DeepSeek开源DeepInfer：大模型推理超高毛利背后的三处工程底牌

开大模型公司，最怕的其实不是把模型训出来。 最怕的是模型真火了，每天被几千万人调用。 用户每聊一句，后台电表就狂转一圈。 不少大厂的接口服务，算下来根本就是在贴钱硬撑。 但有一家公司偏偏反着来。 调用价格便宜到像白送，内部测算下来的毛利率居然能超过 80%。 他们到底是怎么把成本压到这种地步的？ 这次他们把底牌亮出来了。 科技媒体 The Information 报道，DeepSeek 正式开源了自己的模型推理框架，名字叫 DeepInfer。 代码一公开，很多人跑去翻它的底子。 这套系统原本基于开源的 vLLM 改造，还吸收了 SGLang 和英伟达 TensorRT-LLM 的设计。 但真正值钱的，是他们把跑大模型最费钱的三个死穴，全部用自研零件手工焊死了。 第一个死穴，是显卡忙闲不均。 他们用的是混合专家架构 MoE。 几十个专家模块里，每次回答问题只挑两三个出来算。 听上去很省算力，对吧？ 可现实里很容易出现一种情况：某两个专家特别抢手，对应的显卡直接被挤爆，剩下的显卡在旁边干坐着。 算力浪费极其严重。 DeepInfer 怎么解决呢？ 它塞进了一个叫 EPLB 的负载均衡器。 几十微秒内，系统动态计算每个专家的负担，把数据均匀切碎分流。 谁也别想闲着，谁也别被撑死。 第二个死穴，是显存被记忆塞爆。 大模型回答长问题，每往后蹦一个字，都得把前文的记忆全翻出来算一遍。 这叫键值缓存。 上下文稍微长一点，昂贵的高带宽显存就被占得精光，显卡之间互传数据，把通信总线堵得水泄不通。 计算核心只能停工等数据。 DeepSeek 直接拿出了自己的多头潜变量注意力算子 FlashMLA，把记忆数据在显存里大幅压缩。 再配合注意力数据并行，长文本直接拆给多条通路去跑，不用卡与卡之间拼命对账。 显存压力骤降，单台机器能接的并发量瞬间翻倍。 第三个死穴，是机器打字太慢。 模型生成内容是一个字接一个字往下吐，算力大部分时间在等待中磨损。 DeepInfer 搞了一个叫 DSpark 的推测解码机制。 它让辅助模块像速记员一样，提前往前猜好几个字。 主模型再用置信度打分，一眼扫过去，猜对的顺手全收下，一次性批量过审。 原本串行的漫长等待，直接被压成了一步。 而且翻开代码的构建脚本，第一行配置就清清楚楚支持两套硬件体系： 一套是英伟达最新的 SM100 架构显卡，另一套是华为的昇腾 950 处理器。 直接做了原生支持。 那是不是只要下了这套代码，明天就能照猫画虎搭一个 DeepSeek 出去卖？ 先别急，他们特意留了一手。 这次开源的只是核心离线推理引擎。 真正要在公网上扛住几亿人瞬时冲击的分布式缓存调度、动态冷热分离系统，依然留在他们自己的服务器里。 但这张开源的工程图纸已经足够说明一件事： 降低大模型的使用成本，不靠干等芯片降价。 从通信、显存到算子，每一处漏水的地方他们都亲手拧上了螺丝。