DeepSeek-R2曝5月前上線。第三天，DeepSeek發(fā)布了DeepGEMM。這是一個(gè)支持稠密和MoE模型的FP8 GEMM計(jì)算庫，可為V3/R1的訓(xùn)練和推理提供強(qiáng)大支持。僅用300行代碼，這個(gè)開源庫就能超越專家精心調(diào)優(yōu)的矩陣計(jì)算內(nèi)核，為AI訓(xùn)練和推理帶來顯著性能提升。

DeepGEMM庫具有以下特點(diǎn)：在Hopper GPU上實(shí)現(xiàn)高達(dá)1350+ FP8 TFLOPS的算力；極輕量級(jí)依賴，代碼清晰易懂；完全即時(shí)編譯，即用即跑；核心邏輯僅約300行代碼，卻在大多數(shù)矩陣規(guī)模下超越專家級(jí)優(yōu)化內(nèi)核；同時(shí)支持密集布局和兩種MoE布局。開發(fā)者驚嘆于其簡潔高效的設(shè)計(jì)，認(rèn)為這可能是GPU運(yùn)算技術(shù)的重大突破。

DeepGEMM改變了使用FP8 GEMM庫的方式，簡單、快速、開源，代表著AI計(jì)算的未來。在即將發(fā)布的DeepSeek-R2中，將實(shí)現(xiàn)更好的編碼，并支持多種語言進(jìn)行推理。業(yè)內(nèi)人士預(yù)測(cè)，這將是AI行業(yè)的一個(gè)關(guān)鍵時(shí)刻。目前，DeepSeek已經(jīng)在創(chuàng)建高成本效益模型方面取得成功，打破了該領(lǐng)域的壟斷局面。DeepGEMM發(fā)布兩天內(nèi)，前兩個(gè)項(xiàng)目FlashMLA和DeepEP分別獲得了近10k和5k星標(biāo)。

DeepGEMM專為清晰高效的FP8通用矩陣乘法設(shè)計(jì)，采用了DeepSeek-V3中提出的細(xì)粒度縮放技術(shù)。它支持常規(guī)矩陣乘法和混合專家模型分組矩陣乘法。DeepGEMM使用CUDA編寫，通過輕量級(jí)即時(shí)編譯模塊在運(yùn)行時(shí)編譯所有內(nèi)核。目前僅支持NVIDIA Hopper張量核，為了解決FP8張量核在累加計(jì)算時(shí)的精度問題，采用了基于CUDA核心的兩級(jí)累加技術(shù)。盡管借鑒了CUTLASS和CuTe的一些概念，但避免了過度依賴它們的模板或代數(shù)系統(tǒng)，追求設(shè)計(jì)簡潔，包含一個(gè)核心內(nèi)核函數(shù)，代碼量僅約300行。盡管采用輕量級(jí)設(shè)計(jì)，DeepGEMM在處理各種矩陣形狀時(shí)的性能都能夠達(dá)到甚至超越經(jīng)專家調(diào)優(yōu)的庫。

研究人員在配備NVCC 12.8的H800上測(cè)試了DeepSeek-V3/R1推理過程中可能使用的所有矩陣形狀（包括預(yù)填充和解碼階段），所有性能提升指標(biāo)均與基于CUTLASS 3.6內(nèi)部精心優(yōu)化的實(shí)現(xiàn)進(jìn)行對(duì)比計(jì)算得出。盡管某些矩陣形狀下的表現(xiàn)還不夠理想，但可以提交優(yōu)化相關(guān)的拉取請(qǐng)求。

安裝和測(cè)試指南如下：首先通過命令克隆倉庫及其子模塊，然后創(chuàng)建第三方庫（CUTLASS和CuTe）的符號(hào)鏈接以便開發(fā)。接著測(cè)試JIT編譯功能，最后測(cè)試所有GEMM實(shí)現(xiàn)。具體命令包括： ``` git clone --recursive gitgithub.com:deepseek-ai/DeepGEMM.git python setup.py develop python tests/test_jit.py python tests/test_core.py ```

接下來，在Python項(xiàng)目中導(dǎo)入deep_gemm即可開始使用。DeepGEMM中的內(nèi)核采用線程束專用化技術(shù)，實(shí)現(xiàn)了數(shù)據(jù)移動(dòng)、張量核心MMA指令和CUDA核心提升操作的重疊執(zhí)行。利用TMA硬件特性實(shí)現(xiàn)更快速的異步數(shù)據(jù)移動(dòng)。此外，采用完全即時(shí)編譯設(shè)計(jì)，無需在安裝時(shí)編譯，所有內(nèi)核在運(yùn)行時(shí)通過輕量級(jí)JIT實(shí)現(xiàn)進(jìn)行編譯，有效節(jié)省寄存器空間，使編譯器能夠進(jìn)行更多優(yōu)化。對(duì)于某些形狀，采用2的冪次對(duì)齊的塊大小可能導(dǎo)致SM利用率不足，團(tuán)隊(duì)為此提供了非對(duì)齊塊大小的支持，結(jié)合細(xì)粒度縮放技術(shù)，帶來了顯著的性能提升。