DeepSeek发布DeepEP：MoE模型通信效率的革新者

DeepEP，Distributed Expert Parallel Communication Library，是为混合专家MOE与并行专家EP量身定制（tailored）的通信库（communication library）。

Stars 数	6257
Forks 数	464

主要特点

高效通信架构：DeepEP支持节点内与跨节点的全对全通信优化，兼容NVLink和RDMA（远程直接内存访问）技术。
- 节点内通信：通过NVLink实现高达160 GB/s的带宽，减少GPU间的数据传输延迟；
- 跨节点通信：利用RDMA网络（如InfiniBand或RoCE）绕过CPU，直接访问远程GPU内存，降低协议栈开销。
多精度计算与调度优化：DeepEP原生支持FP8低精度运算，相比传统的FP16或BF16格式，FP8可将显存占用和带宽需求降低50%，同时保持模型精度。这一特性尤其适用于大规模预训练场景，显著降低计算资源消耗。此外，其调度器支持动态切换精度模式，适应不同任务需求。
双模式内核设计
- 高吞吐量内核：面向训练和推理预填充阶段，通过批量处理数据最大化吞吐量。在H800 GPU测试中，结合NVLink与InfiniBand CX7网卡（50 GB/s带宽），DeepEP在4096 tokens/批次的预训练任务中展现了显著的性能优势。
- 低延迟内核：针对推理解码场景，采用纯RDMA通信并引入自适应路由技术，最小化端到端延迟。测试显示，在128 tokens/批次的推理任务中，延迟较传统方案降低30%以上。
计算-通信重叠机制：通过基于Hook的异步通信设计，DeepEP实现了计算与通信的无缝重叠。该方法不占用SM资源，允许GPU在执行计算任务的同时处理数据传输，避免了传统同步通信导致的资源闲置。