DeepSeek-V3 的核心技术创新

flyfish

DeepSeek-V3 的核心技术创新主要体现在其架构设计和训练目标上，通过 多头潜在注意力（MLA）、DeepSeekMoE 架构、无辅助损失的负载均衡策略 和 多 Token 预测训练目标（MTP）

1. 多头潜在注意力（Multi-head Latent Attention, MLA）

MLA 是一种改进的注意力机制，旨在减少推理时的显存占用并提升效率。其核心原理是通过 低秩压缩技术 对键（Key）和值（Value）进行联合压缩：

• KV 缓存优化：传统 Transformer 的 KV 缓存需存储所有历史键值对，显存占用随序列长度线性增长。MLA 通过低秩矩阵将键值投影到更低维度的潜在空间，减少缓存数据量。例如，键值压缩维度从 7168 降至 512，显存占用减少约 75%。
• 计算效率提升：MLA 在保持与标准多头注意力（MHA）相似性能的同时，减少了推理时的计算量，尤其适合长序列任务（如 128K 上下文窗口）。

---

2. DeepSeekMoE 架构

DeepSeekMoE 是一种混合专家（Mixture-of-Experts, MoE）架构，结合了共享专家与路由专家，实现了细粒度的计算分配：

• 专家分配策略：每个 MoE 层包含 1 个共享专家 和 256 个路由专家，每个 Token 激活 8 个专家。共享专家处理通用特征，路由专家专注于特定模式，提升模型表达能力。
• 经济高效的训练：通过动态路由策略，仅激活部分专家（如每个 Token 激活 37B 参数），大幅降低计算成本，使 671B 参数的模型训练成本仅为同类模型的 1/14。

---

3. 无辅助损失的负载均衡策略

传统 MoE 模型依赖辅助损失函数强制均衡专家负载，但可能导致模型性能下降。DeepSeek-V3 创新性地通过动态调整实现负载均衡：

• 动态偏置调整：在路由过程中引入可学习的偏置项，根据专家负载动态调整路由决策。例如，当某专家负载过高时，降低其亲和分数，使 Token 更倾向于负载较低的专家。
• 序列级均衡：额外引入序列级负载均衡损失，避免单个序列内的极端不平衡。实验表明，该策略在多数基准测试中优于传统方法，且不损害模型性能。

---

4. 多 Token 预测训练目标（MTP）

MTP 扩展了传统语言模型的单 Token 预测目标，要求模型同时预测多个未来 Token：

• 训练目标设计：每个位置预测未来多个 Token（如 4 个），通过多个顺序模块实现因果链的完整性。例如，第 (i) 个模块基于当前 Token 预测第 (i+1) 至 (i+n) 个 Token。
• 推理加速：MTP 模块支持 推测解码（Speculative Decoding），通过并行预测多个 Token 减少生成步骤，使推理速度提升 1.8 倍。
• 性能提升：MTP 提高了训练信号的密度，增强模型对长程依赖的捕捉能力，尤其在代码和数学任务中表现显著。

---

技术协同与综合效果

这些技术通过 架构与训练的深度协同 实现突破：

• FP8 混合精度训练：结合低精度计算（FP8）与高精度累加（FP32），在保持数值稳定性的同时降低显存占用。
• 并行训练优化：采用 16 路流水线并行、64 路专家并行和 ZeRO-1 数据并行，结合 DualPipe 算法减少通信开销，提升训练效率。
• 长上下文扩展：通过 YaRN 技术分阶段扩展上下文至 128K，在长文本任务中保持高性能。

---

FIM策略

FIM策略是指Prefix-Suffix-Middle（PSM）框架下的数据构造策略，全称为Fill-in-Middle策略。该策略应用于DeepSeek-V3模型的预训练过程，目的是让模型能够基于上下文线索准确预测中间文本，同时不影响其下一个令牌的预测能力。

1. 具体内容：在数据构造时，FIM策略将数据结构化表示为<|fim_begin|> 𝑓pre<|fim_hole|> 𝑓suf<|fim_end|> 𝑓middle<|eos_token|>的形式。在文档层面的预打包过程中，按照0.1的比例应用该策略 ，即10%的数据采用这种结构进行处理。在这个结构中， 𝑓pre和 𝑓suf分别表示前缀和后缀文本， 𝑓middle表示需要模型根据上下文预测的中间文本。
2. 应用效果：在DeepSeekCoder-V2的训练过程中，就观察到FIM策略不会损害模型的下一个令牌预测能力，还能使模型依据上下文准确预测中间文本。DeepSeek-V3沿用该策略后，在预训练阶段取得了良好的效果，有助于提升模型对文本的理解和生成能力，从而在后续的任务中表现更优。

无辅助损失的负载均衡策略

无辅助损失的负载均衡策略是DeepSeek-V3为解决MoE模型负载不均衡问题提出的创新方法，通过动态调整专家路由偏置平衡负载，避免传统辅助损失带来的性能下降。

1. 提出背景：在MoE模型里，若专家负载不均衡，会出现路由崩溃，在专家并行场景下降低计算效率。传统方法借助辅助损失来平衡负载，但辅助损失过大会损害模型性能。
2. 实现方式：为每个专家引入可学习的偏置项$b_i$ ，把它加到token与专家的亲和度得分$s_{i,t}$上，以此确定Top-K路由 。即 g i , t ′ = { s i , t , s i , t + b i ∈ T o p k ( { s j , t + b j ∣ 1 ≤ j ≤ N r } , K r ) 0 , o t h e r w i s e g_{i, t}'=\begin{cases}s_{i, t}, & s_{i, t}+b_{i} \in Topk(\{s_{j, t}+b_{j} | 1 \leq j \leq N_{r}\}, K_{r})\\0, & otherwise\end{cases} gi,t′​={si,t​,0,​si,t​+bi​∈Topk({sj,t​+bj​∣1≤j≤Nr​},Kr​)otherwise​。训练时，持续监控每个训练步骤中整个批次的专家负载。若专家负载过高，就减小其偏置项；若负载过低，则增大偏置项。偏置项仅用于路由，门控值仍由原始亲和度得分计算。
3. 优势效果：避免了因使用辅助损失而导致的性能下降，在保持负载均衡的同时，提升了模型性能。实验显示，相比仅用辅助损失平衡负载的模型，该策略能让专家负载更均匀，训练效率和推理性能也得到提高 。如在不同规模模型的实验中，采用无辅助损失负载均衡策略的模型在多数评估基准上表现更优。

Multi - Token Prediction

MTP指Multi - Token Prediction，是一种扩展预测范围的训练目标和技术，能提升模型性能并加速推理。

1. 定义：MTP是一种在自然语言处理（NLP）任务中，扩展模型预测范围的训练目标和技术。与传统的单一token预测不同，它让模型在训练时同时预测多个未来的token，在一个时间步上，模型可以预测未来2个、3个或更多token，通过一次前向计算得到多个token的概率分布。
2. 原理
   • 提高上下文感知能力：传统单token预测只关注当前上下文与下一个token的关系，而MTP使模型必须从更大范围的上下文中提取信息，对语言模式的学习更加全面，生成的句子更流畅且符合语义逻辑。
   • 增加训练信号的密度：单token预测每个时间步只提供一个训练信号，MTP在每个时间步上提供多个token的训练信号，使模型在相同训练迭代下能更快地学到语言结构，提高训练效率。
   • 改进序列建模的效率：MTP的目标更接近实际生成任务，能让模型更好地学习到多token的联合分布，而传统单token预测可能导致模型局限于逐步生成，MTP可提高建模性能。
3. 运作机制
   • MTP模块：使用D个顺序模块来预测D个额外token。以第k个MTP模块为例，它由共享嵌入层Emb、共享输出头OutHead、一个Transformer块$TR{M}_k(\cdot )$和投影矩阵$M_k\in {\mathbb{R}}^{d\times 2d}$组成。对于第i个输入token $t_i$，在第k个预测深度，先将第i个token在第k - 1深度的表示$h_i^{k-1}$与第(i + k)个token的嵌入$Emb(t_{i+k})$通过线性投影组合，得到$h_i^{\prime k}$ ，$h_i^{\prime k}$作为第k深度Transformer块的输入，产生当前深度的输出表示$h_i^k$，最后共享输出头以$h_i^k$为输入，计算第k个额外预测token的概率分布$P_{i+1+k}^k$。
   • MTP训练目标：对每个预测深度，计算交叉熵损失$L_{MTP}^k$ ，最后计算所有深度MTP损失的平均值，并乘以加权因子λ得到总体MTP损失$L_{MTP}$，作为DeepSeek - V3的额外训练目标。
   • MTP在推理中的应用：MTP策略主要用于提高主模型性能，推理时可直接丢弃MTP模块，主模型能独立正常运行。也可将MTP模块用于推测式解码，模型一次性生成多个token的候选结果，通过某种机制验证和修正这些候选结果，若候选token验证通过则直接使用，从而跳过若干步推理，显著加速推理过程。

Multi-head Latent Attention（MLA）

Multi-head Latent Attention（MLA）是DeepSeek-V3中采用的创新注意力机制，旨在降低推理时的显存占用和计算开销，同时保持模型性能。

1. 定义：MLA是一种应用于DeepSeek-V3模型的创新注意力机制，通过对注意力中的键（Key）和值（Value）进行低秩联合压缩，减少推理时的Key-Value（KV）缓存，进而降低显存占用和计算开销 ，同时保证模型性能不下降。
2. 原理
   • 低秩联合压缩：传统多头注意力（MHA）需保存完整的Key和Value缓存，限制了batch size和序列长度。MLA通过低秩分解对注意力的Key和Value进行联合压缩，核心是将注意力输入$h_t$通过下投影矩阵$W^{DKV}$压缩成低维的$c_t^{KV}$ ，再通过上投影矩阵$W^{UK}$、$W^{UV}$分别得到用于注意力计算的键$k_{t,i}$和值$v_{t,i}^C$ 。推理时，仅需缓存$c_t^{KV}$和携带位置信息的$k_t^R$，大幅减少了缓存占用 。
   • 查询的低秩压缩：为减少训练时激活函数的内存占用，MLA对查询（queries）也进行低秩压缩。将查询输入$h_t$通过下投影矩阵$W^{DQ}$压缩得到$c_t^Q$ ，再经上投影矩阵$W^{UQ}$和$W^{QR}$得到用于注意力计算的查询$q_{t,i}$ 。
   • 解耦Rotary Positional Embedding (RoPE)：传统RoPE对Q和K分别应用位置编码，低秩分解KV后矩阵运算的交换律问题会使计算复杂。MLA新增独立维度保存位置信息，通过额外的多头queries（$q_{t,i}^R$）和共享的键（$k_t^R$）来支撑RoPE ，将RoPE的计算与低秩压缩解耦，既保留位置感知能力，又避免额外计算开销。
3. 运作机制
   • 压缩与投影：输入的每个token的特征首先被压缩成低维潜在向量，如$c_t^{KV}$和$c_t^Q$ ，然后通过特定的投影矩阵扩展到各个注意力头所需的键、值和查询空间。
   • 注意力计算：计算注意力时，利用压缩后的查询$q_{t,i}$、键$k_{j,i}$和值$v_{j,i}^C$ ，按照传统注意力机制的方式计算注意力得分并加权求和，得到每个头的注意力输出$o_{t,i}$ 。公式为$o_{t,i}={\sum }_{j=1}^{t}Softma{x}_j(\frac{q_{t,i}^T{k}_{j,i}}{\sqrt{d_h+d_h^R}})v_{j,i}^C$。
   • 输出融合：将多个头的注意力输出$o_{t,i}$进行拼接，再通过输出投影矩阵$W^O$得到最终的注意力输出$u_t$ ，公式为$u_t=W^O[o_{t,1};o_{t,2};...;o_{t,n_h}]$ 。