中國MoE一夜爆火！大模型新王暴打GPT-4o，訓練成本僅600萬美元

新智元報道

編輯：桃子 好睏

【新智元導讀】600萬美金訓出擊敗GPT-4o大模型，竟被中國團隊實現了！今天，DeepSeek-V3在全網掀起巨大風暴，僅憑671B參數在數學代碼性能上，堪比國外大模型Claude 3.5 Sonnet。

一夜之間，來自中國的大模型刷屏全網。

DeepSeek-V3，一個擁有671B參數的MoE模型，吞吐量每秒高達60 token，比上一代V2直接飆升3倍。

在多項基準測試中，V3性能直接與Claude 3.5 Sonnet、GPT-4o相匹敵。

在數學代碼方面，DeepSeek-V3完全碾壓GPT-4o。尤其是中文能力，全面領先國外的領先大模型。

就看這閃電般的推理速度，就知道模型有多強了。

值得一提的是，DeepSeek-V3在14.8T高質量token上完成了訓練，模型和論文100%開源。

論文地址：https://github.com/deepseek-ai/DeepSeek-V3/blob/main/DeepSeek_V3.pdf

新模型驚豔出世，徹底掀翻了整個AI圈。業界多位AI大佬，紛紛對此表示震驚，將重點轉向其訓練成本GPU之上。

論文中，明確提出了DeepSeek-V3僅使用2048塊GPU訓練了2個月，並且只花費了557.6萬美金。

Karpathy驚歎道，「作爲參考，要達到這種級別的能力，通常需要約1.6萬個GPU的計算集羣。不僅如此，當前業界正在部署的集羣規模甚至已經達到了10萬個GPU。

比如，Llama 3 405B消耗了3080萬GPU小時，而看起來更強大的DeepSeek-V3卻只用了280萬GPU小時（計算量減少了約11倍）。

到目前爲止，模型在實際應用中的表現相當出色——不僅在LLM競技場名列前茅，而且從Karpathy本人的快速測試來看，結果也都很不錯。

這說明，即便是在資源受限情況下，模型也能展現出令人印象深刻的研究和工程能力。

這是否意味着前沿LLM不需要大型GPU集羣？不是的，但這表明，你必須確保不浪費已有的資源，這個案例很好地證明了在數據和算法方面還有很大的優化空間」。

另外，賈揚清針對推理提出了幾點自己的思考：

首先最重要的是，我們正式進入了分佈式推理時代。一臺單GPU機器（80×8=640G）的顯存已經無法容納所有參數。雖然更新大顯存機器確實可以裝下模型，但不論如何，都需要分佈式推理來保證性能和未來擴展。

即使在單個模型中，也需要關注MoE的負載均衡，因爲每次推理只有大約5%的參數激活。

論文中特別提到引入「redundantexpert」概念，正是爲了解決這個問題。這已經不再是「一個模型多個副本」的問題、而是「每個模型子模塊都有多個副本」，然後獨立擴縮容。

輸入token很容易實現盈利。根據個人專業判斷，需要大量優化才能使輸出token盈利或實現收支平衡。但如果我們相信「軟件摩爾定律」，這就不是問題：每18個月單token成本減半。

需要進行分塊（tile）或塊（block）級別的量化。

等硬件支持FP4以後，肯定還有不少可以玩的花樣冷知識：FP4乘法實際上就是個16×16的table lookup等等……

中國模型一夜擊敗GPT-4o，100%開源

DeepSeek-V3不俗表現，是在上一代V2進一步升級和迭代。

在基準測試中，數學領域MATH 500上，DeepSeek-V3拿下了90.2高分，比Claude 3.5 Sonnet、GPT-4o超出10分還要多。

同理，在AIME 2024測試中，DeepSeek-V3也取得了領先優勢，飆升近20分。

在代碼Codeforces基準上，新模型以51.6分刷新SOTA，比國外大模型高出30分左右。

在軟件工程SWE-bench Verified基準上，DeepSeek-V3略顯遜色，Claude 3.5 Sonnet以50.8分碾壓所有模型。

另外，在多語言能力（MMLU-Pro）方面，V3提升並不明顯。知識問答基準（GPQA-Diamond）上，V3也是僅次於Claude 3.5 Sonnet。

如下這張圖表，更詳細地展示了DeepSeek-V3在各種基準測試中的結果。

53頁技術報告中，特比強調了V3的訓練成本取得了最大的突破。

團隊特意強調了，新模型的完整訓練僅需要2.788M個GPU小時。即便如此，它在訓練過程中非常穩定，沒有遇到過任何不可恢復的loss突增，也沒有執行任何rollback操作。

DeepSeek-V3訓練成本如下表1所示，這是背後團隊通過優化算法、框架、硬件協同設計最終實現的。

在預訓練階段，模型每訓練1萬億token僅需要180K個GPU小時，即在配備2048個GPU的集羣上只需3.7天。

因此，DeepSeek-V3預訓練階段耗時不到2個月就完成了，總共消耗2664K個GPU小時。

另外，再加上上下文長度scaling所需的119K GPU小時和後訓練的5K GPU小時，由此V3完整訓練僅消耗2.788M個GPU小時。

團隊表示，假設GPU的租用價格爲2美元/每GPU小時，DeepSeek-V3總訓練成本僅爲557.6萬美元。

那麼，究竟是怎樣的技術突破，使得DeepSeek-V3實現了質的飛昇？

訓練細節

正如開頭所述，DeepSeek-V3是一個強大的混合專家模型（MoE），總參數量爲爲671B，每個token激活37B參數。

它繼續採用了多頭潛在注意力（MLA）來實現高效推理，以及DeepSeekMoE實現低成本訓練。

這兩種架構的優勢，已經在上一代V2中得到了驗證。

除了基本框架之外，研究人員還採用了兩個額外的策略，來進一步增強模型的能力：

採用無輔助損失（auxiliary-loss-free）方法來實現負載均衡，目的是最小化負載均衡對V3性能造成的不利影響。

採用多token預測訓練目標，結果證明能夠提升V3在評估基準上的整體性能。

DeepSeek-V3框架

爲了實現高效訓練，團隊採用了「FP8混合精度訓練」，並對訓練框架進行了全面優化。

通過支持FP8計算和存儲，實現了訓練加速和GPU內存使用的減少。

在預訓練階段，DeepSeek-V3在14.8T高質量且多樣化的token完成了訓練，然後又對模型進行了監督微調、強化學習階段。

由此，我們纔看了DeepSeek-V3在如上評測中，性能超過了其他開源模型，並達到了與領先閉源模型相當的性能水平。

網友炸鍋了

DeepSeek-V3現在已經在官方平臺上直接可以測試，而且代碼全部開源可以直接下載。

國外AI發燒友們紛紛開啓了測試，有人直接將4/8個M4 Mac mini堆疊在一起來運行DeepSeek-V3了...

一位開發者驚訝地表示，DeepSeek-V3無需我解釋就能如此準確地理解一切，這種感覺真讓人毛骨悚然。就好像機器裡真的住着一個幽靈似的。

另有開發者通過DeepSeek-V3創建了一個用AI公司logo製作的小行星遊戲，分分鐘就完成了。

還有的人對用如此低成本，訓練出一個強大得模型，難以置信。

Stability AI前CEO表示，以每秒60個token（相當於人類閱讀速度5倍）的速度全天候運行DeepSeek v3，每天僅需要2美元。

那麼，你是要選擇一杯拿鐵咖啡，還是一個AI助手呢？

參考資料：

https://x.com/karpathy/status/1872362712958906460

https://x.com/jiayq/status/1872382450216915186