微信｜ddl941110
10 月 20 日，DeepSeek 开源了内部推理框架 DeepInfer。
DeepInfer 是干什么的？简单来说，它是一套让大模型跑得更快、更省钱的软件。大量用户同时向 AI 提问时，它负责安排计算任务，协调多张显卡一起工作，尽量减少机器空转和重复计算，让同样一批机器能服务更多人，用户也能更快得到回答。
这套框架已经在支撑 DeepSeek V4.1 Flash 的大规模服务。
DeepSeek V4.1 Flash 每回答一次问题，都要消耗算力。机器用得越充分，处理一次请求的成本就越低，也就有了更大的降价空间。这也就是为什么 DeepSeek 一直能提供低价 API 的原因之一。
就像很多公司下载了开源模型，但未必能做到同样的运行效率。
这次开源 DeepInfer，可以说 DeepSeek 把一部分支撑低成本服务的工程实现也交了出来。
不光如此， DeepSeek 还分享了一份以 DeepInfer 为核心，DeepSeek 怎样部署和运行 V4.1 Flash 的大规模推理服务。
1
DeepInfer 是如何运转的
DeepInfer 的优化，深入到了模型运行的每一步。
模型生成内容时，显卡负责计算，CPU 负责安排任务和处理结果。如果这些工作依次进行，就会造成显卡等CPU，等待期间，显卡发呆，算力却没有充分用起来。
DeepInfer 采用异步调度，让两边同时工作。显卡计算当前这批任务时，CPU 提前安排下一批，尽量减少交接时的空等。这类优化省下的时间很短，但模型生成一次长回答，要反复执行很多步，积累起来就会影响效率。
生成内容的方式，也有优化空间。
通常，大模型需要逐步生成 token。DeepInfer 使用的 DSpark 推测解码，会先起草几个候选 token，再交给主模型批量验证，通过的部分就能一起接受，减少逐步生成的开销。
DeepInfer 还会判断，这些候选内容值不值得全部验证。把算力花在很可能被拒绝的候选上，同样是一种浪费。因此，它会根据候选 token 的预计接受率，动态调整验证长度。报告显示，在 DeepSeek 的线上部署场景中，相比每次固定验证 5 个 token，这项改动提高了约 6％ 的吞吐。
另一项更直接的节省，发生在处理输入的阶段。
模型处理长文本时，会产生一些供后续计算使用的中间状态。其中一类叫滑动窗口缓存，如果需要恢复，精确重算的代价可能很高。DeepInfer 使用 SWA Bounded Replay，通过重算最近一小段内容来恢复近似状态。报告介绍的做法，只需回放最近 128 个 token。
这项机制也用于 V4.1 的解码部分，为开始生成回答准备所需状态。配合模型本身的架构，报告称它让输入处理阶段的总计算量近乎减半。省下的是这一阶段的计算，对于需要处理大量长文本的业务，很有帮助。
让显卡算得更快，只是大规模服务的一部分。大量请求同时涌进来，还得分配好任务，减少排队，也尽量避免把相同的内容反复计算。
围绕 DeepInfer，DeepSeek 把处理输入和生成回答的机器分开部署，根据各自的负载调整资源。同时，系统把已经算过的中间结果存下来，后续请求遇到相同的上下文，就能复用一部分计算。显卡内部省下来的时间，要靠这些配套工作，才能变成整个集群的效率。
按照部署报告披露的数据，V4.1 Flash 单一集群每天的服务吞吐达到 155 万亿 token，平均约 0.4 秒开始返回结果，生成速度达到每秒 230 token。
这些数字来自 V4.1 Flash 的整套线上服务，是模型、硬件和软件共同配合的结果。
这也让 DeepInfer 的开源价值变得更清楚。其他公司拿到模型后，可以进一步研究 DeepSeek 怎样调度任务、减少重复计算，把已经用于生产服务的实现用到自己的部署中。许多原本要自己摸索、测试的工程问题，如今有了可以参考和修改的代码。
1
重新定义开源：把家底都开了才行
DeepInfer 的开源延续了 DeepSeek 一贯的做法。它公开的东西，已经从模型本身，逐渐深入到模型背后的工程系统。
最为人熟悉的是 V3 和 R1。模型权重开放后，开发者可以把模型部署到自己的服务器上，再按业务需要调整。
模型运行时，大量时间花在一些反复执行的基础计算上。DeepSeek 开放的 DeepGEMM 和 FlashMLA 就在优化这些地方：前者是高性能矩阵计算，后者主要处理注意力计算。
机器多起来以后，数据传输也会拖慢计算。DeepEP 优化了混合专家模型在多张卡之间交换数据的过程；训练环节的 DualPipe，则让计算和通信尽量同时进行，减少流水线上的等待。
连存储系统，DeepSeek 也拿了出来。开源的 3FS 把多台机器上的存储资源组织起来，为训练和推理提供高速读写。前面提到的缓存复用，就需要这类基础设施支撑。
到了这次，DeepInfer 把一部分已经开放的底层能力组织进推理引擎。同步发布的 deepseek-recipe，则负责把不同格式的 API 请求转换成模型能处理的输入，再把模型输出转换回相应的响应格式。这些细节做好了，其他团队搭建服务时就能少处理一些接口兼容问题。
开发者不但可以拿到模型，还能看到它怎样计算、怎样在多张卡之间传递数据，以及怎样把结果存下来继续使用。
一家模型公司的低成本，本来可以是只属于自己的优势。
同样的模型，自己运行得更便宜，就有更大的定价空间。同行即便拿到了权重，也得重新投入工程师和机器，摸索怎样把服务做好。
DeepSeek 却把其中一部分公开了。拿到代码的人，可能是做研究的学生，可能是为客户部署模型的公司，也可能就是它的竞争对手。
这就让开放更有分量。
DeepSeek 自己受益于这种协作。DeepInfer 的官方仓库写明，它早期主要基于 vLLM 构建，也借鉴了 SGLang 和 TensorRT-LLM。社区已有的工作帮它往前走了一程。
而这一次它把开源这事又往前推了一步。在开源的公告里，DeepSeek也透露了这个框架能有多赚钱：DeepSeek提到，基于这一推理框架实现 DeepSeek V4.1 Flash 的高吞吐、低延迟大规模服务，做到了单一集群吞吐155万亿Tokens/天，整体收入相当于每卡每小时38美元。
对 DeepSeek 自己来说，今天积累的工程优势，可以拿来保住一段时间的利润，但它看起来对此不感兴趣。它选择把“斩杀线”的秘方公开出去，这样的开源能让整个行业在更高的起点上继续竞争。
让更多的斩杀线出现，让AI的成本下降来的更猛烈些吧。
10 月 21 日—25 日，ACC 2026 AI 创造者嘉年华将在北京海淀公园举行。这是一场属于 AI 创业者、开发者、AIGC 创作者和社区伙伴的线下共创活动，五大部落、黑客松、Demo 展示、创作者交流，还有更多好玩的玩法等你来解锁！欢迎点击下方小程序报名！