DeepSeek进一步开放大模型推理基础设施。
继开源大模型、TileLang编译工具及一系列推理算子库后，DeepSeek宣布全面开源内部推理框架DeepInfer，并同步开源Token编解码组件deepseek-recipe，旨在帮助开发者和企业优化大规模模型部署，降低AI服务的算力成本与能源消耗。
DeepSeek介绍，基于DeepInfer，团队已实现DeepSeek V4.1 Flash的高吞吐、低延迟大规模推理服务。目前，单一集群的服务吞吐量达到每天155万亿Token，按谷电价计算，每卡每小时收入为38美元。
推理框架是连接大模型能力与终端用户的关键基础设施。随着AI应用调用量增长，推理服务的成本不仅取决于模型本身，还受到计算、通信、任务调度及缓存管理等环节的影响。如何在满足延迟要求的同时提高有效吞吐，已成为大规模AI服务降本增效的重要环节。
01
兼容英伟达与华为昇腾，针对不同推理阶段优化算力配置
DeepInfer集成高性能算子与深度优化的推理引擎，支持分布式推理、推测解码、SWA Bounded Replay及结构化输出等能力，可在英伟达与华为昇腾平台运行。未来，DeepSeek新模型的推理代码及后续性能优化也将在该框架中持续开源。
面对大规模AI调用需求，DeepSeek将推理系统的优化重点放在吞吐量与延迟上。系统采用Prefill与Decode分离部署：前者负责处理输入提示词，后者负责逐步生成Token。由于两个阶段的计算负载不同，分开部署可以独立配置资源，分别优化首 个Token生成时间和后续Token生成间隔。
在硬件组织上，DeepSeek使用常见的8卡机器承担Prefill任务，并采用64至128卡超节点承担Decode任务。同时，系统通过自动扩缩容动态调整两个阶段的实例比例，减少流量变化导致的资源错配；在MoE模型推理中，则通过专家并行与动态负载均衡，降低不同计算卡之间的负载差异。
02
KVCache最长保留7天，减少重复计算开销
缓存复用是DeepSeek降低推理成本的另一项关键设计。随着长上下文对话和AI Agent应用增多，相同前缀可能在不同请求中反复出现。如果每次都重新处理这些内容，就会产生额外的计算开销。
DeepSeek V4.1 Flash将KVCache分为Block KVCache和SWA KVCache两部分，采用不同的存储策略。其中，Block KVCache存储在独立的3FS分布式文件系统中，相关存储容量约为100 PiB。根据DeepSeek披露的数据，Agent流量的KVCache保留时间达到3天，聊天机器人流量则达到7天。
当后续请求命中已有缓存时，系统可以复用此前的计算结果，减少重复的Prefill计算。DeepSeek披露，3FS存储集群的峰值聚合读取带宽达到10 TiB/s，峰值聚合写入带宽约为850 GiB/s，以满足大规模缓存读写需求。
对于主要在活跃会话内短期复用的SWA KVCache，DeepSeek则选择保留在机器内存中，不进行持久化存储。线上数据显示，这部分缓存的保留时间约为180秒，命中率超过98%。
针对SWA KVCache未命中的情况，DeepSeek采用SWA Bounded Replay机制，仅重算最近128个Token，并将注意力窗口限制在重算区间内，以降低缓存缺失带来的额外计算成本。
03
投机解码提升吞吐，编解码组件同步开源
除缓存复用外，DeepSeek还通过投机解码和异步调度提高推理效率。
DeepSeek采用DSpark投机解码框架，根据候选Token的预期接受概率动态决定验证范围，避免将验证算力浪费在低接受概率的候选结果上。DeepSeek披露，在线部署中，与固定验证5个Token的方式相比，变长验证使吞吐提升6%。
在调度环节，系统通过CPU与GPU之间的异步协作，让请求调度、前向计算和采样等操作尽可能重叠，减少设备等待时间。此外，DeepInfer支持结构化输出，可依据JSON Schema、正则表达式等约束控制模型生成结果，满足特定应用对输出格式的要求。
DeepSeek还同步开源生产级Token编解码组件deepseek-recipe。该组件支持Chat Completions API、Responses API和Messages API等主流接口，并通过特殊Token边界识别、普通文本分段并行编码及流式输出解析等机制，提升长文本处理效率，确保第三方部署的API处理逻辑与官方服务保持一致。
不过，DeepSeek并未开放推理系统的全部组件。由于KVCache管理和负载均衡部分与内部基础设施耦合较深，相关代码目前尚未完整开源。
从模型、算子库到大规模推理框架，DeepSeek此次进一步扩展了开源技术栈的覆盖范围。对于开发者和企业而言，这有望降低构建私有化及公有云AI服务的技术门槛；对于大模型行业而言，如何提高推理吞吐、复用计算结果并适配不同硬件平台，也正成为控制AI服务成本的重要方向。
