DeepSeek开源第三弹：惊人的300行代码驱动R1和V3的训练与推理，超越各种专家内核

DeepSeek开源周第三弹！DeepSeek-AI 重磅发布高效FP8 GEMM库 DeepGEMM：极致性能，代码精简，助力V3/R1模型训练与推理！

简单来说这是由 DeepSeek-AI 团队精心打造的 FP8 通用矩阵乘法 (GEMM) 加速库，专为追求极致性能和代码简洁而生。

我们一起来扒一扒：

Hopper GPU上狂飙1350+FP8 TFLOPS！

在算力为王的 AI 时代，矩阵乘法 (GEMM) 的效率至关重要。DeepGEMM 正是为了解决这一痛点！它充分利用 NVIDIA Hopper 架构 GPU的强大算力，在 FP8 精度下，性能 高达 1350+ TFLOPS！这意味着更快的模型训练速度，更流畅的推理体验，以及更低的计算成本！

DeepGEMM 不仅适用于传统的 稠密模型，更完美支持 混合专家模型 (MoE) 的 GEMM 计算，无论是 DeepSeek-V3 还是 R1 模型，都能得到强力加速！

代码极简！核心逻辑仅300行，堪比教程级！

你没听错！DeepGEMM 的核心 kernel 函数代码量仅有 惊人的 ~300 行！ DeepSeek-AI 团队秉持着 “大道至简” 的设计理念，在保证极致性能的同时，力求代码的 可读性 和 可维护性。即使是刚入门 CUDA 开发的同学，也能轻松理解 DeepGEMM 的实现原理，甚至可以作为学习 Hopper FP8 矩阵乘法和优化的绝佳教程！

✅ 无需编译！完全 Just-In-Time (JIT) 编译，即装即用！ ✅

告别繁琐的编译过程！DeepGEMM 采用了 全 Just-In-Time (JIT) 编译 技术，所有 kernel 都在运行时动态编译，无需在安装时进行任何预编译。这意味着你可以 即装即用 DeepGEMM，省去了大量的配置和编译时间，让你可以更专注于模型开发和实验。

DeepGEMM 的 JIT 设计还带来了额外的优势：它可以根据不同的 GEMM 形状、block size 等参数进行 动态优化，始终选择最佳的 kernel 配置，保证在各种场景下都能发挥出最佳性能。

硬核技术解析：DeepGEMM的性能秘诀

DeepGEMM 在代码简洁的同时，性能却能比肩甚至超越一些专家调优的库，这背后离不开一系列硬核技术的加持：

精细粒度 Scaling (Fine-grained Scaling)： DeepGEMM 采用了 DeepSeek-V3 论文中提出的精细粒度 scaling 技术，更有效地利用 FP8 的动态范围，提升计算精度和性能

• CUDA-core 双层累加 (Two-level Accumulation)：为了解决 FP8 tensor core 累加精度不足的问题，DeepGEMM 巧妙地使用了 CUDA-core 双层累加技术，保证了计算结果的准确性

• Persistent Warp-specialization (持久 Warp 特化)：借鉴 CUTLASS 的设计思想，DeepGEMM 的 kernel 进行了 warp 特化，实现了数据移动、tensor-core MMA 指令和 CUDA-core promotion 的高效重叠，最大化利用硬件资源

• Tensor Memory Accelerator (TMA)： DeepGEMM 充分利用 Hopper 架构引入的 TMA 特性，加速 LHS、RHS 矩阵和 scaling factor 的加载，以及输出矩阵的存储，实现更快的数据访问速度

• 统一优化 Block Scheduler 和 Rasterization (栅格化)： DeepGEMM 采用统一的 block scheduler，并结合 Rasterization 技术，提升 L2 cache 的复用率，进一步优化性能

• FFMA SASS Interleaving： DeepGEMM 甚至深入到 SASS 汇编层面进行优化，通过调整 FFMA 指令的 interleaving 模式，提升 warp 级别的并行度，榨干硬件的每一丝潜力

DeepGEMM 虽然借鉴了 CUTLASS 和 CuTe 的一些概念，但它并没有过度依赖于复杂的模板或代数库，而是更加注重 简洁性 和 易用性。这使得 DeepGEMM 不仅是一个高性能的计算库，更是一个学习 Hopper FP8 矩阵乘法和优化的优秀资源