[直播稿件] 飞桨框架3.0支持DeepSeek-V3/R1系列模型部署

[yuanlehome]

目录

• 飞桨框架3.0大模型高性能推理能力一览
• DeepSeek多量化推理方案
  • Weight Only INT8/4量化
  • Block Wise FP8量化
  • FP8-WINT4混合量化
  • SageAttention量化
• 高效的MLA与MTP实现
  • Multi-head Latent Attention（MLA）算子
  • MTP高效推理实现大批次加速
• DeepSeek部署实战

---

飞桨新一代框架3.0全面升级了大模型推理能力，依托高扩展性的中间表示（PIR）从模型压缩、推理计算、服务部署、多硬件推理全方位深度优化，能够支持众多开源大模型进行高性能推理。全面支持了DeepSeek V2/V3/R1满血版及其基于LlaMA、Qwen蒸馏出的系列模型，其中，在DeepSeek V3/R1上取得了突出的性能表现。

H800上256并发不含MTP测试，实验复现请参考: https://paddlenlp.readthedocs.io/zh/latest/llm/docs/predict/deepseek.html

飞桨框架3.0大模型高性能推理能力一览

提供面向服务器场景的部署服务

• 连续批处理（Continuous Batching）、流式输出、基于HTTP协议接口

支持各大主流模型

• DeepSeek V2/V3/R1、Qwen 1.5/2/2.5/QwQ、LlaMA 2/3.1/3.2/3.3、ChatGLM 2/3、Mixtral、Baichuan

推理机制全面

• 全环节算子融合、高效Attention（PagedAttention/FlashDecoding/SageAttention）、投机解码、Prompt Cache、Prefill-Decode分离

量化精度多样

• FP16、BF16、WINT8、WINT4、W8A8_INT8、W8A8_FP8、C16/C8/C4

多种硬件

• 英伟达GPU、昆仑XPU、昇腾NPU、海光DCU、燧原GCU、太初SDAA、英特尔CPU

DeepSeek多量化推理方案

Weight Only INT8/4量化

除了支持DeepSeek V3/R1满血版及其系列蒸馏版模型在Hopper架构GPU上部署，飞桨还实现了Weight Only INT8量化，支持在A800部署；此外，还通过Weight Only INT4量化，支持单机部署，相比2机部署方案，大大节省了跨机通信耗时，相同并发下可加速101%~128%。

针对Weight Only INT4量化推理，除了基本的Channel Wise，飞桨还支持了更细粒度的Group Wise（64/128）的量化方式，模型精度得到进一步提升。

注：Group Wise当前仅支持Ampere架构GPU

Block Wise FP8量化

截图自DeepSeek官方论文 https://arxiv.org/pdf/2412.19437

权重采用官方推荐的Block Wise（128x128）量化，激活采用动态per group（128）量化，采用一个warp计算多个group，充分利用显存带宽。我们基于cutlass3.8版本，实现了高效的FP8 BlockGemm，并经过矩阵参数调优进一步提升了性能。同时基于Triton实现的FusedMoE算子，提前遍历搜索出最优性能配置，并将MoE前的Token Permute/Dispatch等细碎操作进行算子融合以达到极致的吞吐的性能。还支持了将Python端生成的Triton kernel封装成Paddle自定义算子，进而支持静态图推理部署。

H800上不含MTP测试，实验复现请参考文档: https://paddlenlp.readthedocs.io/zh/latest/llm/docs/predict/deepseek.html

FP8-WINT4混合量化

为了在保证模型精度的同时最小化显存占用，我们采取将MoE部分进行WINT4量化，MLP等其它部分采用FP8量化的混合量化方式，实现了单机部署下的最优吞吐。为了评估模型效果，针对MMLU-Pro的部分科目，分别对Paddle的WINT4量化与FP8-WINT4混合量化以及vLLM的FP8量化进行了测评，分数评估如下表。

注：MMLU-Pro测评 - 部分科目

Model	Biology	Business	Law	Psychology	Chemistry	均值
Paddle-WINT4	0.8690	0.8441	0.6230	0.8100	0.8430	0.8021
Paddle-FP8-WINT4	0.8870	0.8695	0.6494	0.8195	0.8489	0.8165
vLLM-FP8	0.8619	0.8540	0.6430	0.8233	0.8401	0.8036

SageAttention量化

SageAttention2: Efficient Attention with Thorough Outlier Smoothing and Per-thread INT4 Quantization
https://arxiv.org/abs/2411.10958

为了优化长文推理性能，我们集成了Attention动态量化方案SageAttention2，在原生支持的128大小的Head Dim（同时支持Ampere/Hopper架构）基础上，我们针对DeepSeek模型，实现了Head Dim为192的情况（当前仅支持Hopper架构）。

在精度近乎无损的前提下，大幅提升了长序列输入下Prefill阶段的首Token时延（TTFT），在64K长文输入下，首token推理速度最大提升37.4%。

SageAttention2通过动态的将Q、K矩阵量化为INT8（或者INT4，我们这里采用INT8），V矩阵量化为FP8来重新组织Attention计算各阶段的数据类型；在Softmax阶段先将INT32的Q*K转换为FP32，之后进行Q*K的反量化，再采用Online Softmax加速计算；将结果P量化为FP8，与经过FP8量化的V矩阵相乘，之后再对P*V结果进行反量化，得到Attention的计算结果O。

高效的MLA与MTP实现

Multi-head Latent Attention（MLA）算子

总体概述

一次完整的 MLA 计算包含四个步骤，分别是 Data Load、QK GEMM、Softmax Update + R2S、PV GEMM。结合 Hopper 架构的特性，通过多级流水线编排、精细的寄存器及共享内存分配，深度调优 MLA 算子性能；并适配 decoder 阶段 num_token > 1 的情况，以支持高效投机解码。

方案一

使用3个Warp Group (WG)，WG0作为 Producer，进行2阶段的数据搬运操作；WG1与WG2作为 Consumer，其中 WG1 负责计算 QK GEMM 以及 Softmax 操作，并将结果存储到共享内存中；而后 WG1 与 WG2 共同计算 PV GEMM 以缓解寄存器压力；这种方式下，我们每次处理 64 长度的KV，最终占用了 225KB 的共享内存。

方案二

为了将 CPV 与 UPRS 操作进行 overlap，在上述的基础上，将 WG0 的流水线增加到四阶段，将 PV GEMM 与 Softmax 操作进行 overlap。为了节省寄存器与共享内存，我们每次处理 32 长度的KV，该套实现建议在 CUDA12.8 版本下使用。

方案三（实验中）

为了进一步对不同操作进行overlap，使用4个 Warp Group，其中 WG0 作为 Producer 进行4阶段的数据搬运，WG1 作为 Consumer 进行2阶段的 QK Gemm 与Softmax 操作，WG2 与 WG3 负责 PV GEMM 计算；在使用4个Warp Group后，单线程最大寄存器占用为128个，每次处理 32 长度的KV；WG0 与WG1 占用寄存器数量小于72个；WG2 与 WG3 寄存器占用数量约184个；因此，理论上通过更精细化的寄存器划分该方案可行，该方案当前暂开源一套低精度累加实现，后续将持续优化。

竞品对比

通过上述一系列的优化，在 Hopper 架构上，MLA 算子速度相较于 FlashMLA 取得了4%~23%的明显提升。

测试说明：H800 CUDA12.8环境下NCU锁频统计Kernel耗时

MTP 高效推理实现大批次加速

投机解码概述

“投机”，顾名思义，以较小代价博大的收益；在 LLM 中，尽可能小的额外时延生成多个 Draft Token，尽最大努力让 Base 模型接收它，减少推理的总耗时。

下图概括了投机解码的常用方法以及框架流程：

适合场景：在时延要求高、并发较小的场景

类Draft Model系列方法（MTP）

• 飞桨框架3.0 针对该类方法设计了一套极易拓展的架构，在支持 MTP 的同时，仅需适配极少量代码，即可支持所有类 draft model 系列方法
• 特点：模型结构和正常模型几乎一致，存在 embeding/lm_head，有一层或多层 Transformer，有 cacheKV 存储历史上下文
• 常用方法；Draft_model、eagle、MTP

以下是 MTP 推理时的时序图：

• 针对 MTP 的特性，飞桨框架3.0 进行了两种优化
  • 统一对上轮 Draft Token 接受情况的处理(例如全部拒绝、接受部分、接受全部)，在推理时，同样做到一次 forward，处理所有 Query
  • 融合后处理算子(模型状态更新)，相比原始模型的后处理，性能加速2~4倍

大批次下的性能优化

draft token 验证阶段注意力计算优化

• 传统 batch_extension 在大批次下的性能劣化问题：
  • 由于 Attention Kernel 在 decoder 阶段只支持 num_token=1，因此在验证阶段只能通过 extension batch 的方法模拟 num_token > 1 的情况，计算量会迅速膨胀。vllm DeepSeek V3/R1 + MTP 在 batch_size > 32 时性能即会劣化。
  • 例如：batch_size=128, num_draft_token=2 时，batch_extension 的 batch 规模大小为 128*3=384
• 我们基于支持 num_token > 1 的 MLA，设计了一套通用的投机解码框架，在 draft token 验证阶段，保持批次大小不变的情况下，可一次性完成对所有草稿token的推理验证，解决了大批次下投机解码劣化推理性能的问题。
  • 例如：batch_size=128, num_draft_token=2 时，batch 规模大小仍为 128

性能测试

基于DeepSeekV3/R1提供的MTP权重，我们在多个数据集上统计，第二个token的接受率达到80%~90%，达到DeepSeekV3论文效果。基于飞桨框架3.0的高性能优化：

• 场景一：时延要求场景
  • 基于实验1与实验4，保持解码速度不劣化（此示例中解码速度提升25%），QPS提升144%，
• 场景二：QPS 要求场景
  • 基于实验2与实验3，保持QPS不劣化（此示例中QPS提升8%），解码速度提升42%
• 场景三：并发要求场景
  • 基于实验2与实验4，保持批次大小不变，在批处理大小为128较大的时候，依然可以保持QPS提升32%，解码速度提升32%

实验	测试模型	部署方式	量化类型	并发	平均输出长度	解码速度(token/s)	整句时延 (s)	QPS	OTPS/8 GPUs
1	DeepSeek-R1	TP8	FP8 + WINT4	64	1515.64	15.42	98.31	0.64	975.47
2	DeepSeek-R1	TP8	FP8 + WINT4	128	1500.16	14.56	103.06	1.18	1776.21
3	DeepSeek-R1 + MTP	TP8	FP8 + WINT4	96	1504.85	20.73	72.61	1.27	1913.22
4	DeepSeek-R1 + MTP	TP8	FP8 + WINT4	128	1505.30	19.21	78.34	1.56	2343.48

DeepSeek部署实战

介绍内容：

1. 如何一键启动推理服务
2. 10 min速成推理部署高手
   a. 一键下载模型、benchmark 数据集
   b. 部署单节点DeepSeek-R1，量化精度为WINT4
   c. 部署单节点DeepSeek-R1-MTP，基础模型量化精度为WINT4，MTP量化精度为WINT8

环境要求：

1. H800/H20/A800 * 8/16
2. nvidia-docker

如何一键启动推理服务

• 适合用户：全用户群体，无需任何背景知识，一键式部署、推理
• 场景：技术尝鲜、demo 试用
• 优点：执行十分方便，一键启动

• 缺点：使用不优雅，每次部署模型需重新启动镜像

• DeepSeek 快速部署文档： https://paddlenlp.readthedocs.io/zh/latest/llm/docs/predict/deepseek.html

Case 1：官网文档 demo

• 模型：deepseek-ai/DeepSeek-R1/weight_only_int4
• 精度：weight_only_int4
• GPU：单节点，8*H800
• 是否MTP：否

export MODEL_PATH=${MODEL_PATH:-$PWD}
export model_name=${model_name:-"deepseek-ai/DeepSeek-R1/weight_only_int4"}

docker run --gpus all --shm-size 32G --network=host --privileged --cap-add=SYS_PTRACE \
-v $MODEL_PATH:/models -e "model_name=${model_name}" \
-dit ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddlenlp:llm-serving-cuda124-cudnn9-v2.1 /bin/bash \
-c -ex 'export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 && export MP_NUM=8 && start_server $model_name && tail -f /dev/null'

• 命令含义
  • -v：本地文件系统与容器内文件映射，用来持久化存储模型以及用户文件
  • -e：设置容器内环境变量
  • -c：执行一段bash命令
  • 命令详解：把deepseek-ai/DeepSeek-R1/weight_only_int4模型下载到$PWD，并映射到容器内/models目录
• 预期结果：deepseek-ai/DeepSeek-R1/weight_only_int4自动下载到设定的MODEL_PATH中；并在模型下载完成后，启动推理服务

Case 2：根据文档demo升级改造

• 模型：deepseek-ai/DeepSeek-R1-MTP/a8w8_fp8_wint4
• 精度：a8w8_fp8_weight_only_int4
• GPU：单节点，8*H800
• 是否MTP：是
• MTP精度：a8w8_fp8

# 选择模型
export model_name="deepseek-ai/DeepSeek-R1-MTP/a8w8_fp8_wint4"

# 设置基础模型与 MTP 模型的挂载位置
export MODEL_PATH="/models/"
export MODEL_MTP_PATH="/models/mtp"

# 投机解码参数
export SPECULATE_METHOD="mtp"
export SPECULATE_MODEL_PATH="/models-mtp"
export SPECULATE_MAX_DRAFT_TOKEN_NUM=1

# 高性能参数推荐
export BLOCK_BS=32
export BLOCK_RATIO=0.25
export BATCH_SIZE="128"

# 端口设置
export HEALTH_HTTP_PORT="8510"      # 探活服务的http端口（当前仅用于健康检查、探活）
export SERVICE_GRPC_PORT="8511"      # 模型推服务的grpc端口
export METRICS_HTTP_PORT="8522"     # 模型服务中监督指标的端口
export INTER_PROC_PORT="8713"       # 模型服务内部使用的端口
export SERVICE_HTTP_PORT="9968"     # 服务请求HTTP端口号，如不配置，默认为-1，即服务只支持GRPC协议

# 最终启动命令
export MODEL_PATH="/models/"
export MODEL_MTP_PATH="/models/mtp"
export model_name="deepseek-ai/DeepSeek-R1-MTP/a8w8_fp8_wint4"

docker run  -i --name paddle_example  --gpus all --shm-size 32G --network=host --privileged --cap-add=SYS_PTRACE \
-v $MODEL_PATH:/models -v $MODEL_MTP_PATH:/models-mtp -v /ssd2/paddle_example:/work -e "model_name=${model_name}" \
-dit ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddlenlp:llm-serving-cuda124-cudnn9-v2.1 /bin/bash \
-c -ex 'export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 && export MP_NUM=8 && export SPECULATE_MODEL_QUANT_TYPE="a8w8_fp8_wint4" && export SPECULATE_METHOD="mtp" && export SPECULATE_MODEL_PATH="/models-mtp" && export SPECULATE_MAX_DRAFT_TOKEN_NUM=1 && export BLOCK_BS=32 && export BLOCK_RATIO=0.25 && export BATCH_SIZE="128" && export HEALTH_HTTP_PORT="8510" && export SERVICE_GRPC_PORT="8511" && export METRICS_HTTP_PORT="8522" && export INTER_PROC_PORT="8713" && export SERVICE_HTTP_PORT="9968" && start_server $model_name && tail -f /dev/null'

---

--> 进阶版：在持久化的docker容器内进行所有部署操作，并可随意更改配置测试

10min速成推理部署高手

介绍内容：

1. 一键下载模型、benchmark 数据集
2. 部署单节点 DeepSeek-R1，量化精度为 WINT4
3. 部署单节点 DeepSeek-R1-MTP，基础模型量化精度为 WINT4， MTP 量化精度为 WINT8

成为部署高手只需要四步！！

1. 下载模型 / 数据集
2. 设置环境变量
3. 启动服务 start_server
4. 关闭服务 stop_server

参考文档：https://github.com/PaddlePaddle/PaddleNLP/blob/develop/llm/server/docs/deploy_usage_tutorial.md

1. 模型下载
   预置脚本：/opt/output/download_model.py
   下载位置：/work
   下载模型：deepseek-ai/DeepSeek-R1-MTP/a8w8_fp8_wint4

# 预置脚本：/opt/output/download_model.py
export MODEL_PATH=/work/
export SPCULATE_MODEL_PATH=/work/
export model_name="deepseek-ai/DeepSeek-R1-MTP/a8w8_fp8_wint4"

python download_model.py --model_name $model_name --dir $MODEL_PATH --nnodes 1 --speculate_model_path $SPCULATE_MODEL_PATH

# 精简命令
python download_model.py --model_name deepseek-ai/DeepSeek-R1-MTP/a8w8_fp8_wint4 --dir /work/models --speculate_model_path /work/models/deepseek-ai/DeepSeek-R1-MTP/mtp_fp8/

2. 数据集下载

# 预置脚本：/opt/source/PaddleNLP/llm/benchmark/serving/get_filter_shared_gpt.py

cd /opt/source/PaddleNLP/llm/benchmark/serving
python get_filter_shared_gpt.py --tokenizer_name /work/models/deepseek-ai/DeepSeek-R1-MTP/weight_only_int4

# 该目录下预期文件显示如下
ls /opt/source/PaddleNLP/llm/benchmark/serving
ShareGPT_V3_unfiltered_cleaned_split.json  benchmark_client.py  filtered_sharedgpt_short_3000.json  get_filter_shared_gpt.py  run_benchmark_client.sh

其中ShareGPT_V3_unfiltered_cleaned_split.json是原始ShareGPT数组，filtered_sharedgpt_short_3000.json是根据规则筛选出的数据。

Case 3：部署单机DeepSeek-R1

养成好习惯，每次启动server前，先执行stop_server关闭可能存在的相关进程。

环境变量配置

# 选择模型
export model_name="deepseek-ai/DeepSeek-R1-MTP/a8w8_fp8_wint4"

# 设置基础模型与MTP模型的挂载位置
export MODEL_PATH="/ssd2/paddle_example/infer_model_a8w8_fp8_wint4"
export MODEL_MTP_PATH="/ssd2/paddle_example/model_mtp_fp8"

# 高性能参数推荐
export BLOCK_BS=32
export BLOCK_RATIO=0.25
export BATCH_SIZE="128"

最终环境变量

# run_deepseek_R1_a8w8_fp8_wint4.sh

export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
export MP_NUM=8

export MODEL_DIR="/work/models/deepseek-ai/DeepSeek-R1/weight_only_int4/"
export model_name="deepseek-ai/DeepSeek-R1-MTP/a8w8_fp8_wint4"

export BLOCK_BS=40
export BLOCK_RATIO=0.25
export BATCH_SIZE="128"

export HEALTH_HTTP_PORT="8510"      # 探活服务的http端口（当前仅用于健康检查、探活）
export SERVICE_GRPC_PORT="8511"      # 模型推服务的grpc端口
export METRICS_HTTP_PORT="8522"     # 模型服务中监督指标的端口
export INTER_PROC_PORT="8713"       # 模型服务内部使用的端口
export SERVICE_HTTP_PORT="9968"     # 服务请求HTTP端口号，如不配置，默认为-1，即服务只支持GRPC协议

start_server

执行与验证流程

# 执行
bash run_deepseek_R1_a8w8_fp8_wint4.sh

# 检测是否运行成功

# port为上面启动服务时候指定的HEALTH_HTTP_PORT（测试前请确保服务IP和端口正确）
# live接口： (服务是否能正常接收请求）http://127.0.0.1:8510/v2/health/live
# health接口：（模型是否准备好推理）http://127.0.0.1:8510/v2/health/ready

curl -i http://127.0.0.1:8510/v2/health/live
curl -i http://127.0.0.1:8510/v2/health/ready

# 发单条query验证
python curl.py

# benchmark
cd /work/PaddleNLP/llm/benchmark/serving
bash run_benchmark_client.sh

Case 4：部署单机DeepSeek-R1-MTP

最终环境变量

# run_deepseek_R1_MTP_a8w8_fp8_wint4.sh

export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
export MP_NUM=8

export MODEL_DIR="/work/models/deepseek-ai/DeepSeek-R1-MTP/a8w8_fp8_wint4/"
export model_name="deepseek-ai/DeepSeek-R1-MTP/a8w8_fp8_wint4"

export SPECULATE_MODEL_PATH="/work/models/deepseek-ai/DeepSeek-R1-MTP/mtp_fp8"
export SPECULATE_METHOD="mtp"
export SPECULATE_MODEL_QUANT_TYPE="a8w8_fp8"
export SPECULATE_MAX_DRAFT_TOKEN_NUM=1

export BLOCK_BS=32
export BLOCK_RATIO=0.25
export BATCH_SIZE="128"

export HEALTH_HTTP_PORT="8510"      # 探活服务的http端口（当前仅用于健康检查、探活）
export SERVICE_GRPC_PORT="8511"      # 模型推服务的grpc端口
export METRICS_HTTP_PORT="8522"     # 模型服务中监督指标的端口
export INTER_PROC_PORT="8713"       # 模型服务内部使用的端口
export SERVICE_HTTP_PORT="9968"     # 服务请求HTTP端口号，如不配置，默认为-1，即服务只支持GRPC协议

start_server