1. 背景 2. INT8量化推理实践 2.1 量化的基本原理 2.2 DeepSeek R1的量化简介 2.3 量化方法设计 2.4 量化模型评估 2.5 量化模型部署
3. 总结与展望
DeepSeek R1横空出世后，吸引了众多公司和个人用户尝试其满血版本部署。然而原生版本的模型权重为FP8数据格式，对GPU芯片类型有严格限制，仅能被英伟达新型GPU支持（如Ada、Hopper架构芯片），其他型号GPU（如A100）无法直接部署。尽管我们可以将FP8权重反量化为BF16权重后，在A100等GPU上进行推理，但是这对显存的要求提升了一倍，推理吞吐也会下降。 为了解决这些难题，美团搜索和推荐平台部对DeepSeek R1模型进行了INT8精度量化尝试，发现使用INT8量化后模型精度基本无损。基于INT8量化，DeepSeek R1模型解锁了芯片限制，可以部署到A100等其他型号GPU；并且相比BF16实现了50%的吞吐提升，进一步降低了推理成本。量化代码已经发布在了开源LLM推理框架SGLang上，量化模型已经发布到了Hugging Face社区，方便用户使用。 本文将分享基于SGLang框架的DeepSeek R1模型INT8量化推理实践经验，欢迎大家多多交流，相互学习，共同成长。2. INT8量化推理实践| 2.1 量化的基本原理模型量化是将模型的权重和激活值等数据从高精度（如BF16）转化为低精度（如INT8），并尽可能保证转化前后模型效果一致的过程。以常见的INT8对称量化为例，量化过程如下所示： 2.在适当位置做量化（Quant）和反量化（Dequant） 反量化公式： 3.FP16计算可以转为INT8计算 | 2.2 DeepSeek R1的量化简介根据DeepSeek最新发布的技术报告，V3/R1突破性的训练成本控制主要依托FP8精度训练方案。FP8是一种典型的模型量化技术，相较于业界常用的BF16精度，FP8精度通过将数据位宽减半显著降低了单次计算开销，但也会带来一定的精度损失。在实践中，DeepSeek R1采用了混合精度训练机制有效缓解了精度损失问题。 由于DeepSeek R1采用FP8精度训练，所以开源的原生权重就是FP8精度。在推理时，为了尽可能地降低模型精度损失，同时保持和FP8类似的推理吞吐，我们自然想到使用和FP8精度等位宽的INT8精度进行平替。同时，INT8精度被广泛硬件原生支持，基于INT8精度可以极大拓展DeepSeek模型的硬件部署范围。因此，我们开始探索INT8量化在DeepSeek R1上的可行性。 | 2.3 量化方法设计我们在综合考虑量化后模型的精度和推理性能后，选择了分块量化（Block-wise Quantization）和通道量化（Channel-wise Quantization）两种方案。 分块量化：分块量化是DeepSeek V3/R1降低量化损失的关键技术之一。分块量化通过对权重矩阵的细粒度切分，将量化操作的范围控制在[128, 128]的矩阵内，减少了分布分散的出现概率，从而很好地控制了每次量化过程中的损失。为了尽可能地减少量化后模型的精度损失，我们延续了DeepSeek训练的量化策略，同样在[128, 128]的矩阵内对权重进行分块量化操作，保证训练和推理的一致性。但是需要注意的是，由于分块量化的不同块之间的量化缩放因子不同，因此需要在INT8的矩阵乘法过程中进行多次反量化操作，而反量化操作是在计算吞吐较低的CUDA Core上进行的，这在一定程度上会降低矩阵乘法的效率。在实践中，由于DeepSeek官方并没有提供半精度浮点型（BF16）的权重，因此首先需要将原生的FP8模型权重反量化成BF16，再分块量化成INT8精度。为了匹配权重的分块量化，激活值采用在线逐token-group的量化方式，即每个token的嵌入向量分为多个组，逐组进行量化。分块量化的激活值和权重的乘法过程如下左图所示。 通道量化：除了上述的分块量化外，我们还探索了更高效的通道量化，即权重的每列为一组进行量化。通道量化在执行完INT8的矩阵乘法后，只需进行一次反量化计算，计算开销相比分块量化更低。但是由于通道量化在量化一列元素时，更容易遇到离群值（Outlier），因此相比分块量化会有更多的精度损失。在具体实践中，同样地先将原生FP8的模型权重反量化成BF16，之后逐通道量化成INT8类型。同时，对激活值采用在线逐token量化，最大程度地减少activation的量化损失。通道量化的激活值和权重的乘法过程如下右图所示： 目前，两种INT8量化权重均已开源到Hugging Face。| 2.4 量化模型评估2.4.1 精度我们分别应用上述两种量化方法，对开源的DeepSeek R1模型进行了INT8量化处理，并在GSM8K和MMLU两个数据集上对量化后的模型进行了精度评估。评估结果如下表所示，相比基线的BF16和FP8模型，两种INT8量化模型的精度基本无损。  注：表中的精度结果是多次测试的均值。2.4.2 推理吞吐我们在知名开源推理框架SGLang上，对上述两种INT8量化方法进行了推理支持（分块量化、通道量化）。SGLang是当前SOTA的开源LLM推理框架，在DeepSeek系列模型上有着最优的推理性能，被业界广泛使用。 以BF16模型为Baseline，我们在A100-80G GPU上对两种INT8模型进行了推理吞吐评估。得益于更低的显存要求，INT8量化模型仅需要16张A100 GPU即可推理，但是BF16模型需要32张A100 GPU。为了比较的公平性，我们统一在32张A100 GPU上进行吞吐测试。结果如下表所示，分块量化的INT8推理相比BF16可以提升33%的吞吐；通道量化的INT8推理得益于更低的反量化开销，可以进一步达到50%的吞吐提升。 | 2.5 量化模型部署以双节点各8张A100 GPU为例，开发者需要在双部署节点安装最新版本的SGLang，然后分别执行下面命令： #分块量化INT8推理
#主节点
python3-msglang.launch_server\
--modelmeituan/DeepSeek-R1-Block-INT8--tp16--dist-init-addr\
HEAD_IP:5000--nnodes2--node-rank0--trust-remote--enable-torch-compile--torch-compile-max-bs8
#副节点
python3-msglang.launch_server\
--modelmeituan/DeepSeek-R1-Block-INT8--tp16--dist-init-addr\
HEAD_IP:5000--nnodes2--node-rank1--trust-remote--enable-torch-compile--torch-compile-max-bs8
#通道量化INT8推理
#主节点
python3-msglang.launch_server\
--modelmeituan/DeepSeek-R1-Channel-INT8--tp16--dist-init-addr\
HEAD_IP:5000--nnodes2--node-rank0--trust-remote--enable-torch-compile--torch-compile-max-bs8\
--quantizationw8a8_int8
#副节点
python3-msglang.launch_server\
--modelmeituan/DeepSeek-R1-Channel-INT8--tp16--dist-init-addr\
HEAD_IP:5000--nnodes2--node-rank1--trust-remote--enable-torch-compile--torch-compile-max-bs8\
--quantizationw8a8_int8 下面是一些有趣的Case： 深度思考能力展示 这里以curl为例发送一条请求： curl-XPOST'http://HEAD_IP:5000/v1/chat/completions'\
--header'Content-Type:application/json'\
-d'{
"model":"deepseek-r1",
"messages":[{"role":"user",
"content":"下列选项中，找出与众不同的一个：1.铝 2.锡 3.钢 4.铁 5.铜"}]
}' 在INT8 R1的回答中，能看到其风格独特的反思： 不过，我需要确认这一点是否正确。比如，有没有可能其他选项中也有合金？比如，锡有时候会和其他金属混合使用，但锡本身是纯金属。同样，铝、铁、铜都是纯金属。所以钢作为合金，应该是一个关键的不同点。另外，可以考虑其他属性，比如它们的用途、物理性质或化学性质。例如，导电性：银是最好的导体，但这里没有银，而铜的导电性也很好，铝也不错，铁和钢的导电性相对差一些。但这样分类的话，可能难以确定哪一个不同。......不过回到最初的分类，钢是唯一的合金，而其他都是纯金属，这一点可能更为基础。因此答案应该是3.钢。不过需要再验证一下这个结论是否正确。 最终答案也是正确的： 模拟海量小球运动 参考其他LLM测试的Prompts作为输入，我们对比了INT8（下图左）和FP8（下图右）输出代码的运行效果，INT8完全不逊于FP8。 writeascriptfor100bouncingballswithinasphere,makesuretohandlecollisiondetectionproperly.makethesphereslowlyrotate.makesureballsstayswithinthesphere.implementitinp5.js 3. 总结与展望综上，我们在DeepSeek R1上进行了INT8量化技术的探索，并基于SGLang框架进行了推理能力的支持，在保证量化后模型精度的前提下，让DeepSeek R1可以在如A100等老型号GPU上进行部署，并且提升了推理吞吐。我们希望开源的代码和权重可以让更多用户和业务方受益，也欢迎大家积极交流相关技术，共同建设、回馈开源社区。 | 
