近期，人工智能领域迎来了一系列重要进展，其中DeepSeek公司的动作尤为引人注目。该公司宣布了一项重大决定——将其优化并行策略（Optimized Parallelism Strategies）进行开源，这一策略旨在提升计算效率，减少资源浪费，并最大化系统性能。
据DeepSeek介绍，该优化并行策略是一套精心设计的并行计算方案，适用于多核、分布式或异构系统。它通过合理分配任务、协调资源利用以及减少通信开销，实现了高效并行执行，为人工智能模型的训练和推理提供了强有力的支持。
不仅如此，DeepSeek还宣布了其另一项重要成果——与英伟达合作，在Blackwell架构上优化的DeepSeek-R1模型。这一新模型在推理速度上实现了25倍的提升，同时每token成本降低了20倍，标志着英伟达在人工智能领域的又一次重大突破。
DeepSeek的开源行动并未止步于此。在此之前，该公司已经将DeepEP向公众开放，这一Expert Parallelism通信基础专为MoE模型的训练和推理而设计。DeepEP能够实现高效优化的全到全通信，支持低精度计算，并对非对称带宽转发场景进行了深度优化，从而在训练和推理任务中展现出卓越的性能。
为了进一步提升用户体验，DeepSeek还推出了错峰优惠活动。在北京时间每日00:30至08:30的夜间空闲时段，DeepSeek开放平台的API调用价格大幅下调，DeepSeek-V3降至原价的50%，DeepSeek-R1更是降至25%。DeepSeek鼓励用户充分利用这一时段，享受更经济、更流畅的服务。
此次优惠活动正值DeepSeek的“开源周”。在这一周内，DeepSeek连续开源了多个重要代码库。首个开源的是针对Hopper GPU优化的FlashMLA，随后是用于MoE模型训练和推理的开源EP通信库DeepEP，以及一个支持密集和MoE GEMM的FP8 GEMM库，为V3/R1的训练和推理提供了有力支持。
英伟达也在这一领域取得了显著进展。通过应用TensorRT DeepSeek优化，英伟达在Blackwell架构上实现了具有FP4生产级精度的模型，该模型在MMLU通用智能基准测试中达到了FP8模型性能的99.8%。目前，英伟达基于FP4优化的DeepSeek-R1检查点已经在Hugging Face上开源，用户可以通过相关链接访问这一模型。
在后训练量化方面，DeepSeek也取得了重要突破。该模型将Transformer模块内的线性算子的权重和激活量化到了FP4，适用于TensorRT-LLM推理。这一优化不仅减少了每个参数的位数，从8位降低到4位，还使得磁碟空间和GPU显存的需求减少了约1.6倍，为人工智能模型的部署和应用提供了更加经济、高效的选择。
