SGLang放大招，DeepSeek V3、R1 部署性能和成本双重突破

大家好，我是Ai学习的老章

近年来，随着大语言模型（LLM）的快速发展，如何高效部署和优化这些模型以满足高吞吐量、低成本的需求成为行业热点。

5月5日，LMSYS Org 在 X 平台发布了一则令人振奋的消息：SGLang 提供了首个开源实现，用于在 96 个 GPU 上服务 DeepSeek V3/R1 模型，通过预填充-解码分离（prefill-decode disaggregation）和大规模专家并行（expert parallelism, EP）技术，实现了惊艳的性能提升和成本优化。本文将详细解析这一突破性进展，并结合相关图表进行直观展示。

SGLang 的开源实现：性能接近官方数据

LMSYS Org 宣布，SGLang 成功实现了 DeepSeek V3/R1 模型的高效服务，其核心在于利用预填充-解码分离和专家并行技术，在 96 个 GPU 的集群上运行。具体而言，这一实现取得了以下性能：

• 输入吞吐量：每节点每秒 52.3K 输入 token；

• 输出吞吐量：每节点每秒 22.3K 输出 token。

这一数据几乎与 DeepSeek 官方博客报告的吞吐量相当，显示出 SGLang 优化的强大潜力。更令人印象深刻的是，与传统的张量并行（tensor parallelism）相比，SGLang 的优化策略将输出吞吐量提升了高达 5 倍。

以下是 LMSYS Org 提供的性能对比图表，直观展示了不同并行策略下的吞吐量表现：

• 左图展示了输入 token 吞吐量（Input Tokens Per Second），对比了不同并行策略（如 TP、EP2、TP16 等）在 1K、2K 和 4K 输入长度下的表现。绿色柱（DeepSeek, Profiled）表示 SGLang 的优化结果，明显优于其他策略。

• 右图展示了输出 token 吞吐量（Output Tokens Per Second），在不同输出长度（0%、15%、100%）下，SGLang 的性能依然领先，尤其是结合 EP 和 TP 的混合策略（橙色柱）。

预填充-解码分离与专家并行：技术核心解析

SGLang 的成功离不开两大关键技术：预填充-解码分离和专家并行。以下是对这两项技术的简要解析：

1. 预填充-解码分离（Prefill-Decode Disaggregation）

预填充（prefill）和解码（decode）是大语言模型推理的两个主要阶段。预填充阶段需要快速处理输入 token 以生成初始上下文，而解码阶段则逐个生成输出 token。传统的并行策略（如张量并行）通常将两者绑定在同一组 GPU 上，但这往往无法同时满足两阶段的不同性能需求。

SGLang 的解决方案是将预填充和解码阶段分离到不同的 GPU 组，并为每个阶段定制并行策略。例如：

• 预填充阶段更适合使用张量并行（TP），以满足低延迟需求（如聊天机器人要求首次响应时间低于 0.2 秒）。

• 解码阶段则更适合数据或流水线并行，以提升吞吐量，匹配人类阅读速度。

LMSYS Org 提供了以下架构图，展示了这一分离策略的具体实现：

预填充-解码分离架构

图2：预填充-解码分离架构

• 图中展示了 12 个节点（每节点 8 个 H100 GPU）的部署方式。预填充工作节点（Prefill Workers）负责初始上下文生成，解码工作节点（Decode Workers）则专注于生成输出 token。

• 通过 KV Cache 传输，两个阶段高效协作，大幅提升了整体性能。

1. 专家并行（Expert Parallelism, EP）及优化技术

DeepSeek V3/R1 模型采用了混合专家（MoE）架构，这种架构通过将计算任务分配给多个“专家”来提升性能，但也带来了负载不均衡和通信开销的挑战。SGLang 引入了专家并行（EP）并结合多项优化技术来解决这些问题：

• DeepEP：专为 MoE 架构设计的通信库，支持高效的“all-to-all”通信模式，在 NVLink 和 RDMA 上实现了接近理论峰值的性能（分别达到 158 GB/s 和 47 GB/s）。

• EPLB（Expert Parallel Load Balancing）：解决专家负载不均衡问题，确保计算资源的高效利用。

• Two-Batch Overlap：通过双批次重叠隐藏通信开销，进一步提升吞吐量。

• DeepGemm：优化了 FP8 精度的矩阵乘法运算（GEMM），显著提升计算效率。

以下图表展示了双批次重叠的效果：

双批次重叠效果

图3：双批次重叠优化

• 上图展示了无序调度下的资源浪费（Wasted MLP）。

• 下图展示了通过双批次重叠实现的计算与通信重叠，显著提升了效率。

成本优化：每百万 token 仅 0.20 美元

除了性能提升，SGLang 的实现还大幅降低了运行成本。通过在 Atlas Cloud 上部署 12 个节点（每节点 8 个 H100 GPU），SGLang 将输出 token 的成本降至 每百万 token 0.20 美元，仅为 DeepSeek 官方 Chat API 成本的 五分之一。

这一成本优势得益于本地化部署和高效的资源利用。相比之下，DeepSeek 官方 API 的高成本可能源于云端基础设施的运营费用，而 SGLang 的开源实现允许用户直接在本地集群上运行模型，极大降低了依赖外部服务的开销。

这一成果是多个机构开源协作的典范，LMSYS Org 在帖子中特别感谢了 NVIDIA、LinkedIn 和 Kimi_Moonshot 等合作伙伴的贡献。同时，他们呼吁社区进一步探索、复制和扩展这项工作，共同推动高效 AI 部署的边界。

此外，AMD 也在 2025 年 4 月宣布，其 Instinct™ GPU 已通过 SGLang 优化支持 DeepSeek V3 模型，进一步扩展了这一技术的影响力。未来，随着 DeepSeek R2 等新模型的推出，SGLang 的优化策略有望在更广泛的场景中得到应用。

总结

SGLang 的开源实现通过预填充-解码分离和专家并行技术，为 DeepSeek V3/R1 模型的部署带来了性能和成本的双重突破。其吞吐量接近官方数据，输出性能提升高达 5 倍，同时将成本降低至每百万 token 0.20 美元。结合直观的图表（如吞吐量对比、架构图和优化效果图），我们可以看到这一技术如何在实际场景中高效运行。

对于 AI 从业者和研究者来说，SGLang 的开源代码和详细博客（链接[1]）提供了宝贵的参考，值得深入探索和实践。这一成果不仅展示了开源社区的强大力量，也为大语言模型的高效部署树立了新的标杆。

制作不易，如果这篇文章觉得对你有用，可否点个关注。给我个三连击：点赞、转发和在看。若可以再给我加个，谢谢你看我的文章，我们下篇再见！

参考资料

链接: https://t.co/D5J9n2LdZ5