北京2025年11月10日 /美通社/ -- 近日，在2025人工智能計算大會上，浪潮信息公布，基于元腦SD200超節(jié)點AI服務(wù)器，DeepSeek R1大模型token生成速度僅需8.9毫秒，創(chuàng)造國內(nèi)大模型最快token生成速度。

元腦SD200創(chuàng)新設(shè)計滿足低延遲推理需求

智能體時代的標志性特征是多模型協(xié)同與實時決策，每個智能體具備感知-決策-執(zhí)行的閉環(huán)能力，涉及復(fù)雜的、多步驟的工作流，需要任務(wù)分解、自主決策以及持續(xù)的規(guī)劃和執(zhí)行。在智能體推理的過程中，即使是單個推理步驟中的延遲也會在多步驟任務(wù)中被指數(shù)級放大，導致用戶體驗遲滯。因此，token生成速度正成為影響用戶評價的一個關(guān)鍵指標。

元腦SD200超節(jié)點AI服務(wù)器基于高帶寬、低延時、原生內(nèi)存語義的開放總線協(xié)議，通過構(gòu)建高性能交換單元打造3D Mesh高性能互連超擴展系統(tǒng)，支持64張本土AI芯片高密度算力擴展，能夠很好地滿足DeepSeek等大模型的低延遲推理需求，加快token生成速度。

• 精簡互連協(xié)議：采用事務(wù)層-數(shù)據(jù)鏈路層-物理層三層精簡互連協(xié)議，事務(wù)層天然支持Load/Store內(nèi)存語義；數(shù)據(jù)鏈路層支持基于信用的流控機制和鏈路級錯誤重傳保障；物理層建立10-12低誤碼率的高可靠物理通道，報文有效數(shù)據(jù)利用率達成96%以上。

• 全局統(tǒng)一編址：為解決跨主機域通信難題，設(shè)計獨立于主機域的交換域全局地址空間，將多個獨立主機域下的GPU在交換域進行統(tǒng)一的顯存編址，為GPU互訪提供基礎(chǔ)保障。

• 全局地址映射與數(shù)據(jù)路由：創(chuàng)新研發(fā)影子設(shè)備技術(shù)，通過影子設(shè)備將遠端GPU映射到本地主機域，實現(xiàn)所有獨立主機對全局GPU的顯存訪問，通過端口高效轉(zhuǎn)發(fā)技術(shù)實現(xiàn)跨主機P2P訪問。

定制通信算法深度適配元腦SD200

除了硬件方面的創(chuàng)新，浪潮信息AI團隊也針對DeepSeek、Kimi等模型的計算特征和元腦SD200的硬件架構(gòu)特征，完成了通信庫、計算框架層面等多方面的優(yōu)化，充分發(fā)揮了元腦SD200的計算性能，最終實現(xiàn)了低延遲推理。同時，也支持預(yù)填充-解碼 (Prefill-Decode) 分離推理，在滿足客戶業(yè)務(wù)場景SLO需求的基礎(chǔ)上提供更高性能。

通信庫層面，針對Allreduce、Allgather、Alltoall等典型通信算子，浪潮信息制定了與元腦SD200深度適配的通信算法。例如，對于Allreduce，為了充分發(fā)揮元腦SD200的低延遲優(yōu)勢，專為Allreduce設(shè)計了分層算法策略：針對小數(shù)據(jù)量，采用全量收集，本地規(guī)約的低延遲定制One-Shot算法，旨在最小化GPU間的同步與通信開銷；針對大數(shù)據(jù)量，采用高吞吐的定制化環(huán)形算法，以徹底解決帶寬瓶頸并實現(xiàn)最優(yōu)帶寬利用率。而對于模型應(yīng)用中最常見的中等數(shù)據(jù)量，則采用兼顧延遲與帶寬的定制Two-Shot算法。浪潮信息更結(jié)合芯片緩存特性對此核心場景進行了深度優(yōu)化：對中小數(shù)據(jù)量啟用無緩存方案以追求極致延遲；對中大數(shù)據(jù)量則啟用緩存方案，從而最大化吞吐效率。

實測數(shù)據(jù)表明，在64 GPU集群上進行DeepSeek R1 671B模型的BF16推理時，針對Batch Size為1的decode階段（其Allreduce數(shù)據(jù)量約為14 KB），優(yōu)化后的算法將通信時延降低了5.8倍。此外，在16 KB至16 MB這一核心數(shù)據(jù)量區(qū)間內(nèi)，定制優(yōu)化算法的通信時延相較于未優(yōu)化前的實現(xiàn)降低了1.6至5.8倍；與傳統(tǒng)scale-out系統(tǒng)相比，時延降低幅度則進一步擴大至4.5至12.7倍。

全方位框架優(yōu)化保障計算低延遲

框架層面，浪潮信息AI團隊完成了并行方式、算子融合、多流水線等多方面優(yōu)化，來保證計算的低延遲。

首先，在并行方式上，選擇了整網(wǎng)的張量并行。在此并行模式下，通過模型均勻切分實現(xiàn)了設(shè)備間計算負載的完全均衡、各個計算板卡之間計算的完全并行和同步，消除了流水線氣泡與負載不均衡問題。同時，元腦SD200的高帶寬、低延遲確保了AllReduce、AllGather等通信算子性能的大幅提升，使得通信時間大幅下降，從而實現(xiàn)了超低延遲的推理性能。

其次，在算子上，實現(xiàn)了極致的算子融合等優(yōu)化。GPU的計算速度遠遠超過了內(nèi)存帶寬的訪問速度，從內(nèi)存中讀寫數(shù)據(jù)的時間成本，大部分時候比實際進行計算的時間成本還要高。算子融合可以通過減少不必要的內(nèi)存讀寫和計算開銷，來顯著提升推理速度、降低延遲并減少內(nèi)存占用，所以基于SGlang框架的已有實現(xiàn)，進行了多個算子的融合。

• 對MLA模塊中attn_mla計算前的算子進行融合，該融合算子以Query和Key向量進行RMSnorm計算后的輸出為輸入，以attn_mla計算的輸入q_input、k_input、v_input等為輸出，包含bmm計算、rotary_emb計算以及向量拆分轉(zhuǎn)置等計算；

• RMSNorm和add計算融合；

• 實現(xiàn)int8精度的量化和RMSNorm、silu等激活函數(shù)的融合；

• 將路由專家分組選擇中多個算子的融合為一個算子。

最后，也進行了多stream的優(yōu)化。多個算子計算時，默認在單stream模式下，所有操作都排成一條隊，一個接一個地執(zhí)行。當算子本身的計算量不是很大時，會導致GPU的部分硬件單元在計算時處于空閑狀態(tài)，也就浪費了計算資源。多stream優(yōu)化就是為了讓這些硬件單元"同時忙起來"，對于相互之間沒有依賴關(guān)系的操作，可以放到不同的stream中并行執(zhí)行，提高硬件的利用效率，同時減小整體的計算時間。在多stream并行優(yōu)化方面，浪潮信息實現(xiàn)了MLA層的多個layernorm計算的并行，并實現(xiàn)了MoE階段和共享專家計算和路由專家分組選擇的并行等，實現(xiàn)了約10%的性能提升。

預(yù)填充-解碼分離軟件提高整體計算性能

此外，浪潮信息開發(fā)了預(yù)填充-解碼 (Prefill-Decode) 分離軟件，針對預(yù)填充與解碼不同的計算特性，使用不同的并行計算策略、硬件配置等，提高系統(tǒng)整體的計算性能。同時在業(yè)務(wù)部署中，支持節(jié)點服務(wù)的動態(tài)擴展；支持利用負載均衡和鍵值緩存(KV cache)命中率進行任務(wù)分配，把任務(wù)下發(fā)到鍵值緩存匹配度相對較高、任務(wù)負載相對較小的節(jié)點，減少重復(fù)計算，同時最大化計算資源利用率。另外，PD分離軟件還實現(xiàn)了鍵值緩存offload技術(shù)，可把鍵值緩存到CPU端內(nèi)存與分布式存儲系統(tǒng)上，增大緩存空間。

元腦SD200超節(jié)點AI服務(wù)器通過高帶寬和超低延遲通信、超大顯存池、智能路由優(yōu)化、PD分離推理等創(chuàng)新技術(shù)，大幅提升了DeepSeek、Kimi等大模型的推理輸出速度。元腦SD200搭載64張本土AI芯片運行DeepSeek R1大模型，當輸入長度為4096、輸出長度為1024時，單用戶token生成達到112 tokens/s，每token生成時間僅為8.9ms，率先實現(xiàn)國內(nèi)AI服務(wù)器token生成速度低于10ms，將推動萬億參數(shù)大模型在金融、科研、智能制造等領(lǐng)域快速落地。