DeepSeek 开源周五大工具

2025 年 2 月，DeepSeek 连续五天开源五项训练/推理底层工具，统称「开源周（Open Source Week）」。这批工具不是模型本身，而是支撑 V3/R1 高效训练与推理的基础设施，核心目标是压榨 GPU 利用率、降低 MoE 通信与显存开销。

五大工具速览

日期	工具	定位	解决的问题
2/24	FlashMLA	Hopper GPU（如 H800）的高效 MLA 解码内核	优化变长序列处理 + 分页 KV 缓存，提升推理吞吐
2/25	DeepEP	专家并行（EP）通信库	加速 MoE 训练/推理中 token 的分发与聚合，降低跨节点通信延迟，兼容国产算力
2/26	DeepGEMM	FP8 通用矩阵乘法（GEMM）库	支持 V3 的细粒度缩放，驱动 V3/R1 的训练与推理
2/27	DualPipe / EPLB	并行计算优化策略	DualPipe 双向流水线并行 + EPLB 专家并行负载均衡
2/28	3FS（萤火虫文件系统）	高性能分布式文件系统	应对 AI 训练/推理的大规模 IO 负载

关键技术点

• FlashMLA：面向 DeepSeek 的 MLA（多头潜在注意力）设计的解码内核，针对变长序列和分页 KV Cache 做深度优化，是把 MLA 的显存优势落到推理侧的工程实现。
• DeepEP：MoE 模型训练/推理时，token 要在多张 GPU 间「分发到专家—再聚合」，通信极易成为瓶颈；DeepEP 专门优化这一步，显著降低节点间通信延迟。
• DeepGEMM：为 FP8 矩阵运算而生，配合 V3 的精细化缩放（fine-grained scaling），让 FP8 混合精度训练/推理真正可用。
• DualPipe：双向流水线并行算法，通过对称微批次调度 + 计算-通信重叠，将 GPU 闲置时间（bubble）削减 50% 以上；EPLB 负责专家并行的负载均衡。
• 3FS：分布式文件系统，解决训练/推理阶段海量数据读写的 IO 吞吐问题。

意义

这批工具把 DeepSeek 的「低成本高效率」从模型层延伸到系统层：MLA 省显存、MoE 省算力、FP8 省精度开销、流水线省 GPU 空转、3FS 省 IO 等待，共同构成 V3/R1 低成本训练的工程底座，也强化了其开源生态号召力。

⚠️ 时效：内容整理自 2025-05 的第三方文章，工具命名与细节以官方仓库为准。原文将 2/25 的「EP 通信库」即社区通称的 DeepEP。

延伸

• 模型总览与部署见 DeepSeek
• 架构层的注意力优化见 DeepSeek NSA 稀疏注意力
• 来源剪藏：CSDN 原文（访问于 2026-07-17）