华为优化 DeepSeek 等 MOE 大模型部署，提出超节点架构和 OmniPlacement 算法，提升资源利用率和推理效率。
原文标题：从 DeepSeek 部署看，华为如何让 MOE 架构“迎来”海量“专家”？
原文作者：AI前线
冷月清谈：
怜星夜思：
2、文章提到了OmniPlacement算法能够动态调整专家部署，提升推理效率，那么在实际应用中，这种动态调整会不会带来额外的开销，比如频繁的数据迁移？如何平衡动态调整的收益和开销？
3、文章中提到华为在A3超节点集群上完成了对DeepSeek V3的训练优化，达到了每卡1,216 TPS的吞吐率。这个数据在当前业界处于什么水平？还有哪些因素会影响大模型训练的吞吐率？
原文内容
“模型开发已经从早期的算法层优化，转向系统工程层面的深度创新。”华为技术专家说道。
如今已经从数字化时代的比特流量转向 Token 经济体系。国内 Token 日消耗量从千亿级跃升至十万亿级，DeepSeek 等头部平台日均处理 6000 亿 Token 的实践，验证了高吞吐、低时延系统的商业价值。
同时，随着模型结构从单一架构探索发展为多模态融合创新，大模型的驱动部署模式发生根本转变。传统单卡部署已无法满足大模型高吞吐、高并发的需求，分布式集群部署成为新常态。以 ChatGPT 和 DeepSeek 为例，用户规模突破亿级的时间从 1 个月压缩至 7 天，倒逼系统处理能力实现数量级提升。如何提供更高的吞吐能力、更低的时延成为系统，成为各基础设施厂商的必做题。
DeepSeek 本身已经在 infra 层做了很多优化，但在企业部署过程中，华为自己也针对 DeepSeek 的模型做了各种优化，帮助企业全面兼容和支持应用。
在鲲鹏昇腾开发者大会 2025（KADC2025）举办前，华为技术专家向 InfoQ 介绍了其为 DeepSeek 做的调优工作。总体来看，华为针对 DeepSeek 的优化主要包括下面三个方面：
-
算子层面：实现了如 MRN 的 PO 融合算子，提升算子执行效率；
-
计算与通信优化：进行了低时延通信优化，实现了双链路通信掩盖；
-
在计算并行方面，支持多专家并行的动态负载均衡，这专家越多、越细粒度，资源调度的复杂性就越高，华为重点优化了如何将计算资源动态、均衡地分配给不同专家，避免资源一边空闲一边过载的情况。
这些既是对 DeepSeek 优化路径的延续和兼容，也是在其基础上的进一步突破。虽然是对 DeepSeek 的优化，但在模型架构没有发生大的变化的前提下都可以复用。华为团队也表示，会随着大模型架构演进同时跟进，比如 Qwen3 的调优部署等，同时增加对新技术、新框架、新架构的储备。
从整体看，华为的大模型训推底层优化策划也基本是围绕上述方面展开的。
预训练方面，华为首先完整复现了幻方的 DualPipe 技术（仅开源了框架，没有开源代码），但该方案存在静态显存占用较高的问题。然后，团队基于 VirtualPipe 改进的流水方案，通过 warm-up 多个 micro-batches，实现前后向交织通信掩盖，同时节省一份静态权重显存。但该方案继承了 VirtualPipe 的缺陷，即多了一个不小的激活值内存。最后，团队给出了 DualPipe-V 方案，进一步优化显存使用，是静态与动态显存占用最小的方案，已集成至 MindSeed。
内存优化方面，华为自研了重计算技术。不同于 PyTorch 的 checkpoint 机制，后者无法清除输出激活值，重计算技术方案则能清除这部分激活值，适用于计算量小但激活值大的操作（如 LayerNorm），可节省多个 GB 显存。具体做法是在 FC 层输出挂载 hook，在前向阶段清除激活值，反向阶段触发 hook 重计算。
系统架构方面，华为也提出并实现业界当前常用的 PD（Prompt Decoder）分离部署。推理过程中，首 token 的生成（Profile 阶段）对计算资源的消耗极大，因为需要对所有输入数据进行完整计算；而之后的 token 生成阶段则更多依赖存储和带宽。通过 PD 分离部署和 PD 优化，来降低了首 token 的延迟并提升整体推理效率。
同时，面对应用日益广泛的 MOE 架构，华为也做了针对性的底层优化。
MOE 架构的核心特点是引入了大量的专家模块和复杂的路由机制。在早期，单个模型中包含几十个、上百个专家已经算是规模较大的设计。但随着 MOE 架构的不断发展与优化，主流模型在不断扩展专家数量，DeepSeek V3/R1 已经有 288 个专家，未来专家数量可能还会进一步提升。
这个背景下，模型处理的核心挑战转向了如何高效地将这些专家模块分布到多张 GPU 卡上。
传统方案通常在不同节点之间进行专家通信，但这引入了通信瓶颈。以现有主流通信能力为例，基于原来的 Rookie，单链路带宽最大约为 400Gbps，双向带宽为 800Gbps，这样的通信能力已远远无法满足 MOE 模型越来越多专家带来的带宽需求。
为解决这一瓶颈，华为研发了新的“超节点”架构：通过高速总线将上百张 GPU 卡互联成一个超大节点，所有专家模块被合理地分布在这些卡上运行。卡与卡之间通过高速总线互联，其中高速总线带宽远高于传统以太网通信，从而显著减少了通信时延，提升训练吞吐率。采用总线互联的技术实现统一内存编辑、统一内存语义通信，通信机制更加接近语义层面的协同处理，这是整个架构上的创新机制。团队还做成了 MRN OP 大融合算子，通过双流通信掩盖、并行通信以及原来的 HCCI 性能提升，从多个维度进行通信优化。
值得注意的是，超节点结构是通用的，只是更亲和 MOE 架构。
另外，基于超节点，针对大模型训练的负载特征，华为还自上而下设计了 AI 的智算集群 Atlas 900 A3 SuperCluster。该集群在测试中突破 Scale up 物理节点计算瓶颈，让成百上千个 NPU 以 TB 级带宽超高速互联、内存统一编址。通过算、网、存等跨域技术协同，进一步提升 Scale Out 的集群计算效率和可靠性。据悉，Atlas 900 A3 Super Cluster 的平均无故障运行时长从几小时提升到几天，训练效率也提升了 2.7 倍。
目前，华为已在 A3 超节点集群（256 卡）上完成了对 DeepSeek V3 的训练优化，达到了每卡 1,216 TPS 的吞吐率，MFU 可达 44.57%。值得注意的是，这一成绩是在 B16 精度模式下完成的，若使用 FP8 模式，性能还将进一步提升。
据了解，华为团队在过去两个月内已经将推理效率提升了近 20 倍。实现这一增长的核心技术包括：引入动态专家并行策略，取代传统张量并行，规避张量并行阶段由路由计算量膨胀带来的显存和计算浪费；引入数据并行，相对张量并行，可以解决 DeepSeek MoE 架构中的 KV Cache 跨卡复制问题；提供长序列并行策略，提升在长序列场景下的推理能力。
华为是最早提出“大规模专家并行（大 EP）方案”的团队之一。目前，无论是头部大模型的互联网场景，还是部分运营商场景，大 EP 方案都已开始落地应用。
但专家并行并非是一本万利的，还会带来负载均衡方面的挑战。华为团队通过静态、分段及动态均衡负载算法，重新对专家按照负载进行排序，达到削峰填谷的目的，以保障在推理阶段各个卡上专家所处理 token 数量近似，很大程度上规避负载不均衡问题。
近日，华为发布了 OmniPlacement 算法，通过分析专家激活数据来识别热 / 冷专家，并提出基于计算均衡的优化算法。其特点包括：
-
动态优先级调整，实时统计专家调用频率，优先将高频专家部署到强计算节点。
-
通信优化：分析批次激活模式，减少跨节点通信延迟。
-
层间差异化部署：根据各层负载特性，灵活配置专家部署策略。
官方介绍，相较 DeepSeek 的 EPLB 算法，OmniPlacement 在动态适应性、理论收敛性和高并发场景下表现更优，显著提升资源利用率。在昇腾平台测试中，OmniPlacement 在理论上可降低约 10% 推理延迟，提升 10% 吞吐量。
AICon 2025 强势来袭，5 月上海站、6 月北京站，双城联动，全览 AI 技术前沿和行业落地。大会聚焦技术与应用深度融合，汇聚 AI Agent、多模态、场景应用、大模型架构创新、智能数据基建、AI 产品设计和出海策略等话题。即刻扫码购票，一同探索 AI 应用边界！！
你也「在看」吗？👇