元脑R1服务器：推动DeepSeek大模型的高效应用

DeepSeek R1参数量达到6710亿，采用了MLA注意力机制和共享专家、路由专家共同组成的混合专家(MoE)架构，其创新的模型架构也带来了在推理服务上的性能挑战。浪潮信息团队从AI服务器和推理框架入手开展了协同优化工作。
元脑R1推理服务器NF5688G7原生搭载FP8计算引擎，针对DeepSeek R1 671B模型部署速度快且无精度损失，1128GB HBM3e高速显存满足671B模型 FP8精度下不低于800GB显存容量的需求，单机支持全量模型推理情况下，仍保留充足的KV缓存空间。显存带宽高达4.8TB/s，完美契合DeepSeek R1模型"短输入长输出、显存带宽敏感"的技术特征，在推理解码阶段可实现极致加速。在通信方面，GPU P2P带宽达900GB/s，保障单机部署张量并行最佳通讯性能。
SGLang是新兴的开源推理框架项目，其得到活跃的社区支持，并在工业界获得了广泛应用。SGlang的核心特性包括：快速的后端运行时、灵活的前端语言、广泛的模型支持等。尤其值得关注的是，SGLang针对MLA注意力机制开展了针对性的工程优化，并在框架上对MoE架构的推理做了优化设计。SGLang也是最早适配DeepSeek v3和R1的优选推理框架之一。
目前，元脑R1推理服务器 NF5688G7已完成SGLang最新版本 0.4.3的适配优化工作。通过硬件调优、算子优化、混合并行、多token预测等多方面的工程实践，在元脑R1推理服务器 NF5688G7上运行DeepSeek 671B R1模型，成功实现了单用户解码最高33 tokens/s及最大用户并发超1000的优异性能表现。

单路并发性能测试日志，根据TPOT换算用户解码性能为33.3 tokens/s

DeepSeek R1 671B是一个稀疏度较高的MoE架构模型，具有模型参数量大、计算量小的特点。和Dense模型相比，在满足KV cache的显存占用的前提下，可以支持更高的并发访问需求。实测数据表明，基于单台NF5688G7，在使用DeepSeek R1进行带思维链深度思考的短输入长输出的问答场景下，使用100/1000作为输入输出长度，实测在单个用户并发时的解码性能为33.3tokens/s；在16个用户并发时，每个用户有约20 tokens/s的解码性能；在64个用户并发时，每个用户有约10.4 tokens/s的解码性能。而在使用1024个用户并发访问的极限测试时，单台NF5688G7实现了3975.76 tokens/s的吞吐性能，可以满足超高并发场景下多用户使用需求。

1024路并发性能测试日志，测试使用了1000/1000的输入输出长度，实现了3975.76 tokens/s的总设备吞吐
浪潮信息团队正与业内团队密切合作，在计算架构、算子调优、并行策略、框架适配、调度管理等多个方面持续发力，旨在为用户带来高性能、高效稳定、性价比高的DeepSeek大模型部署服务方案，助力大模型快速落地应用。
浪潮信息团队与行业内的合作伙伴紧密协作，持续在计算架构、算子优化、并行策略及框架适配等多个领域进行创新，旨在为用户提供高效、稳定且具性价比的 DeepSeek 大模型部署服务。作为全球领先的 IT 基础设施产品和服务提供商，浪潮信息致力于通过元脑服务器推动人工智能的快速发展与应用落地，构建开放、绿色的智能计算生态。