论文链接：DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model

---

---

一、引言

在大语言模型（LLMs）蓬勃发展的浪潮中，DeepSeek-V2 脱颖而出，成为一款兼具强大性能、高效训练与推理能力的混合专家（MoE）语言模型。它拥有 236B 总参数，在处理每个令牌时仅激活 21B 参数，且支持长达 128K 令牌的上下文长度，为自然语言处理领域带来了新的突破。本文将深入探讨 DeepSeek-V2 的技术细节，包括其创新架构、预训练过程、对齐方法以及性能评估，旨在为技术人员提供全面且深入的技术解读。

二、模型架构

（一）多头部潜在注意力（MLA）：重塑推理效率

传统 Transformer 模型中的多头注意力（MHA）机制在生成过程中，因庞大的键值（KV）缓存需求，严重制约了推理效率。为攻克这一难题，DeepSeek-V2 引入了 MLA 机制。

MLA 的核心在于低秩键值联合压缩技术。在推理阶段，通过特定的投影矩阵（如 $W^{DKV}$、$W^{UK}$、$W^{UV}$）将键值压缩为低维潜在向量 $c_t^{KV}$，大幅削减了 KV 缓存。与 MHA 相比，MLA 仅需缓存 $c_t^{KV}$ 及携带旋转位置嵌入（RoPE）的 $k_t^R$，缓存元素数量从 $2n_h{d}_{h}l$ 锐减至 $(d_c+d_h^R)l$（在 DeepSeek-V2 中，$d_c$ 设为 $4d_h$，$d_h^R$ 设为 $\frac{d_h}{2}$，其 KV 缓存仅相当于 2.25 组 GQA，但性能更优）。例如，在实际部署中，这使得 DeepSeek-V2 能够处理更大的批处理规模，显著提升了推理效率。

此外，为解决 RoPE 与低秩 KV 压缩的兼容性问题，MLA 采用了去耦 RoPE 策略。通过引入额外的多头查询 $q_{t,i}^R$ 和共享键 $k_t^R$ 来承载 RoPE，确保了在不影响性能的前提下，有效避免了因 RoPE 应用导致的推理效率下降。

（二）DeepSeekMoE：经济高效的训练架构

在 Feed-Forward Networks（FFNs）方面，DeepSeek-V2 采用了 DeepSeekMoE 架构，该架构在专家分割和共享专家设置上进行了创新优化。

其将专家细粒度分割，并隔离部分共享专家，有效提升了专家专业化程度和知识获取的精准性。在计算 FFN 输出时，依据令牌与专家的亲和力 $s_{i,t}$，经 top-K 选择和归一化确定门控值 $g_{i,t}$，从而精准激活路由专家，实现高效计算资源分配。与传统 MoE 架构（如 GShard）相比，DeepSeekMoE 在相同的激活和总专家参数条件下，性能优势显著。

为控制专家并行训练中的通信开销和负载均衡，DeepSeek-V2 设计了一系列有效机制。设备限制路由机制确保每个令牌的目标专家最多分布在 $M$ 个设备上（实践中 $M\ge 3$ 时性能良好），有效降低了 MoE 相关通信成本。同时，通过设计专家级、设备级和通信平衡损失，从多个层面保障了负载平衡，防止路由崩溃和计算效率降低。此外，还引入了设备级令牌丢弃策略，在训练过程中动态丢弃低亲和力令牌，进一步优化计算资源利用，且在推理时可灵活调整，确保训练与推理的一致性。

三、预训练（Pre-Training）：夯实模型基础

（一）实验设置

在数据构建方面，DeepSeek-V2 基于与 DeepSeek 67B 相同的数据处理流程，进行了数据量扩充和质量提升。通过挖掘互联网数据潜力、优化清洗流程，增加了大量数据，尤其是中文数据，并采用改进的质量过滤算法，去除不良数据，提升数据质量，同时过滤掉有争议内容，减轻数据偏差。其分词器基于 Byte-level Byte-Pair Encoding（BBPE）算法，词汇表大小为 100K，预处理后的语料包含 8.1T 令牌，其中中文令牌占比约 12%。

模型超参数设置上，DeepSeek-V2 包含 60 层 Transformer 层，隐藏维度为 5120，所有可学习参数采用标准差为 0.006 的随机初始化。在 MLA 中，设置 128 个注意力头，头维度为 128，KV 压缩维度 $d_c$ 为 512，查询压缩维度 $d_c^{\prime }$ 为 1536，去耦查询和键的头维度 $d_h^R$ 为 64。除第一层外，其余 FFN 均替换为 MoE 层，每个 MoE 层包含 2 个共享专家和 160 个路由专家，专家中间隐藏维度为 1536，每个令牌激活 6 个专家。为确保训练稳定，在压缩潜在向量后添加 RMS Norm 层，并在宽度瓶颈处乘以缩放因子。

训练超参数方面，采用 AdamW 优化器（${\beta }_1=0.9$，${\beta }_2=0.95$，权重衰减为 0.1），学习率采用 warmup-and-step-decay 策略，最大学习率为 $2.4\times 10^{-4}$，梯度裁剪范数为 1.0，批次大小采用动态调度策略。设置最大序列长度为 4K，在 8.1T 令牌上进行训练，利用流水线并行、专家并行和 ZeRO-1 数据并行技术，结合高效的 HAI-LLM 框架，并对 MLA 基于 FlashAttention-2 进行优化，确保训练高效运行。

在长上下文扩展阶段，运用 YaRN 技术将默认上下文窗口从 4K 扩展至 128K，通过特定设置（如设置尺度 $s$ 为 40，$\alpha$ 为 1，$\beta$ 为 32，调整长度缩放因子等），使模型在长上下文任务中表现出色，在 “Needle In A Haystack”（NIAH）测试中，于 128K 上下文长度下性能稳定。

（二）评估

评估基准涵盖了英语和中文的多学科多选、语言理解与推理、闭卷问答、阅读理解、参考消歧、语言建模、中文理解与文化、数学、代码和标准化考试等广泛领域，确保了对模型性能的全面评估。

与 DeepSeek 67B、Qwen1.5 72B、LLaMA3 70B 和 Mixtral 8x22B 等代表性开源模型对比，DeepSeek-V2 表现卓越。尽管仅激活 21B 参数，但在几乎所有基准测试中均显著优于 DeepSeek 67B，在开源模型中跻身前列。与 Qwen1.5 72B 相比，在多数英语、代码和数学基准测试中优势明显，在中文基准测试中除部分多学科多选任务外也表现不俗；与 Mixtral 8x22B 相比，英语性能相当（除部分常识知识相关任务），在 MMLU 上更优，代码和数学性能相近，中文能力则远超；与 LLaMA3 70B 相比，虽英语基础能力略逊，但代码和数学能力相当，在中文基准测试中优势显著。

在训练和推理效率方面，DeepSeek-V2 优势突出。理论上，因其激活参数少、计算量低，训练成本低于 DeepSeek 67B。实际训练中，在 H800 集群上，训练每万亿令牌，DeepSeek 67B 需 300.6K GPU 小时，而 DeepSeek-V2 仅需 172.8K GPU 小时，节省 42.5%成本。在推理阶段，通过参数转换为 FP8 精度及 KV 缓存量化，其 KV 缓存大幅减少，在单节点 8 个 H800 GPU 上，生成吞吐量超 50K 令牌/秒，是 DeepSeek 67B 的 5.76 倍，提示输入吞吐量也超 100K 令牌/秒。

四、对齐（Alignment）：优化模型表现

（一）监督微调：提升指令响应能力

基于前期研究，DeepSeek-V2 构建了包含 1.5M 实例（1.2M 有益性实例和 0.3M 安全性实例）的指令调整数据集，通过提升数据质量有效减少幻觉响应并增强写作能力。采用 2 个 epoch 进行微调，学习率设为 $5\times 10^{-6}$，评估涵盖生成式基准测试和部分多选任务，并引入 IFEval 进行指令跟随评估，以及使用 LiveCodeBench 特定时间段问题评估聊天模型，同时在多个开放端对话基准测试中与其他模型对比，展现出良好性能。

（二）强化学习：契合人类偏好

采用 Group Relative Policy Optimization（GRPO）算法进行强化学习，该算法摒弃传统等大的评论家模型，基于组分数估计基线，有效降低训练成本。具体而言，对于每个问题$q$，GRPO 从旧策略${\pi }_{{\theta }_{old}}$中采样一组输出 { o 1 , o 2 , ⋯   , o G } \{o_{1}, o_{2}, \cdots, o_{G}\} {o1​,o2​,⋯,oG​}，然后通过最大化以下目标来优化策略模型${\pi }_{\theta }$：
J G R P O ( θ ) = E [ q ∼ P ( Q ) , { o i } i = 1 G ∼ π θ o l d ( O ∣ q ) ] 1 G ∑ i = 1 G ( min ⁡ ( π θ ( o i ∣ q ) π θ o l d ( o i ∣ q ) A i , clip ( π θ ( o i ∣ q ) π θ o l d ( o i ∣ q ) , 1 − ε , 1 + ε ) A i ) − β D K L ( π θ ∥ π r e f ) ) \begin{aligned} \mathcal{J}_{GRPO}(\theta) &=\mathbb{E}\left[q \sim P(Q),\left\{o_{i}\right\}_{i = 1}^{G} \sim \pi_{\theta_{old}}(O|q)\right] \\ &\frac{1}{G}\sum_{i = 1}^{G}\left(\min\left(\frac{\pi_{\theta}(o_{i}|q)}{\pi_{\theta_{old}}(o_{i}|q)}A_{i}, \text{clip}\left(\frac{\pi_{\theta}(o_{i}|q)}{\pi_{\theta_{old}}(o_{i}|q)}, 1-\varepsilon, 1+\varepsilon\right)A_{i}\right)-\beta\mathbb{D}_{KL}(\pi_{\theta}\|\pi_{ref})\right) \end{aligned} JGRPO​(θ)​=E[q∼P(Q),{oi​}i=1G​∼πθold​​(O∣q)]G1​i=1∑G​(min(πθold​​(oi​∣q)πθ​(oi​∣q)​Ai​,clip(πθold​​(oi​∣q)πθ​(oi​∣q)​,1−ε,1+ε)Ai​)−βDKL​(πθ​∥πref​))​
$${\mathbb{D}}_{KL}({\pi }_{\theta }\Vert {\pi }_{ref})=\frac{{\pi }_{ref}(o_i|q)}{{\pi }_{\theta }(o_i|q)}-\log \frac{{\pi }_{ref}(o_i|q)}{{\pi }_{\theta }(o_i|q)}-1$$
其中$\epsilon$和$\beta$是超参数；$A_i$是优势，通过与每组内输出相对应的一组奖励 { r 1 , r 2 , ⋯   , r G } \{r_{1}, r_{2}, \cdots, r_{G}\} {r1​,r2​,⋯,rG​}计算得出：
A i = r i − mean ( { r 1 , r 2 , ⋯   , r G } ) std ( { r 1 , r 2 , ⋯   , r G } ) A_{i}=\frac{r_{i}-\text{mean}(\{r_{1}, r_{2}, \cdots, r_{G}\})}{\text{std}(\{r_{1}, r_{2}, \cdots, r_{G}\})} Ai​=std({r1​,r2​,⋯,rG​})ri​−mean({r1​,r2​,⋯,rG​})​

训练过程采用两阶段策略，先进行推理对齐（针对代码和数学推理任务训练奖励模型并优化策略模型），再进行人类偏好对齐（采用多奖励框架融合不同奖励模型反馈）。为获取可靠奖励模型，精心收集偏好数据并严格过滤和调整比例，同时通过多种工程优化（如设计混合引擎、利用 vLLM 加速推理、优化模型卸载和加载策略）提升训练效率，使模型在数学和代码任务性能上进一步提升，在开放端对话生成中表现更优，在不同语言和领域的基准测试中展现出较强竞争力。

五、结论、局限与展望

DeepSeek-V2 凭借 MLA 和 DeepSeekMoE 等创新架构，在性能、训练和推理效率上取得显著成果，成为开源 MoE 语言模型的佼佼者。然而，它也面临着与其他 LLM 类似的局限，如预训练后知识更新困难、可能生成不实信息和幻觉，且因数据主要集中于中英文，在其他语言上表现受限。

未来，DeepSeek 将持续投入开源大模型研发，致力于在保持经济成本的同时进一步扩大 MoE 模型规模，提升性能以追赶 GPT-4；不断优化对齐技术，打造更安全、可靠且契合人类价值观的模型；探索多模态支持，拓展模型应用场景，为人工智能发展注入新动力。