DeepSeek公开致谢腾讯：对DeepEP的优化是开源通信框架性能显著提升，最高达100%

DeepSeek 公开致谢腾讯：腾讯优化让 DeepEP 开源通信框架性能显著提升近日，DeepSeek 公开对腾讯技术团队表达诚挚感谢，腾讯对 DeepSeek 开源的 DeepEP 通信框架进行深度优化，促使其在多样网络环境下性能实现大幅跃升，为企业开展 AI 大模型训练工作提供了更具效率的解决思路。

DeepEP 作为全球首个专为 MoE（混合专家）模型设计的开源通信库，于今年 2 月由 DeepSeek 在开源活动中重磅推出，开源地址为 https://github.com/deepseek-ai/DeepEP 。其主要应用于芯片间通信，在 AI 大模型训练进程里扮演关键角色。它具备实现全对全（all - to - all）通信、原生 FP8 调度支持、灵活 GPU 资源控制等特性，可提供高吞吐量与低延迟的全对全 GPU 内核，即 MoE 调度和组合功能。在 AI 领域，混合专家模型（MoE）通过多个专业化 “专家” 子模型处理不同任务，专家并行（EP）技术能让多个专家并行处理任务不同部分，合理分配工作负载，DeepEP 在其中保障 “专家” 间数据快速、有效地流通。

自 DeepEP 开源以来，尽管其凭借创新设计，在初始版本便达成 300% 的通信效率提升，且有效缓解了 MoE 架构模型对特定通信库的依赖，然而，在成本更为亲民、应用范围更为广泛的 RoCE（融合以太网远程直接内存访问）网络环境中，其性能表现不尽人意，这一状况引发开源社区的持续探讨。

腾讯星脉网络团队在 DeepEP 开源后迅速投身技术研究，精准锁定两大关键性能瓶颈。其一，双端口网卡带宽未能得到充分利用；其二，CPU 控制面交互环节存在较高时延问题。腾讯技术团队针对这些问题展开深入攻坚，实施了一系列卓有成效的优化举措。在 RoCE 网络优化层面，借助拓扑感知的多 QP 建链技术，智能调配数据流，极大提升双端口网卡带宽利用率；基于 IBGDA 技术优化，促使 “控制面” 场景操作绕过 CPU “中转”；创造性引入 “QP 内时序锁” 机制，保障多个 GPU 间数据传输顺序精准无误。

经此番优化，DeepEP 性能提升成果显著。在 RoCE 网络环境下，性能实现翻倍增长，提升幅度高达 100%；反哺至 IB（InfiniBand）网络时，原有通信效率再度提升 30%。DeepSeek 的人工智能基础设施工程师赵成刚在 GitHub 仓库发布说明，盛赞腾讯网络平台部门提供的技术方案，让 DeepEP 实现了 “巨大提速”。

目前，该优化技术已全面开源，并且在腾讯混元大模型等项目的训练推理环节成功落地应用。在腾讯星脉与 H20 服务器构建的高性能环境里，这套优化方案展现出良好的通用性与稳定性 。腾讯方面表示，该技术方案源于其在数据中心开发、优化以及图形处理单元之间通信领域积累的丰富经验，此前这些技术成果已应用于腾讯混元 AI 模型训练，如今开源供 DeepSeek 等外部用户使用，在强化 DeepEP 项目稳健性的同时，有力 “提升了通信性能”。

此次腾讯助力 DeepSeek 优化 DeepEP 通信框架，体现了国内科技企业在人工智能领域积极投身开源合作的热忱态度，更表明技术共享、协同优化能够切实推动行业进步，为 AI 大模型训练效率提升开辟新路径。接下来有望见证更多此类合作成果，助力中国人工智能产业朝着更高峰迈进。

◆ ◆ ◆ ◆ ◆