在 8x NVIDIA H200 GPUs 上部署 DeepSeek-R1 并进行性能基准测试

最近，DeepSeek-R1 凭借其强大的推理能力和开源特性，成为 AI 社区的热门模型。如果你想在高性能硬件上部署它，或者测试它的极限性能，这篇文章将带你一步步完成。本文将使用 SGLang 推理引擎和 8x NVIDIA H200 GPUs，展示 DeepSeek-R1 的部署和基准测试全流程。

为什么选择 SGLang 和 NVIDIA H200？

在动手之前，我们先聊聊为什么选它们：

• SGLang 推理引擎
  SGLang 是 DeepSeek 官方推荐的推理框架，专为 DeepSeek-V3 和 R1 优化。它支持多节点张量并行、MLA 优化、DP Attention、FP8 计算（W8A8 和 KV Cache）以及 Torch Compile，在开源框架中提供顶级的延迟和吞吐量性能。SGLang v0.4.1 已完美适配 NVIDIA 和 AMD GPU，未来还将推出 Multi-Token Prediction (MTP) 等功能，值得期待。

• NVIDIA H200 GPUs
  H200 是 NVIDIA 最新一代高性能 GPU，拥有 141GB HBM3 内存和超高带宽，完美适配像 DeepSeek-R1 这样参数量高达 671B 的大模型。相比 H100，H200 的内存容量提升了 76%，单机就能轻松跑 FP8 精度的推理任务。不过需要注意的是，目前国内由于政策限制，没有运营商敢直接上架 H100 或 H200。如果你想用这些顶级硬件，不妨找我采购——我提供 H200 三年质保，正规渠道，放心用！

部署 DeepSeek-R1 的步骤

1. 环境准备

我们用官方推荐的 SGLang Docker 镜像来简化部署。假设你已经有一台配置了 8x NVIDIA H200 GPUs 的机器，以下是具体操作：

拉取 SGLang 镜像

在你的 H200 服务器上运行：

docker pull lmsysorg/sglang:latest

创建 Docker 容器

运行以下命令，创建一个支持 DeepSeek-R1 的容器：

docker run --gpus all \
    --shm-size 32g \
    --network=host \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --name deepseek_r1 \
    -it \
    --env "HF_TOKEN=$HF_TOKEN" \
    --ipc=host \
    lmsysorg/sglang:latest \
    bash

• --gpus all：分配所有 8x H200 GPUs。
• -v ~/.cache/huggingface:/root/.cache/huggingface：挂载缓存目录，节省下载时间。
• --env "HF_TOKEN=$HF_TOKEN"：设置 Hugging Face Token（需提前导出）。
• -it bash：进入交互式会话。

2. 启动 DeepSeek-R1 服务

进入容器后，启动服务：

python3 -m sglang.launch_server --model deepseek-ai/DeepSeek-R1 --tp 8 --trust-remote-code --enable-dp-attention

• --tp 8：利用 8 GPU 张量并行，充分发挥 H200 的性能。
• --enable-dp-attention：激活优化，提升推理效率。

服务启动后，默认监听 30000 端口，可以通过 API 调用。

基准测试 DeepSeek-R1

测试命令

我们运行一个基准测试，批量大小 1，输入 128 token，输出 256 token：

python3 -m sglang.bench_one_batch --batch-size 1 --input 128 --output 256 --model deepseek-ai/DeepSeek-R1 --trust-remote-code --tp 8 --enable-torch-compile --torch-compile-max-bs 1

测试结果

以下是两次测试的结果：

测试 1

Prefill. latency: 1.91032 s, throughput: 67.00 token/s
Decode. latency: 1.04900 s, throughput: 0.95 token/s
Decode. latency: 0.02175 s, throughput: 45.99 token/s
Decode. latency: 0.02097 s, throughput: 47.69 token/s
Decode. latency: 0.02097 s, throughput: 47.68 token/s
Decode. latency: 0.02080 s, throughput: 48.07 token/s
Decode. median latency: 0.02097 s, median throughput: 47.68 token/s
Total. latency: 3.086 s, throughput: 44.07 token/s

测试 2

Prefill. latency: 0.19635 s, throughput: 651.90 token/s
Decode. latency: 0.02100 s, throughput: 47.62 token/s
Decode. latency: 0.02078 s, throughput: 48.13 token/s
Decode. latency: 0.02092 s, throughput: 47.80 token/s
Decode. latency: 0.02086 s, throughput: 47.93 token/s
Decode. latency: 0.02085 s, throughput: 47.97 token/s
Decode. median latency: 0.02098 s, median throughput: 47.67 token/s
Total. latency: 5.537 s, throughput: 69.35 token/s

结果分析

• Prefill 阶段：第一次测试延迟较高（1.91s），可能是模型首次加载权重导致。第二次测试延迟降至 0.196s，吞吐量提升至 651.90 token/s，说明缓存生效。
• Decode 阶段：中值延迟稳定在 0.02098s，吞吐量 ≈ 47.67 token/s，用户感知的响应速度非常快。
• 整体性能：H200 的高内存带宽和 SGLang 的优化（如 Torch Compile）显著提升了推理效率。

这些结果仅为初步测试，未完全调优 H200 专属内核，后续优化的潜力值得期待。

下一步

想复现以上步骤？你需要准备一台 8x NVIDIA H200 GPUs 的机器。由于国内目前没有运营商敢上架 H100 或 H200，我建议直接找我采购——我提供 H200 三年质保，正规渠道，质量有保障，私信我即可获取报价和详情。

优化建议

• 多节点部署：如果需要更大规模，可以尝试 SGLang 的多节点张量并行。
• 自定义内核：关注 SGLang 的优化计划（如 FusedMoE H200 调优），进一步提升性能。
• 监控与调整：使用工具（如 NVIDIA Nsight）监控 GPU 使用率，调整批量大小和推理参数。

总结

通过 SGLang 和 8x NVIDIA H200 GPUs，我们成功部署了 DeepSeek-R1，并完成了性能基准测试。测试结果显示，H200 的硬件优势结合 SGLang 的软件优化，能为 DeepSeek-R1 提供高效的推理支持。如果你对大模型部署感兴趣，不妨试试这个方案，欢迎在评论区分享你的体验或问题！