Re: [問卦] 有鄉民看過deepseek強在哪了嗎?

作者: Kazetachinu (吾乃肉弟國子民)   2025-01-28 01:17:20
在領英上看到 講解的還行 看得懂就看吧 看不懂就算了
正文:
首先,文章贡献主要来自系统(Training Infra),而非模型本身。模型本身依然基于传统的Transformer:
1)他们世界首创在大规模LLM训练中系统性部署fp8(8位浮点)量化技术,这大大降低训练对显卡内存的需求,也加快了训练过程;
2)为了正确使用fp8的矩阵乘法,他们优化并改进了CUDA Kernal的调用方式,甚至给NVDA提出了诸多Tensor Core方面的设计建议
3)他们开发了自己的训练框架DualPipe,实现了16/64通道的流水线和专家(MOE)并行,极大改善了并行训练中的通信和计算冲突问题,解决了调度瓶颈。
最终,DeepSeek实现了在2048个H800上的集群训练。
其次,文章中大部分改进是渐进式的,而非革命性的:
1)上下文拓展实际上来自2023年文章YaRN;在MTP方面,最终DeepSeek V3只实现了N=1的MTP,也即比传统的GPT多预测一个词;
2)MOE所引入的Aux-Loss-Free Load Balancing技术,其实仅仅是在传统Expert的分配算法
3)DeepSeek MOE上的另一个革新是加入了“共享Expert”,并保证训练时对于每个Token,
4)其独创的Multihead Latent Attention 本质上是将QKV通过线性变换降维到一个Latent
5)利用自己在量化交易中的经验,创造性地将某些移动平均值(如Adam参数状态)存在CPU
当然,能够将如此多新的细节整合在一起,并获得一个几乎没有任何Loss Spike的平滑的训
最后,DeepSeek 在RL和蒸馏方面确实得到了极其宝贵的经验
Deep Seek证明了:
1)推理能力可以通过RL获得,
2)推理能力可有效的被蒸馏到更小的模型上去。
虽然他们也同时观察到,蒸馏可能让小模型的输出变得更长,语言效率降低。此外,如果RL
总的来说,确实是一个非常好的Paper,证明了在极限的精度和优化条件下,训练一个600B?
但不至于颠覆硅谷,是一个非常好的阶段性进展
# 他的另一篇補充:
澄清一些DeepSeek里关于降本增效的概念:
首先,增加训练效率的是MOE,Mixture of Experts,也就是所谓混合专家模型。他指的是模型每一个Transformer Block在最后那一层网络中,仅选择1/k的参数激活进入下一个Block。
这导致对于每一个token来说,一个600B的模型仅需激活了接近37B的权重,相当于每一个token的训练可以节省约80%算力,大大提高了训练速度。
其次,增加推理速度的是MLA,Multihead Latent Attention,多头隐空间注意力机制。名字很玄乎,本质就是通过一些矩阵把注意力机制中最关键的KQV三个矩阵投影到更低维的空间(隐空间)中,以便存在缓存中。这样每次推理的时候就不需要重新计算
大大增加了推理速度
这两个技术都不能说是颠覆性的。但DeepSeek都做了自己的改进,而且调通了
这就是他最厉害的地方
这两个重要概念,在DeepSeek V3 paper的第一页就有
当然更关键的是fp8,也就是8位浮点量化运算。之前推文介绍过了。是fp8从训练所需空间上限决定了,这个模型可以用2048个H800训练。
每个fp8相比fp16能节约50%空间,相比fp32 节约75%。矩阵乘法的运算速度甚至是按平方提升。
# 連結:
https://reurl.cc/oV67e5
# 小心得:
ds發布前幾天 組上老哥碩論預口 內容提到也做了fp8量化 然後只說效果不好就沒下文 結果人家大成功哈哈 不知道他口試那天會不會被電

Links booklink

Contact Us: admin [ a t ] ucptt.com