原创 含萧 2025-02-27 18:42 四川
今天是 DeepSeek 开源第四天，我已经感觉像是陪着那帮搞 AI 的朋友，连轴跑了四场技术马拉松，还是冲刺跑的那种。
我那几个在大厂里搞 AI 的朋友，消息永远是‘在忙’、‘稍等’，好不容易逮着一个问两句，那边回过来的都是‘老板又催了’’、‘大老板临时把汇报会改成了 ds 专题讨论’、‘又要重新评估方案了’……deepseek 把显卡榨干的同时，顺带着把他们也榨干了。
什么“中国团队突破算力封锁”的口号啊，看“deepseek 冲击英伟达”的热闹，只看 star 星标的速度，分钟级速度刷新，就知道其实真正在暴风眼里的是那些搞模型训练的人。不光是国内的大模型团队，包括 openAI、Claude，都被迫体验了这把柴烧起来的滋味儿。
我也陪着这帮朋友跑，所以按照惯例，和大家聊聊今天的主角，分别是
DualPipe 和 Expert Parallelism Load Balancer (后面简称 EPLB)。
DualPipe：一个双向流水线并行算法。
DualPipe 开源地址：
EPLB：一种用于 MoE 的负载均衡算法。
EPLB 开源地址：
看这项目的名字，浓浓的技术味，我没法评，就问下你们还有谁记得前三天的项目名字？你们脑子里都记住了啥东西。
老规矩，咱们先铺个背景。
都知道，大模型得靠并行撑着。
想象一条流水线：每个工位负责一个活儿，比如这边装引擎，那边安轮子，车子顺着流水线一步步成型，总比一个人从头造到尾快多了。
AI 训练里，管道并行也是这个道理，把模型分成几块，每块扔给一个 GPU，大家同时处理不同的数据，效率蹭蹭往上涨。
但问题来了，传统管道并行有个毛病：GPU 之间得来回传数据，有时候就像接力赛跑，交棒的时候没对上，前面的人跑完了后面的人还没动。这就造成了 管道气泡——GPU 闲着没事干，白白浪费时间。
所以，今天这俩工具，是通过并行，给大模型训练和推理提速。
DualPipe：AI 训练的加速神器
这时候 DualPipe 登场了。它是个双向管道并行算法，意思是数据能双向流动——既能往前跑（处理输入），也能往后跑（反馈更新）。
这里有一个专业名字，叫计算-通信高效重叠，同时优化正向和反向传播阶段的计算与通信流程，两者重叠，这让 GPU 可以同时干两件事（计算和通信），几乎不闲着，气泡时间大幅减少。在 DeepSeek-V3 的技术报告里说明，这招能大大提升训练效率。
贴一张全面的对比图——
1F1B（one-forward-one-backward）：一种传统流水线并行策略，交替执行前向和后向传播计算，效率最低。
ZB1P（Zero-Bubble Pipeline）：也是一种消除流水线空闲时间（气泡）的并行策略，改进了 1F1B。
DualPipe：就是 ds 这次创新性的流水线并行算法。
白色表示流水线气泡 Bubble，DualPipe 明显更少。
来看个对比表，直观感受一下 DualPipe 的厉害：
（注：? 是前向计算时间，? 是反向计算时间，? 是权重反向时间，?&? 是重叠的前向和反向时间。）
DualPipe 把气泡时间砍了不少，但是代价是内存加倍。
因为实现双向并行，要维护两份模型参数。（两套生产设备）
本质是用空间换取时间。虽然参数用量翻倍，但在 AI 训练里，为了速度多花点力气绝对值得。
项目里还注明了是梁文峰亲自参与了 DualPipe。
EPLB：GPU 的任务调度大师
接下来是 专家并行负载均衡器（EPLB），关于专家并行（EP）的科普，在第二天的文章DeepSeek开源第二天：拉爆MoE训练和推理有介绍。
在用 混合专家（MoE）结构里面，模型里有很多“专家”，每个专家擅长不同的活儿。当然这些专家被分到不同 GPU 上。
有的专家忙得要死，有的却闲得发慌。EPLB 就是来解决这问题的。
它会把忙碌的专家复制一份，分到其他 GPU 上，让工作量平均摊开。就像交通管理员，看到哪条道堵了就多开几条，确保车流顺畅。这样一来，每个 GPU 都能干活，既不累死也不闲死，系统效率拉满。
EPLB 有两种玩法：
层级负载均衡：当服务器节点数能整齐划分专家组时用这招。先把专家组在节点间平衡好，再在每个节点里复制专家，最后分配到具体 GPU 上。这样能少折腾点跨节点的数据传输，速度更快。
全局负载均衡：其他情况下就直接全局复制专家，分到各个 GPU 上，不分组。这招在大规模推理的解码阶段特别好使。
举个例子，想象你在管一个厨房，有的厨师忙得锅都端不过来，有的却站着发呆。EPLB 就像请了几个帮手，把活儿重新分一分，大家节奏一致，菜出得又快又好。
这样能把专家任务均匀分到 GPU 上，谁也别想偷懒。
最后聊聊 DeepSeek Infra 。
这次顺便带了一个用于性能分析的库,它让我们能一窥 DualPipe 和 EPLB 在实战中的表现。
DeepSeek 用 PyTorch Profiler 记录了训练和推理的性能数据，还大方地分享了出来。
你可以下载这些数据，在浏览器里（输入 chrome://tracing 或 edge://tracing）可视化查看。
数据覆盖了三块：
训练：展示了 DualPipe 怎么在训练中叠加计算和通信。每个块有四个 MoE 层，跟 DeepSeek-V3 的预训练配置差不多，效率拉满。
预填充：这是推理阶段处理初始输入的部分，用了 EP32 和 TP1 配置，两个微批次叠加计算和通信，工作量分配得刚刚好。
解码：生成输出时用的是 EP128 和 TP1，通信通过 RDMA 异步处理，GPU 能专心算东西。
这些数据就像 AI 后台实况，让你清晰地看到每个动作是怎么完成的。
就酱，完毕。
最后分享一句话——
"The whale shares its ocean bounty, guiding all fish in its wake."
