品玩5月16日讯，据爱范儿报道，日前，DeepSeek 公布了旗下 V3 模型在训练、推理过程中，如何解决「硬件瓶颈」和「降本」的技术报告，值得一提的是，DeepSeek 创始人梁文锋也在作者名单中。

据报告显示，DeepSeek-V3 使用 2048 个英伟达 H800 GPU 进行训练，但其达到了超大规模集群相当的训练效果，其中包含了以下四项技术：

采用多头潜在注意力（MLA），减少临时数据（KV Cache）的内存占用。通过内存优化，DeepSeek-V3 的 KV 缓存大小每 token 仅需 70 KB，是传统方法的 1/7 至 1/4，从而大幅降低显存压力。

采用 DeepSeek-MoE（混合专家架构）进行计算优化。DeepSeek-V3 凭借 MoE 单次推理只激活部分参数的思路，训练成本仅为同规模稠密模型的 1/10。并且得益于激活参数减少，V3 能够在消费级 GPU 上运行，并达到每秒生成近 20 个 toeken。

通过 FP8 低精度训练，将模型所需内存占用和计算量减半，并通过「精细量化」保持精度要求。DeepSeek-V3 通过 FP8，训练成本成功降低 50%，精度损失小于 0.25%。

通信方面，DeepSeek-V3 采用了多层胖树网络（Multi-Plane Fat-Tree），避免不同任务流量冲突；在模型推理时，还将「注意力计算」和「专家间通信」分阶段执行，利用流水线并行（DualPipe）让 GPU 在计算时同时传输数据。

推理加速方面，DeepSeek-V3 使用多 token 预测（MTP）的方法，将模型