摘要：昇思已支持在昇腾集群上训练和推理DeepSeek-V3 671B

近日，基于昇腾AI硬件与昇思MindSpore AI框架版本的DeepSeek-V3完成开发支持并上线昇思开源社区，面向开发者提供开箱即用的预训练和推理能力，并已成功在大规模集群上预训练和部署。

应用昇思MindSpore大模型使能套件，依托昇思多维混合分布式能力、自动并行、Dryrun集群内存仿真等技术，天级快速适配DeepSeek V3新增模型结构和分布式并行训练能力。同时，昇思MindSpore通过深度优化MLA、DeepSeekMoE等网络结构的推理，实现了高效的推理部署性能。

当前，通过获取昇思MindSpore版DeepSeek V3开源镜像，开发者可直接进行DeepSeek-V3的预训练和推理部署。

开源链接

昇思MindSpore开源社区训练代码：

https://gitee.com/mindspore/mindformers/tree/dev/research/deepseek3

魔乐社区推理代码：

https://modelers.cn/models/MindSpore-Lab/DeepSeek-V3

链接中提供了完整的手把手教程，助力开发者开箱即用。

1. MindSpore支持DeepSeek V3增量模块的快速开发

在MTP模块中，MindSpore对MTP入口处的激活融合结构配置了序列并行，从而消除不必要的通讯重排。此外，MindSpore的MoE模块中已支持全局的Expert负载统计, 通过新增更新专家偏置的逻辑，实现AuxFree Balance机制。MindSpore在Router score后的激活函数部分也新增了可配置项，供开发者灵活选择。

2. MindSpore对于DeepSeek V3推理网络的实现和优化

MindSpore针对DeepSeek V3的网络结构特点，实现和优化了更高效的推理网络，最大化地压缩算子下发耗时和提升网络推理性能。

● MLA：将超 10 个小算子融合成单个算子，再与已有算子组合实现 MLA 模块功能。通过设计 Key-Value 张量存储复用机制，减少存储占用。

图1 MLA推理网络实现原理

● DeepSeekMoE：MindSpore优化精简了MoE的推理代码实现，并新增实现多个融合大算子，用于组合实现DeepSeek-V3的MoE单元，降低了单个MoE单元的推理时延。

图2 DeepSeekMoE推理网络实现原理

● 图编译：MindSpore推理使用了图编译进行加速，通过在整图范围内进行Pattern匹配，无需修改模型脚本，即可实现整图的通用融合。

图3 图编译原理

3. MindSpore框架特性助力DeepSeek V3训练性能提升

DeepSeek V3的适配过程中，通过MindSpore的MoE模块优化、Dryrun仿真等技术，在优化MoE的训练流程的同时，还实现了更高效的多维混合并行。

● MoE模块优化：在MoE模块中可支持多种主流结构可配置，如共享专家、路由专家个数、激活函数等，并支持多种并行模式和并行优化，极大地提升了模型的灵活性。

● Dryrun集群内存仿真与自动负载均衡：Dryrun工具可根据训练任务模拟出集群中每卡的内存占用情况，为训练的分布式并行策略调优提供快捷反馈。自动负载均衡工具SAPP通过精确建模内存和计算负载，实现分钟级开销内自动获得最优流水线配置。

下一步，昇思MindSpore开源社区将上线DeepSeek V3微调样例与R1版本镜像，为开发者提供开箱即用的模型。未来，昇思开源社区将依托丰富的技术能力，持续优化DeepSeek V3系列模型的性能，加速模型从训练到生产部署端到端的创新效率，为开源开发者进行大模型创新提供高效易用的基础软件与技术生态，促进千行万业智能化转型升级。