构建企业私有RAG大模型: (可商用)DeepSeek-V3开源部署，真的强吗？

前言

本章将聚焦当前备受瞩目的开源模型 DeepSeek-V3。作为一款自称超越所有开源模型，甚至在部分能力上超过闭源模型的产品，DeepSeek-V3展现了惊人的潜力。不过，从 RAG 系统的实际需求来看，采用 DeepSeek-V3 似乎有些“大材小用”，它更适合应用于数学与代码等需要强推理能力的场景。

下表是DeepSeek-V3官网给出基础模型的测试打分：

从这份测试报告中可以看到，DeepSeek-V3 在代码（Code）和数学（Math）领域全面超越了几款主流开源模型，尤其是阿里的 Qwen2.5-72B。值得注意的是，Qwen2.5-72B 本身已是一款强大的模型，尤其在 Code 和 Math 上表现不俗，而报告中显示 DeepSeek-V3 的性能超越了它，这无疑为业界带来了一次令人瞩目的技术突破，进一步巩固了其在高复杂性任务中的领先地位。

DeepSeek-V3介绍

我们提出了 DeepSeek-V3，这是一个强大的混合专家 (MoE) 语言模型，总共有 671B 个参数，每个 token 激活 37B。为了实现高效的推理和经济高效的训练，DeepSeek-V3 采用了多头潜在注意力 (MLA) 和 DeepSeekMoE 架构，这些架构在 DeepSeek-V2 中得到了彻底的验证。此外，DeepSeek-V3 开创了一种无辅助损失的负载平衡策略，并设置了多 token 预测训练目标以获得更强大的性能。我们在 14.8 万亿个多样化和高质量的 token 上对 DeepSeek-V3 进行了预训练，然后进行监督微调和强化学习阶段，以充分利用其功能。综合评估表明，DeepSeek-V3 优于其他开源模型，并实现了与领先的闭源模型相当的性能。尽管性能出色，但 DeepSeek-V3 仅需要 2.788M H800 GPU 小时即可完成完整训练。此外，它的训练过程非常稳定。在整个训练过程中，我们没有遇到任何无法恢复的损失峰值或执行任何回滚。（摘自DeepSeek-V3官网）

根据 DeepSeek-V3 官网说明，V3 在以下三个方面实现了显著改进：架构设计、预训练方法以及训练后优化。这些提升使其在多个任务中展现了更强的性能和更广泛的适用性。

架构：创新负载平衡策略和训练目标

• 在 DeepSeek-V2 高效的架构之上，我们首创了一种无辅助损失的负载平衡策略，最大限度地减少了因鼓励负载平衡而导致的性能下降。
• 我们研究了多标记预测 (MTP) 目标，并证明它有利于模型性能。它还可以用于推测解码以加速推理。

预训练：实现终极训练效率

• 我们设计了FP8混合精度训练框架，并首次在超大规模模型上验证了FP8训练的可行性和有效性。

• 通过算法、框架和硬件的协同设计，我们克服了跨节点 MoE 训练中的通信瓶颈，几乎实现了完全计算-通信重叠。

  这大大提高了我们的训练效率并降低了训练成本，使我们能够在不增加额外开销的情况下进一步扩大模型规模。

• 我们以仅 2.664M H800 GPU 小时的经济成本，在 14.8T token 上完成了 DeepSeek-V3 的预训练，得到了目前最强的开源基础模型，预训练之后的后续训练阶段仅需 0.1M GPU 小时。

训练后：来自 DeepSeek-R1 的知识提炼

• 我们引入了一种创新方法，将长思维链 (CoT) 模型（特别是 DeepSeek R1 系列模型之一）中的推理能力提炼到标准 LLM（尤其是 DeepSeek-V3）中。我们的流程巧妙地将 R1 的验证和反射模式融入 DeepSeek-V3，并显著提高了其推理性能。同时，我们还控制了 DeepSeek-V3 的输出样式和长度。

DeepSeek-V3部署

DeepSeek-V3 可以使用以下硬件和开源社区软件在本地部署：

1. DeepSeek-Infer 演示：我们为 FP8 和 BF16 推理提供了一个简单、轻量级的演示。
2. SGLang：完全支持 BF16 和 FP8 推理模式下的 DeepSeek-V3 模型，并即将推出多令牌预测功能。
3. LMDeploy：支持本地和云部署的高效 FP8 和 BF16 推理。
4. TensorRT-LLM：目前支持 BF16 推理和 INT4/8 量化，即将支持 FP8。
5. vLLM：支持具有 FP8 和 BF16 模式的 DeepSeek-V3 模型，实现张量并行和流水线并行。
6. AMD GPU：支持在 BF16 和 FP8 模式下通过 SGLang 在 AMD GPU 上运行 DeepSeek-V3 模型。
7. 华为Ascend NPU：支持在华为Ascend设备上运行DeepSeek-V3。

接下来，将详细讲解如何使用 SGLang 和 vLLM 高效部署 DeepSeek-V3 的具体步骤。

SGLang部署DeepSeek-V3

GPU建议

• 8 个 NVIDIA H200 GPU。

如果您没有具有足够大内存的 GPU，请尝试多节点张量并行。

安装和启动

如果启动服务器时遇到错误，请确保权重已下载完成。建议提前下载或多次重启，直到下载完所有权重。

使用 Docker（推荐）

# Pull latest image
# https://hub.docker.com/r/lmsysorg/sglang/tags
docker pull lmsysorg/sglang:latest

# Launch
docker run --gpus all --shm-size 32g -p 30000:30000 -v ~/.cache/huggingface:/root/.cache/huggingface --ipc=host lmsysorg/sglang:latest \
    python3 -m sglang.launch_server --model deepseek-ai/DeepSeek-V3 --tp 8 --trust-remote-code --port 30000

对于高 QPS 场景，添加--enable-dp-attention参数以提高吞吐量。

使用 pip

# Installation
pip install "sglang[all]>=0.4.1.post5" --find-links https://flashinfer.ai/whl/cu124/torch2.4/flashinfer

# Launch
python3 -m sglang.launch_server --model deepseek-ai/DeepSeek-V3 --tp 8 --trust-remote-code

对于高 QPS 场景，添加--enable-dp-attention参数以提高吞吐量。

使用 OpenAI API 发送请求

import openai
client = openai.Client(
    base_url="http://127.0.0.1:30000/v1", api_key="EMPTY")

# Chat completion
response = client.chat.completions.create(
    model="default",
    messages=[
        {"role": "system", "content": "You are a helpful AI assistant"},
        {"role": "user", "content": "你真的那么强吗？"},
    ],
    temperature=0,
    max_tokens=64,
)
print(response)

vLLM部署DeepSeek-V3

vLLM v0.6.6 支持 NVIDIA 和 AMD GPU 上 FP8 和 BF16 模式的 DeepSeek-V3 推理，除了标准技术外，vLLM 还提供_管道并行性_，让您可以在通过网络连接的多台机器上运行此模型。

介绍管道并行

• 单 GPU（无分布式推理）：如果您的模型适合单 GPU，则可能不需要使用分布式推理。只需使用单 GPU 运行推理即可。

• 单节点多 GPU（张量并行推理）：如果您的模型太大，无法放入单个 GPU，但可以放入具有多个 GPU 的单个节点，则可以使用张量并行。张量并行大小是您要使用的 GPU 数量。例如，如果您在单个节点中有 4 个 GPU，则可以将张量并行大小设置为 4。

• 多节点多 GPU（张量并行加流水线并行推理）：如果您的模型太大，无法放入单个节点，则可以将张量并行与流水线并行结合使用。张量并行大小是您希望在每个节点中使用的 GPU 数量，流水线并行大小是您希望使用的节点数量。例如，如果您在 2 个节点中有 16 个 GPU（每个节点 8 个 GPU），则可以将张量并行大小设置为 8，将流水线并行大小设置为 2。

简而言之，您应该增加 GPU 数量和节点数量，直到您有足够的 GPU 内存来容纳模型。张量并行大小应该是每个节点中的 GPU 数量，管道并行大小应该是节点数量。

安装和启动

通过查阅 vLLM 的 issue 列表可以发现，目前 vLLM 对 DeepSeek-V3 的支持仅处于基础运行阶段，性能尚未达到预期。因此，暂不提供安装和启动的详细指南。待 vLLM 的增强计划完成后，我们会及时更新相关内容并提供完整的部署说明。

部署推荐

建议企业采用SGLang部署DeepSeek-V3

写在最后

DeepSeek-V3 在代码和数学领域表现突出，对于关注这些方向的企业来说无疑是一大喜讯。毕竟，这两项能力在市场上有着广阔的应用前景，而以往具有高性能的模型大多为闭源且高成本。DeepSeek-V3 的出现，以开源形式提供了强大的能力，不仅降低了门槛，也为创业和技术创新提供了更多可能性。它的发布在大模型领域引发了不小的轰动，为行业带来了更多选择和活力。

题外话：在 DeepSeek-V3 提供的聊天门户中，我尝试了一段 Prompt 的生成，出于好奇，将这段 Prompt 分别用于测试文心一言、豆包、Kimi、元宝和通义等模型。结果如何，你们一定想不到！建议大家亲自尝试一下。

Prompt如下：

帮我写 1 个面向年轻女性宣传一款内衣的品牌营销slogan，简洁吸睛，富有创意，字数要求150字。

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】