【AI大模型】DeepSeek致谢腾讯大模型网络提速技术方案贡献

前言

最近，DeepSeek工程师在GitHub上高亮了来自腾讯的代码贡献，并用 “huge speedup” 介绍了这次性能提升。

什么样的优化技术让顶尖AI团队如此兴奋？

简单来说，是腾讯多年来调教数据中心和GPU通信沉淀下来的TRMT 技术，帮助DeepSeek开源的网络通信神器DeepEP性能再上一个台阶。

这项合作的起点要追溯到今年2月——DeepSeek开源了包括DeepEP在内的五大代码库，揭秘了他们如何用1/5硬件资源实现传统万卡集群效能的核心技术。

其中，DeepEP作为突破NCCL性能瓶颈的通信框架，通过300%的通信效率提升，成功让众多MoE架构的大模型摆脱了对英伟达NCCL的依赖。

但这项技术存在“富贵病”：在成本较高的InfiniBand（IB）专用网络中如鱼得水，却难以适配更普适的RoCE网络环境。就像超级跑车只能在专业赛道驰骋，开上普通公路就性能缩水，这让大多数使用普通网络的企业机构面对DeepEP往往看得着、用不上。

DeepEP的Github主页上，也出现了关于RoCE网络环境中性能表现不佳的讨论，相关问题一直没有找到理想的解法。

但腾讯在RoCE网络领域可是老司机，多年来在数据中心沉淀了丰富的经验，在DeepEP开源后立即展开验证，迅速锁定两个关键突破点：

• 车道利用率低下 ： RoCE网卡普遍采用双端口架构，但既有系统无法智能分配流量，常出现单车道拥堵、双车道闲置的窘境，就像快递公司面对双向八车道却只使用一侧车道。

• CPU控制瓶颈： 虽然DeepEP通过RDMA技术实现了GPU直连通信，但在控制面交互层面仍依赖CPU中转，存在时延和能耗优化空间。

于是，腾讯基于TRMT技术体系开始对DeepEP进行三个方面的优化👇

**//****双车道充分用起来：**拓扑感知的多QP建链

本质上是利用动态分配算法来最大化双端口网卡的带宽利用率。

在 AI 模型启动时，多个 GPU 之间会建立通信组。每个 GPU 组内，GPU 之间都要建立通信链接，并且每个 GPU 对需要建立多组 QP（队列对）。

这种架构涉及革新类似于智慧交通管理系统：当2048辆特种车辆（GPU数据包）需要在城市路网（RoCE网络）中高效通行时，控制系统为每类物资运输开辟专属路线（QP绑定端口）。

通过动态分配起始匝道口（UDP源端口），确保双车道物理通道（网卡端口）的车流均衡，从根本上避免了多车队汇入同条车道引发的堵塞，让双端口网卡带宽利用率达到理论峰值。

//进一步绕过CPU：基于 IBGDA 的多 Channel 负载均衡数据传输

RDMA直连GPU进行数据交互就像港口运货，货物到港后不用停下来卸货装车，可以直接运到市区。

但在“控制面”场景还是无法让GPU绕过CPU的控制。“控制面”类似港口处理哪个批次的货物到港、货物是什么、运货的车牌号是多少等等，这种**“控制面”场景的****信息还是需要CPU来处理**。

腾讯基于IBGDA（InfiniBand GPU Direct Accelerator）技术，让控制面场景的CPU也绕过了，控制时延降低至硬件极限。

(看这清爽的右图，就知道IBGDR这种让控制面绕过CPU的方法提升了多少效率)

同时，腾讯还让每个 GPU 都能同时用多个“通道”来发送数据，而且这些通道会自动分配数据，不会让某个通道太忙而其他通道闲着。

排好队不出错：原子化信令协同

在GPU直接通信时还存在一个关键难题：当A GPU直接把数据写入B GPU内存时（类似隔空投送），B GPU并不知道数据何时到达。如果多个数据传输任务同时进行，可能会发 “先发的包后到” 的混乱情况。

鹅厂工程师提出了一种叫做 “QP内时序锁” 机制，类似一种智能快递签收机制：每次传输数据时，通过网卡硬件自动生成数字指纹（类似快递单号加密），收件方必须按正确顺序“签收”。

现在，就算同时处理1000多个数据传输任务，系统也能自动理顺先后顺序。

这三板斧下来，DeepEP不仅在RoCE网络上实现性能翻倍，当DeepSeek将这套方案反哺到IB网络时，原本已经很优秀的通信效率竟然又提升了30%。

目前，这些技术成果都已经全面开源至DeepEP社区，并深度应用于腾讯混元大模型等项目的训练推理。在星脉网络与H20服务器构建的高性能环境中，这套方案同样展现出卓越的通用性。

最后，感谢DeepSeek工程师以及我的同事们，对GPU通信瓶颈难题的探索。

还有，感谢开源。

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】