2月最后一天，Deepseek开源周正式收官。连续五天，这家公司在大模型开源生态中刷新了自己的技术地位。

五天内，DeepSeek发布了五个开源代码库，分别是FlashMLA、DeepEP、DeepGEMM、DualPipe和EPLB，这些项目还包括优化并行策略和推进器3FS及轻量化数据处理工具Smallpond。这些项目在Github上累计获得了近2.8万颗星星。

首日的FlashMLA最为引人注目。DeepSeek介绍称，这是一款面向Hopper GPU的高效MLA解码内核，针对可变长度序列的服务场景进行了优化。MLA——Multi-Head Latent Attention是DeepSeek的创新，FlashMLA则是针对MLA在解码阶段的注意力加速器。

用户输入的自然语言数据序列长短不一，传统注意力机制会造成算力资源浪费。FlashMLA可以针对不同token长度动态调配计算资源，持续压榨H800硬件性能利用效率。

次日的DeepEP旨在提升GPU效能。这是一个专为专家混合（MoE）和专家并行（EP）量身定制的通信库，通过全对全的中间系统，高效协同专家模型之间的通信，实现高吞吐量和低延迟的兼顾，并支持FP8等低精度操作以降低计算资源消耗。

第三天的DeepGEMM来自DeepSeek-V3，是一个可用于FP8精度的通用矩阵乘法（GEMM）加速库，旨在降低消耗、提升速度的同时保持计算准确度。它先利用FP8低精度快速计算，再利用CUDA核心精加工。

英伟达基于CUDA架构的CUTLASS也用于加速这类计算，但DeepGEMM更加轻量化，仅用300行代码实现，安装时无需编译，通过轻量级JIT模块在运行时编译所有内核。

第四天发布了DualPipe和EPLB构成的优化并行策略。DualPipe是一种双向并行算法，通过“双向”调度方式，在参数翻倍的情况下，大幅减少流水线并行过程中的等待时间。EPLB是一种“专家并行负载均衡器”，可对MoE架构中的高负载专家复制为“冗余专家”，以优化GPU之间的负载均衡。

最后一天，DeepSeek发布了3FS（Fire-Flyer File System）及数据处理框架Smallpond。3FS是一个分布式文件系统，可实现高速数据访问，提高AI模型训练和推理效率。Smallpond可进一步优化3FS的数据管理能力，能够处理PB级别数据。

DeepSeek开源周的所有内容几乎都是“开箱即用”，团队提供了操作指南。AI大模型行业人士表示，这五项开源内容对训练效率的优化都很重要，DeepEP对MoE的提升尤为明显。

一名关注大模型行业的投资人认为，这些内容展现了DeepSeek在AI Infra层的优异表现，并指出DeepSeek选择开源是为了让业界更好地部署和使用其开源模型，建立更大的开源生态。

对于DeepSeek与英伟达硬件生态的绑定，受访者认为这是合理路径，DeepSeek还可以另起一套代码库适配国产硬件生态，同时针对英伟达GPU展示优化能力也是必要动作。

在DeepSeek开源周期间，海内外大模型发布频繁，包括腾讯混元Turbo S、阿里QwQ-Max预览版、Anthropic的Claude 3.7 Sonnet和OpenAI的GPT-4.5。出人意料的是，GPT-4.5反响平平，除了基准测试超过4.0，定价高昂，每百万tokens输入为75美元，输出为150美元。

OpenAI CEO表示，GPT-4.5是最后一个非链式思维模型，未来发布的GPT-5将是包含多种技术混合的模型。DeepSeek在开源过程中，毫无保留地分享了绝大多数算法和工程细节，但仍掌握了一些核心能力，如模型训练深层次的know how和训练数据细节。

（文章来源：界面新闻）