北京2025年11月10日 /美通社/ -- 近日，在2025人工智能計(jì)算大會(huì)上，浪潮信息公布，基于元腦SD200超節(jié)點(diǎn)AI服務(wù)器，DeepSeek R1大模型token生成速度僅需8.9毫秒，創(chuàng)造國(guó)內(nèi)大模型最快token生成速度。
元腦SD200創(chuàng)新設(shè)計(jì)滿足低延遲推理需求
智能體時(shí)代的標(biāo)志性特征是多模型協(xié)同與實(shí)時(shí)決策，每個(gè)智能體具備感知-決策-執(zhí)行的閉環(huán)能力，涉及復(fù)雜的、多步驟的工作流，需要任務(wù)分解、自主決策以及持續(xù)的規(guī)劃和執(zhí)行。在智能體推理的過程中，即使是單個(gè)推理步驟中的延遲也會(huì)在多步驟任務(wù)中被指數(shù)級(jí)放大，導(dǎo)致用戶體驗(yàn)遲滯。因此，token生成速度正成為影響用戶評(píng)價(jià)的一個(gè)關(guān)鍵指標(biāo)。
元腦SD200超節(jié)點(diǎn)AI服務(wù)器基于高帶寬、低延時(shí)、原生內(nèi)存語義的開放總線協(xié)議，通過構(gòu)建高性能交換單元打造3D Mesh高性能互連超擴(kuò)展系統(tǒng)，支持64張本土AI芯片高密度算力擴(kuò)展，能夠很好地滿足DeepSeek等大模型的低延遲推理需求，加快token生成速度。
定制通信算法深度適配元腦SD200
除了硬件方面的創(chuàng)新，浪潮信息AI團(tuán)隊(duì)也針對(duì)DeepSeek、Kimi等模型的計(jì)算特征和元腦SD200的硬件架構(gòu)特征，完成了通信庫、計(jì)算框架層面等多方面的優(yōu)化，充分發(fā)揮了元腦SD200的計(jì)算性能，最終實(shí)現(xiàn)了低延遲推理。同時(shí)，也支持預(yù)填充-解碼 (Prefill-Decode) 分離推理，在滿足客戶業(yè)務(wù)場(chǎng)景SLO需求的基礎(chǔ)上提供更高性能。
通信庫層面，針對(duì)Allreduce、Allgather、Alltoall等典型通信算子，浪潮信息制定了與元腦SD200深度適配的通信算法。例如，對(duì)于Allreduce，為了充分發(fā)揮元腦SD200的低延遲優(yōu)勢(shì)，專為Allreduce設(shè)計(jì)了分層算法策略：針對(duì)小數(shù)據(jù)量，采用全量收集，本地規(guī)約的低延遲定制One-Shot算法，旨在最小化GPU間的同步與通信開銷；針對(duì)大數(shù)據(jù)量，采用高吞吐的定制化環(huán)形算法，以徹底解決帶寬瓶頸并實(shí)現(xiàn)最優(yōu)帶寬利用率。而對(duì)于模型應(yīng)用中最常見的中等數(shù)據(jù)量，則采用兼顧延遲與帶寬的定制Two-Shot算法。浪潮信息更結(jié)合芯片緩存特性對(duì)此核心場(chǎng)景進(jìn)行了深度優(yōu)化：對(duì)中小數(shù)據(jù)量啟用無緩存方案以追求極致延遲；對(duì)中大數(shù)據(jù)量則啟用緩存方案，從而最大化吞吐效率。
實(shí)測(cè)數(shù)據(jù)表明，在64 GPU集群上進(jìn)行DeepSeek R1 671B模型的BF16推理時(shí)，針對(duì)Batch Size為1的decode階段（其Allreduce數(shù)據(jù)量約為14 KB），優(yōu)化后的算法將通信時(shí)延降低了5.8倍。此外，在16 KB至16 MB這一核心數(shù)據(jù)量區(qū)間內(nèi)，定制優(yōu)化算法的通信時(shí)延相較于未優(yōu)化前的實(shí)現(xiàn)降低了1.6至5.8倍；與傳統(tǒng)scale-out系統(tǒng)相比，時(shí)延降低幅度則進(jìn)一步擴(kuò)大至4.5至12.7倍。
全方位框架優(yōu)化保障計(jì)算低延遲
框架層面，浪潮信息AI團(tuán)隊(duì)完成了并行方式、算子融合、多流水線等多方面優(yōu)化，來保證計(jì)算的低延遲。
首先，在并行方式上，選擇了整網(wǎng)的張量并行。在此并行模式下，通過模型均勻切分實(shí)現(xiàn)了設(shè)備間計(jì)算負(fù)載的完全均衡、各個(gè)計(jì)算板卡之間計(jì)算的完全并行和同步，消除了流水線氣泡與負(fù)載不均衡問題。同時(shí)，元腦SD200的高帶寬、低延遲確保了AllReduce、AllGather等通信算子性能的大幅提升，使得通信時(shí)間大幅下降，從而實(shí)現(xiàn)了超低延遲的推理性能。
其次，在算子上，實(shí)現(xiàn)了極致的算子融合等優(yōu)化。GPU的計(jì)算速度遠(yuǎn)遠(yuǎn)超過了內(nèi)存帶寬的訪問速度，從內(nèi)存中讀寫數(shù)據(jù)的時(shí)間成本，大部分時(shí)候比實(shí)際進(jìn)行計(jì)算的時(shí)間成本還要高。算子融合可以通過減少不必要的內(nèi)存讀寫和計(jì)算開銷，來顯著提升推理速度、降低延遲并減少內(nèi)存占用，所以基于SGlang框架的已有實(shí)現(xiàn)，進(jìn)行了多個(gè)算子的融合。
最后，也進(jìn)行了多stream的優(yōu)化。多個(gè)算子計(jì)算時(shí)，默認(rèn)在單stream模式下，所有操作都排成一條隊(duì)，一個(gè)接一個(gè)地執(zhí)行。當(dāng)算子本身的計(jì)算量不是很大時(shí)，會(huì)導(dǎo)致GPU的部分硬件單元在計(jì)算時(shí)處于空閑狀態(tài)，也就浪費(fèi)了計(jì)算資源。多stream優(yōu)化就是為了讓這些硬件單元"同時(shí)忙起來"，對(duì)于相互之間沒有依賴關(guān)系的操作，可以放到不同的stream中并行執(zhí)行，提高硬件的利用效率，同時(shí)減小整體的計(jì)算時(shí)間。在多stream并行優(yōu)化方面，浪潮信息實(shí)現(xiàn)了MLA層的多個(gè)layernorm計(jì)算的并行，并實(shí)現(xiàn)了MoE階段和共享專家計(jì)算和路由專家分組選擇的并行等，實(shí)現(xiàn)了約10%的性能提升。
預(yù)填充-解碼分離軟件提高整體計(jì)算性能
此外，浪潮信息開發(fā)了預(yù)填充-解碼 (Prefill-Decode) 分離軟件，針對(duì)預(yù)填充與解碼不同的計(jì)算特性，使用不同的并行計(jì)算策略、硬件配置等，提高系統(tǒng)整體的計(jì)算性能。同時(shí)在業(yè)務(wù)部署中，支持節(jié)點(diǎn)服務(wù)的動(dòng)態(tài)擴(kuò)展；支持利用負(fù)載均衡和鍵值緩存(KV cache)命中率進(jìn)行任務(wù)分配，把任務(wù)下發(fā)到鍵值緩存匹配度相對(duì)較高、任務(wù)負(fù)載相對(duì)較小的節(jié)點(diǎn)，減少重復(fù)計(jì)算，同時(shí)最大化計(jì)算資源利用率。另外，PD分離軟件還實(shí)現(xiàn)了鍵值緩存offload技術(shù)，可把鍵值緩存到CPU端內(nèi)存與分布式存儲(chǔ)系統(tǒng)上，增大緩存空間。
元腦SD200超節(jié)點(diǎn)AI服務(wù)器通過高帶寬和超低延遲通信、超大顯存池、智能路由優(yōu)化、PD分離推理等創(chuàng)新技術(shù)，大幅提升了DeepSeek、Kimi等大模型的推理輸出速度。元腦SD200搭載64張本土AI芯片運(yùn)行DeepSeek R1大模型，當(dāng)輸入長(zhǎng)度為4096、輸出長(zhǎng)度為1024時(shí)，單用戶token生成達(dá)到112 tokens/s，每token生成時(shí)間僅為8.9ms，率先實(shí)現(xiàn)國(guó)內(nèi)AI服務(wù)器token生成速度低于10ms，將推動(dòng)萬億參數(shù)大模型在金融、科研、智能制造等領(lǐng)域快速落地。
