【架构解析】深入浅析DeepSeek-V3的技术架构

运行这个DeepSeek-V3需要的显存资源，我先去找更大的GPU VM去了…

一、DeepSeek-V3 的架构详解

1. 模型总体概述

DeepSeek-V3 是一款采用 Mixture-of-Experts（MoE）架构的大型语言模型，其核心参数配置如下：

• 模型层数：61 层

• 隐藏层维度：7168

• 前馈网络维度：18432

• 注意力头数：128

• 词汇表大小：129280

• 最大位置嵌入：163840

  该模型通过精细的架构设计，实现了在计算效率和性能上的平衡。

2. Mixture-of-Experts（MoE）架构

MoE 设置：

• MoE 层频率：1（即每一层都是 MoE 层）

• 共享专家数：1

• 路由专家数：256

• 每个 Token 选择的专家数：8

• MoE 专家前馈网络维度：2048

  专家数量与分布：

• 总 MoE 层数：58 层（第 4 层至第 61 层）

• 每层专家总数：257 个（1 个共享专家 + 256 个路由专家）

• 模型总专家数：14,906 个（257 个专家 × 58 层）

  活跃专家数量：

• 每层活跃专家：9 个（1 个共享专家 + 8 个路由专家）

• 整个模型的活跃专家：522 个（9 个活跃专家 × 58 层）

  MoE 架构的优势：

• 计算效率高：每个 Token 只需计算少量专家，降低了计算成本。

• 参数利用率高：拥有巨大参数容量（总参数量 6,710 亿），但实际计算的激活参数仅约 370 亿。

• 专家专精化：路由机制使得专家专注于特定特征，提高模型性能。

  路由专家与共享专家的结合：

• 路由专家（Routed Experts）：

• 选择性激活：按需激活，利用门控机制（如基于亲和度分数的 Top-K 选择）决定哪些专家处理当前 Token。

• 专精化处理：每个路由专家擅长处理特定类型的输入或特征，实现专精化。

• 稀疏计算：仅激活部分专家，提高计算效率。

• 负载均衡：确保不同专家在不同输入上均衡被激活，避免过载。

• 共享专家（Shared Experts）：