2月27日，DeepSeek宣佈開源Optimized Parallelism Strategies。與此同時，英偉達開源了首個在Blackwell架構上優化的DeepSeek-R1，實現了推理速度提升25倍，並且每token成本降低20倍的驚人成果。這一新模型的推出，標誌著英偉達在人工智慧領域的又一次重大進展。

開源周第三天，DeepSeek宣佈開源Optimized Parallelism Strategies（優化並行策略）。

據悉，該策略是為了提高計算效率、減少資源浪費並最大化系統性能而設計的並行計算方案。這些策略通過合理分配任務、協調資源利用和減少通信開銷，實現在多核、分佈式或異構系統中的高效並行執行。

最近，DeepSeek動作不斷。此前，該公司宣佈將DeepEP向公眾開放。在宣佈後的約20分鐘內，DeepEP已在 GitHub、微軟（MSFT.US）等平臺上獲得超過1000個 Star收藏。

據悉，DeepEP是MoE模型訓練和推理的Expert Parallelism通信基礎，可實現高效優化的全到全通信，以支持包括FP8在內的低精度計算，適用於現代高性能計算。DeepEP還針對從NVLink到RDMA的非對稱帶寬轉發場景進行了深度優化，不僅提供高吞吐量，還支持流式多處理器數量控制，從而在訓練和推理任務中實現高吞吐量性能。

稍早於2月26日，DeepSeek宣佈，即日起，北京時間每日00:30至08:30的夜間空閒時段，DeepSeek開放平臺推出錯峰優惠活動。在此期間，API調用價格大幅下調：DeepSeek-V3降至原價的50%，DeepSeek-R1降至25%。

DeepSeek稱，鼓勵用戶充分利用這一時段，享受更經濟更流暢的服務體驗。

DeepSeek推出優惠措施之時，正值其“開源周”。首個開源的代碼庫為針對Hopper GPU優化的FlashMLA，第二日是首個用於MoE模型訓練和推理的開源EP通信庫DeepEP，26日則開源了一個支持密集和MoE GEMM的FP8 GEMM 庫，為V3/R1訓練和推理提供支持。

英偉達通過在Blackwell架構上應用TensorRT DeepSeek優化，讓具有FP4生產級精度的模型，在MMLU通用智能基準測試中達到了FP8 模型性能的99.8%。目前，英偉達基於FP4優化的DeepSeek-R1檢查點已經在Hugging Face上開源，並且可以通過以下鏈接訪問模型地址：DeepSeek-R1-FP4。

在後訓練量化方面，該模型將Transformer模組內的線性算子的權重和啟動量化到了FP4，適用於TensorRT-LLM推理。這一優化使每個參數的位數從8位減少到4位，從而讓磁碟空間和GPU顯存的需求減少了約1.6倍。

來源：中國證券時報