外网热议：为什么 DeepSeek 大规模部署成本低，但本地运行昂贵？

主要观点总结

本文主要讨论了使用GPU进行大规模模型推理时的批量处理、延迟和吞吐量之间的权衡，以及专家混合模型（MoE）在GPU推理中的特殊需求。文章还涉及了GPU在大型GEMM上的效率、注意力步骤的批量处理方式、大型模型管道处理以及专家混合模型的推理过程。

关键观点总结

关键观点1: GPU在大型GEMM上的效率

GPU擅长进行大规模矩阵乘法（GEMM），通过批量处理令牌以提高令牌吞吐量。但这也导致了延迟的增加，因为用户令牌需要等待批量足够大才能运行。

关键观点2: 注意力步骤的批量处理方式

注意力步骤需要具有相同的形状才能进行批量处理，这限制了批量处理的方式，并导致了调度程序的运行方式。

关键观点3: 大型模型的管道处理

大型模型需要更多的GPU资源来处理前馈网络。为了保持GPU始终处于活动状态，需要通过管道处理层，但这也会导致管道气泡问题，需要通过选择适当的窗口大小来消除。

关键观点4: 专家混合模型的推理过程

专家混合模型（MoE）通过训练多个专家来进行推理，但这也导致了更高的批量需求，因为需要确保每个专家都能得到充分利用。

关键观点5: 计算调度的原理

为了提高计算效率，需要深入理解计算轨迹以识别瓶颈和空闲气泡，并开发负载均衡器、管道架构和调度器来优化工作负载。