相对损失误差低于 0.25%。
- DualPipe 与通信优化：攻克跨节点专家并行的计算通信比瓶颈，无需张量并行即可训练 671B 模型。
- 从 DeepSeek-R1 蒸馏推理能力：把长思维链模型的验证与反思模式注入标准 LLM。
- 极低训练成本：2.664M H800 GPU 小时完成 14.8T token 预训练，全流程 2.788M GPU 小时，约 5.576M 美元。
三、方法与技术要点
3.1 基础架构：MLA 与 DeepSeekMoE
DeepSeek-V3 仍在 Transformer 框架内，沿用 DeepSeek-V2 的 MLA + DeepSeekMoE 组合：MLA 负责高效推理，DeepSeekMoE 负责经济训练。
MLA 的核心是对键值（KV）做低秩联合压缩，以削减推理时的 KV 缓存：
\mathbf{c}_t^{KV} = W^{DKV}\mathbf{h}_t,\qquad [\mathbf{k}_{t,1}^C;\dots;\mathbf{k}_{t,n_h}^C]=\mathbf{k}_t^C = W^{UK}\mathbf{c}_t^{KV}
\mathbf{k}_t^R = \operatorname{RoPE}(W^{KR}\mathbf{h}_t),\qquad \mathbf{k}_{t,i}=[\mathbf{k}_{t,i}^C;\mathbf{k}_t^R],\qquad \mathbf{v}_t^C = W^{UV}\mathbf{c}_t^{KV}
\mathbf{o}_{t,i}=\sum_{j=1}^{t}\operatorname{Softmax}_j\!\left(\frac{\mathbf{q}_{t,i}^{T}\mathbf{k}_{j,i}}{\sqrt{d_h+d_h^{R}}}\right)\mathbf{v}_{j,i}^{C},\qquad \mathbf{u}_t=W^{O}[\mathbf{o}_{t,1};\dots;\mathbf{o}_{t,n_h}]
其中 $\mathbf{c}_t^{KV}\in\mathbb{R}^{d_c}$（$d_c\ll d_h n_h$）为 KV 压缩潜在向量，W^{KR} 产生携带 RoPE 的解耦键。推理时只需缓存 \mathbf{c}_t^{KV} 与 $\mathbf{k}_t^R$，KV 缓存大幅缩小而性能与标准多头注意力相当；查询侧同样低秩压缩。
DeepSeekMoE 相比 GShard 用更细粒度专家并隔离出共享专家：
\mathbf{h}_t'=\mathbf{u}_t+\sum_{i=1}^{N_s}\operatorname{FFN}_i^{(s)}(\mathbf{u}_t)+\sum_{i=1}^{N_r}g_{i,t}\operatorname{FFN}_i^{(r)}(\mathbf{u}_t),\qquad s_{i,t}=\operatorname{Sigmoid}(\mathbf{u}_t^{T}\mathbf{e}_i)
与 V2 不同：V3 用 sigmoid 计算亲和度，并对选中的亲和度归一化得到门控值。
3.2 无辅助损失的负载均衡
负载不均会导致路由崩溃并削弱专家并行的效率，而辅助损失过大又损害性能。V3 把均衡信号从损失挪进路由：为每个专家引入偏置 $b_i$，用它参与 top-K 路由决策，
g'_{i,t}=\begin{cases}s_{i,t}, & s_{i,t}+b_i\in\operatorname{Topk}(\{s_{j,t}+b_j\},K_r)\\ 0, & \text{otherwise}\end{cases}
偏置只参与路由、不参与门控。训练中每步监控批内负载：过载减 $\gamma$、欠载加 $\gamma$（前 14.3T token 取 0.001）；另用极小的序列级互补辅助损失（$\mathcal{L}_{\mathrm{Bal}}=\alpha\sum_i f_iP_i$，$\alpha=0.0001$）防单序列内极端失衡，并用节点受限路由限制每 token 至多发往 M=4 个节点。均衡良好，故训练与推理均不丢弃 token。
3.3 多 token 预测（MTP）
与 Gloeckle 等人并行预测 D 个额外 token 不同，V3 顺序预测并保持完整因果链。第 k 个 MTP 模块含共享嵌入层、共享输出头、Transformer 块与投影矩阵 $M_k\in\mathbb{R}^{d\times 2d}$：
\mathbf{h}_i'^{k}=M_k[\operatorname{RMSNorm}(\mathbf{h}_i^{k-1});\operatorname{RMSNorm}(\operatorname{Emb}(t_{i+k}))],\qquad \mathbf{h}_{1:T-k}^{k}=\operatorname{TRM}_k(\mathbf{h}_{1:T-k}'^{k}),\qquad P_{i+k+1}^{k}=\operatorname{OutHead}(\mathbf{h}_i^{k})
训练目标是各深度交叉熵损失的加权平均 $\mathcal{L}{\text{MTP}}=\frac{\lambda}{D}\sum{k=1}^{D}\mathcal{L}_{\text{MTP}}^{k}$。推理时 MTP 模块可整体丢弃，也可复用为投机解码。
3.4 训练基础设施：DualPipe、通信与显存
集群为 2048 张 H800（节点内 NVLink，跨节点 IB），采用 16 路流水线并行（PP）、跨 8 节点的 64 路专家并行（EP）与 ZeRO-1 数据并行。
DualPipe 针对约 1:1 的计算通信比，把 chunk 拆为注意力、dispatch、MLP、combine 四部分，反向 chunk 的注意力与 MLP 再分为对输入与对权重两部分，并按比例调配通信与计算的 SM，从而同时隐藏 all-to-all 与 PP 通信，并双向喂入微批次。其气泡为 $(\frac{PP}{2}-1)(F&B+B-3W)$，参数占用 2×、激活为 $PP+1$，但大 EP 规模下两份参数并不显著增加显存。
跨节点 all-to-all 内核与 MoE 门控及网络拓扑协同设计：NVLink 带宽 160 GB/s 约为 IB（50 GB/s）的 3.2 倍，故限制每 token 至多发往 4 个节点；token 先经 IB 到目标节点的同号 GPU，再经 NVLink 转发到承载目标专家的 GPU。实践中只选 8 个路由专家，该成本最多可支撑 13 个（4 节点 × 3.2）；仅 20 个 SM 即可跑满带宽。
显存优化：反向重算 RMSNorm 与 MLA 上投影，EMA 参数置于 CPU 异步更新，并把最浅层与最深层放在同一 PP rank 以物理共享嵌入层与输出头。
3.5 FP8 混合精度训练
低精度训练的难点在于激活、权重与梯度中的离群值。该框架让计算密集的 GEMM（Fprop/Dgrad/Wgrad）全部以 FP8 执行（输入 FP8、输出 BF16 或 FP32，理论上较 BF16 提速一倍），而嵌入、输出头、MoE 门控、归一化与注意力算子保留高精度。四项关键技术：
- 细粒度量化：激活按
1\times128tile、权重按128\times128block 分组缩放，避免以张量最大绝对值对齐 FP8 范围造成的离群值敏感。 - 提升累加精度：H800 的 FP8 GEMM 累加仅约 14 位尾数，
K=4096时相对误差近 2%；做法是每累加N_C=128个元素就把部分和搬到 CUDA Core 的 FP32 寄存器做全精度累加。 - 尾数优先于指数：以往 Fprop 用 E4M3、Dgrad/Wgrad 用 E5M2，V3 统一用 E4M3。
- 在线量化：不做延迟量化，而是实时计算每个 tile/block 的最大绝对值再导出缩放因子。
配套措施：AdamW 动量用 BF16，Linear 激活以 FP8 缓存（注意力后的输入用定制 E5M6），MoE 上投影前的激活也量化为 FP8。相对损失误差始终低于 0.25%；附录 B.2 指出激活梯度若也块状量化会导致约 16B MoE 训练发散。
3.6 推理与部署
预填充最小单元为 4 节点 32 GPU，注意力用 TP4 + 序列并行（SP）配 DP8，MoE 用 EP32；为均衡负载引入冗余专家：复制高负载专家并每约 10 分钟按在线统计调整，预填充设 32 个（每卡除原有 8 个专家外再承载 1 个）。
解码把共享专家视为路由专家，故每 token 实际路由 9 个专家。最小单元为 40 节点 320 GPU，注意力用 TP4 + SP 配 DP80，MoE 用 EP320；每卡只承载一个专家，另有 64 张 GPU 承载冗余与共享专家；dispatch/combine 经 IB 点对点直传。
3.7 预训练：数据、超参与长上下文
语料提高了数学与编程样本比例、多语言覆盖超出中英，用文档打包但不做跨样本注意力掩码；沿用 DeepSeekCoder-V2 的中间填充（FIM）策略（PSM 结构，比例 0.1）。分词器为字节级 BPE，词表 128K，并随机拆分「标点+换行」组合 token 以缓解 token 边界偏差。
模型超参：61 层、隐藏维度 7168；MLA 中 $n_h=128$、$d_h=128$、$d_c=512$、$d_c'=1536$、$d_h^R=64$；除前 3 层外全部 FFN 换为 MoE，每层 1 个共享专家 + 256 个路由专家，专家中间维度 2048，每 token 激活 8 个、至多送往 4 个节点；MTP 深度 $D=1$。训练超参：AdamW（$\beta_1=0.9$、$\beta_2=0.95$、weight decay 0.1），序列长度 4K，学习率在 2K 步内升至 $2.2\times10^{-4}$、10T token 后余弦衰减至 $2.2\times10^{-5}$，批次由 3072 增至 15360，MTP 权重 \lambda 前 10T token 取 0.3、其余取 0.1。
长上下文扩展：用 YaRN 分两阶段各 1000 步把窗口由 4K 扩到 32K 再到 128K，仅施加于解耦共享键 $\mathbf{k}_t^R$（$s=40$、$\alpha=1$、$\beta=32$、$\sqrt{t}=0.1\ln s+1$），学习率 $7.3\times10^{-6}$。
3.8 后训练：SFT、RL 与 R1 蒸馏
SFT 数据集含 1.5M 条多领域实例。推理类数据（数学、代码竞赛、逻辑谜题）由内部 DeepSeek-R1 生成，但 R1 数据有过度思考、格式差、过长等问题，故先用 SFT + RL 管线训练领域专家模型，为每条实例生成 <问题, 原始回答> 与 <系统提示, 问题, R1 回答> 两类样本，系统提示引导产出带反思与验证机制的响应；RL 阶段让模型融合 R1 模式，数百步后以拒绝采样筛选数据。非推理数据由 DeepSeek-V2.5 生成并经人工校验。SFT 微调 2 个 epoch，学习率由 5\times10^{-6} 余弦降至 $1\times10^{-6}$。
RL 使用规则奖励模型（数学题按格式校验、LeetCode 跑测试用例）与模型奖励模型（从 SFT 检查点训练，偏好数据含通向奖励的思维链）。算法为 GRPO：省去 critic，用组内得分估计基线，对组内采样 \{o_i\}_{i=1}^{G} 上取裁剪后的重要性比率乘优势 $A_i=\frac{r_i-\operatorname{mean}({r})}{\operatorname{std}({r})}$，并减去相对参考模型的 KL 惩罚。
四、主要实验结果
4.1 基座模型（DeepSeek-V3-Base）
| 基准 / 任务 | 本模型（37B 激活 / 671B 总参数） | DeepSeek-V2 / Qwen2.5 72B / LLaMA-3.1 405B | 说明 |
|---|---|---|---|
| MMLU (EM, 5-shot) | 87.1 | 78.4 / 85.0 / 84.4 | 全面领先 |
| MMLU-Pro (EM, 5-shot) | 64.4 | 51.4 / 58.3 / 52.8 | 领先幅度大 |
| BBH (EM, 3-shot) | 87.5 | 78.8 / 79.8 / 82.9 | 领先 |
| DROP (F1, 3-shot) | 89.0 | 80.4 / 80.6 / 86.0 | 领先 |
| MATH (EM, 4-shot) | 61.6 | 43.4 / 54.4 / 49.0 | 数学优势明显 |
| GSM8K (EM, 8-shot) | 89.3 | 81.6 / 88.3 / 83.5 | 领先 |
| CMath (EM, 3-shot) | 90.7 | 78.7 / 84.5 / 77.3 | 中文数学领先 |
| HumanEval (Pass@1) | 65.2 | 43.3 / 53.0 / 54.9 | 代码领先 |
| LiveCodeBench-Base (Pass@1) | 19.4 | 11.6 / 12.9 / 15.5 | 领先 |
| CRUXEval-O (EM, 2-shot) | 69.8 | 49.8 / 59.9 / 59.9 | 领先 |
| C-Eval (EM, 5-shot) | 90.1 | 81.4 / 89.2 / 72.5 | 中文领先 |
| CMMLU (EM, 5-shot) | 88.8 | 84.0 / 89.5 / 73.7 | 略低于 Qwen2.5 72B |
| MMMLU-non-English (EM) | 79.4 | 64.0 / 74.8 / 73.8 | 多语言领先 |
V3-Base 在绝大多数基准上最佳，数学与代码尤为突出：相较 Qwen2.5 72B 仅用约一半激活参数即占优（仅 CMMLU 例外），相较激活参数为其 11 倍的 LLaMA-3.1 405B 在多语言、代码、数学上明显更好。
4.2 对话模型（标准与开放式评测）
| 基准 / 任务 | DeepSeek-V3 | Claude-3.5-Sonnet-1022 / GPT-4o-0513 | 说明 |
|---|---|---|---|
| MMLU (EM) | 88.5 | 88.3 / 87.2 | 同级 |
| MMLU-Pro (EM) | 75.9 | 78.0 / 72.6 | 略逊于 Claude |
| GPQA-Diamond (Pass@1) | 59.1 | 65.0 / 49.9 | 仅次于 Claude，明显优于其他对手 |
| SimpleQA (Correct) | 24.9 | 28.4 / 38.2 | 落后，作者归因于中文学识的资源分配 |
| C-SimpleQA (Correct) | 64.8 | 51.3 / 59.3 | 中文学识领先 |
| DROP (3-shot F1) | 91.6 | 88.3 / 83.7 | 该类最佳 |
| IF-Eval (Prompt Strict) | 86.1 | 86.5 / 84.3 | 与顶级模型同级 |
| LongBench v2 (Acc.) | 48.7 | 41.0 / 48.1 | 同级最佳 |
| LiveCodeBench (Pass@1-CoT) | 40.5 | 36.3 / 33.4 | 领先 |
| Codeforces (Percentile) | 51.6 | 20.3 / 23.6 | 大幅领先 |
| SWE Verified (Resolved) | 42.0 | 50.8 / 38.8 | 略低于 Claude-Sonnet-3.5 |
| Aider-Polyglot (Acc.) | 49.6 | 45.3 / 16.0 | 领先 |
| AIME 2024 (Pass@1) | 39.2 | 16.0 / 9.3 | 大幅领先 |
| MATH-500 (EM) | 90.2 | 78.3 / 74.6 | 大幅领先 |
| CNMO 2024 (Pass@1) | 43.2 | 13.1 / 10.8 | 大幅领先 |
| Arena-Hard | 85.5 | 85.2 / 80.4 | 首个超过 85% 的开源模型 |
| AlpacaEval 2.0（长度控制胜率） | 70.0 | 52.0 / 51.1 | 领先约 18 个百分点 |
| RewardBench（平均） | 87.0（投票 maj@6 为 89.6） | 88.7 / 84.7 | 与最佳版本相当 |
V3 在数学（AIME 2024、MATH-500、CNMO 2024 均超第二名约 10 个百分点）与算法竞赛类代码上取得非长 CoT 模型的最优结果，开放式评测双双领先闭源模型；差距仍在英文事实性知识、SWE 任务及 GPQA、MMLU-Pro。
4.3 消融与效率
| 实验 | 设置 | 结果 |
|---|---|---|
| MTP 消融 | 小规模 15.7B（1.33T token）、大规模 228.7B（540B token） | 多数基准稳定提升，大规模 HumanEval 44.5 → 53.7、GSM8K 72.3 → 74.0 |
| 无辅助损失均衡消融 | 同上两规模，对比纯辅助损失基线 | 一致更优：大规模 HumanEval 40.2 → 46.3、GSM8K 70.7 → 74.5、MATH 37.2 → 39.6 |
| 批次级 vs 序列级均衡 | 1B / 3B MoE 验证损失 | 序列级 2.258/2.085；无辅助损失 2.253/2.080；批次级辅助损失 2.253/2.080 |
| FP8 vs BF16 | 约 16B（1.33T token）、约 230B（0.9T token） | 相对损失误差始终低于 0.25% |
| R1 蒸馏 | 基于 DeepSeek-V2.5 | LiveCodeBench-CoT 31.1 → 37.4，MATH-500 74.6 → 83.2，但响应长度显著增加（769 → 1510） |
| MTP 投机解码 | 第二 token 接受率 | 各主题下 85%–90%，解码速度达 1.8 倍 TPS |
成本：预训练 2664K H800 GPU 小时、上下文扩展 119K、后训练 5K，合计 2788K GPU 小时（约 5.576M 美元）；每训练 1T token 仅需 180K GPU 小时，即在 2048 卡集群上约 3.7 天。
五、结论、局限与影响
- 结论：DeepSeek-V3 是总参数 671B、激活 37B、在 14.8T token 上训练的 MoE 模型，以 MLA、无辅助损失负载均衡、MTP 与 FP8 训练压低成本，并从 DeepSeek-R1 蒸馏出推理能力；它已是当前最强开源模型，完整训练仅需 2.788M H800 GPU 小时。
- 局限性（作者自述，集中于部署）：推荐部署单元相对庞大，对小团队构成负担；端到端生成速度虽已超 DeepSeek-V2 两倍，仍有提升空间，作者认为这些局限有望随更先进硬件解决。上述成本仅含正式训练。
- 影响：V3 把同性能训练成本压到百万美元量级并坚持开源，缩小了开源与闭源模型的差距；其 FP8 方案、DualPipe 调度与通信内核设计对后续训练系统与芯片设计有参考价值。未来将改进架构以逼近无限上下文、扩展数据与训练信号来源、拓展深度思考的推理深度，并建立更全面多维的评测方法。
六、关键术语对照表
| English | 中文 |
|---|---|
| Mixture-of-Experts (MoE) | 混合专家 |
| Multi-head Latent Attention (MLA) | 多头潜在注意力 |
| Auxiliary-Loss-Free Load Balancing | 无辅助损失负载均衡 |
| Multi-Token Prediction (MTP) | 多 token 预测 |
| Expert Parallelism (EP) | 专家并行 |
| Pipeline Parallelism (PP) | 流水线并行 |
| Node-Limited Routing | 节点受限路由 |
| DualPipe | 双向流水线调度算法（论文自研） |
| All-to-All Communication | 全对全通信 |
| FP8 Mixed Precision Training | FP8 混合精度训练 |
| Fine-Grained Quantization | 细粒度量化 |
| Group Relative Policy Optimization (GRPO) | 组相对策略优化 |
| Speculative Decoding | 投机解码 |
| Redundant Experts | 冗余专家 |
| Knowledge Distillation | 知识蒸馏 |