DeepSeek-V3的训练之道

（一）Multi-head Latent Attention（MLA）

DeepSeek-V3 采用了 MLA 架构来高效处理长文本。传统 Transformer 中的注意力机制在处理长文本时会面临 KV Cache 过大导致显存占用高的问题。MLA 通过将 Key（K）和 Value（V）联合映射至低维潜空间向量（cKV），显著降低了 KV Cache 的大小。在 DeepSeek-V3 中，MLA 的 KV 压缩维度（dc）设置为 512，Query 压缩维度（d’）设置为 1536，解耦 Key 的头维度（dr）设置为 64。这种设计在保证模型性能的同时，大幅减少了显存占用和计算开销，使得模型能够更高效地处理长文本，为后续的长上下文扩展训练奠定了基础。

二）DeepSeekMoE 架构

为了实现模型容量的高效扩展，DeepSeek-V3 采用了 DeepSeekMoE 架构。该架构通过细粒度专家、共享专家和 Top-K 路由策略，让模型在不显著增加计算成本的情况下拥有庞大的模型容量。具体来说，每个 MoE 层包含 1 个共享专家和 256 个路由专家，每个 Token 选择 8 个路由专家，最多路由至 4 个节点。这种稀疏激活的机制，使得 DeepSeek-V3 在处理大规模数据时能够更加灵活地分配计算资源，提升了整体的训练效率和性能表现。

（三）无额外损耗的负载均衡策略

在 MoE 架构中，负载均衡是一个关键问题。传统的辅助损失方法虽然可以实现负载均衡，但会对模型性能产生负面影响。DeepSeek-V3 提出了一种创新的无额外损耗负载均衡策略，通过引入并动态调整可学习的偏置项（Bias Term）来影响路由决策。该策略的偏置项更新速度（γ）在预训练的前 14.3T 个 Token 中设置为 0.001，剩余 500B 个 Token 中设置为 0.0；序列级平衡损失因子（α）设置为 0.0001。这种策略使得模型在训练过程中能够更好地平衡各专家的负载，避免了因负载不均衡导致的性能下降，同时也不会对模型性能产生额外的损耗。

二）高效的跨节点全节点通信实现

跨节点 MoE 训练的一大挑战是巨大的通信开销。DeepSeek-V3 通过一系列精细的优化策略，有效地缓解了这一瓶颈。具体包括：

首先，采用了节点限制路由（Node-Limited Routing），将每个 Token 最多路由到 4 个节点，有效限制了跨节点通信的范围和规模。

其次，定制了高效的跨节点 All-to-All 通信内核，这些内核充分利用了 IB（InfiniBand）和 NVLink 的带宽，并最大程度地减少了用于通信的 SM（Streaming Multiprocessors）数量。

此外，还采用了 Warp 专业化（Warp Specialization），将不同的通信任务分配给不同的 Warp，并根据实际负载情况动态调整每个任务的 Warp 数量，实现了通信任务的精细化管理和优化。

最后，通过自动调整通信块大小，减少了对 L2 缓存的依赖，降低了对其他计算内核的干扰，进一步提升了通信效率。

这些通信优化策略的综合运用，使得 DeepSeek-V3 在大规模分布式训练中能够高效地进行数据交换，减少了通信延迟，加快了训练速度。
（三）极致的内存节省

DeepSeek-V3 在内存管理方面也做到了极致，通过多种策略最大程度地减少了内存占用：

RMSNorm 和 MLA 上投影的重计算：在反向传播过程中，DeepSeek-V3 会重新计算 RMSNorm 和 MLA 上投影的输出，而不是将这些中间结果存储在显存中。这种策略虽然会略微增加计算量，但可以显著降低显存占用。

CPU 上的 EMA：DeepSeek-V3 将模型参数的 EMA 存储在 CPU 内存中，并异步更新。这种策略避免了在 GPU 上存储 EMA 参数带来的额外显存开销。

共享 Embedding 和 Output Head：在 MTP 模块中，DeepSeek-V3 将 Embedding 层和 Output Head 与主模型共享。这种设计减少了模型的参数量和内存占用。

为了进一步降低训练成本，DeepSeek-V3 采用了 FP8 混合精度训练。FP8 是一种低精度的数据格式，相较于传统的 FP32 或 BF16，它能够显著减少显存占用和计算开销。然而，低精度训练也面临着精度损失的问题。DeepSeek-V3 通过一系列创新的方法，解决了这一难题。

首先，对于模型中对精度较为敏感的组件（如 Embedding、Output Head、MoE Gating、Normalization、Attention 等），仍然采用 BF16 或 FP32 进行计算，以保证模型的性能。

其次，采用了细粒度量化（Fine-Grained Quantization），对激活值采用 1x128 tile-wise 量化，对权重采用 128x128 block-wise 量化，这种策略可以更好地适应数据的分布，减少量化误差。

此外，为了减少 FP8 计算过程中的精度损失，DeepSeek-V3 将 MMA（Matrix Multiply-Accumulate）操作的中间结果累加到 FP32 寄存器中，提高了累加精度。

最后，将激活值和优化器状态以 FP8 或 BF16 格式进行存储，并在通信过程中也使用这些低精度格式，进一步降低了显存占用和通信开销。

通过这些策略，DeepSeek-V3 在保证模型精度的同时，大幅降低了训练成本，提高了训练效率。
三、预训练策略：构建高质量数据与优化训练过程
（一）构建高质量数据

DeepSeek-V3 的预训练语料库规模达到了14.8 万亿 Token，这些数据经过了严格的筛选和清洗，以确保其高质量和多样性。相比于前代模型 DeepSeek-V2，新模型的数据构建策略更加精细，主要体现在以下几个方面：

提升数学和编程相关数据占比：大幅提升了数学和编程相关数据在整体数据中的占比，这直接增强了模型在相关领域的推理能力，使其在 MATH 500、AIME 2024 等数学基准测试和 HumanEval、LiveCodeBench 等代码基准测试中表现突出。

扩展多语言数据覆盖范围：进一步扩展了多语言数据的覆盖范围，超越了传统的英语和中文，提升了模型的多语言处理能力。

最小化数据冗余：开发了一套完善的数据处理流程，着重于最小化数据冗余，同时保留数据的多样性。

文档级打包方法：借鉴了近期研究中提出的文档级打包方法，将多个文档拼接成一个训练样本，避免了传统方法中由于截断导致的上下文信息丢失，确保模型能够学习到更完整的语义信息。

Fill-in-Middle (FIM) 策略：针对代码数据，DeepSeek-V3 借鉴了 DeepSeekCoder-V2 中采用的 FIM 策略，以 0.1 的比例将代码数据构造成 <|fim_begin|> pre<|fim_hole|> suf<|fim_end|> middle<|eos_token|> 的形式。这种策略通过“填空”的方式，迫使模型学习代码的上下文关系，从而提升代码生成和补全的准确性。

（二）优化训练过程
分词器与词表

DeepSeek-V3 采用了基于字节级 BPE 的分词器，并构建了一个包含 128K 个 token 的词表。为了优化多语言的压缩效率，DeepSeek 对预分词器和训练数据进行了专门的调整。

与 DeepSeek-V2 相比，新的预分词器引入了将标点符号和换行符组合成新 token 的机制。这种方法可以提高压缩率，但也可能在处理不带换行符的多行输入时引入 token 边界偏差。

为了减轻这种偏差，DeepSeek-V3 在训练过程中以一定概率随机地将这些组合 token 拆分开来，从而让模型能够适应更多样化的输入形式，提升了模型的鲁棒性。
模型配置与超参数：
模型配置

DeepSeek-V3 的 Transformer 层数设置为 61 层，隐藏层维度为 7168。所有可学习参数均采用标准差为 0.006 的随机初始化。

在 MLA 结构中，注意力头的数量 (nh) 设置为 128，每个注意力头的维度 (dh) 为 128，KV 压缩维度 (dc) 为 512，Query 压缩维度 (d’) 为 1536，解耦的 Key 头的维度 (dr) 为 64。

除了前三层之外，其余的 FFN 层均替换为 MoE 层。每个 MoE 层包含 1 个共享专家和 256 个路由专家，每个专家的中间隐藏层维度为 2048。每个 Token 会被路由到 8 个专家，并且最多会被路由到 4 个节点。

多 Token 预测的深度 (D) 设置为 1，即除了预测当前 Token 之外，还会额外预测下一个 Token。此外，DeepSeek-V3 还在压缩的潜变量之后添加了额外的 RMSNorm 层，并在宽度瓶颈处乘以了额外的缩放因子。
训练超参数

优化器：DeepSeek-V3 采用了 AdamW 优化器，β1 设置为 0.9，β2 设置为 0.95，权重衰减系数 设置为 0.1。最大序列长度设置为 4K。

学习率方面：采用了组合式的调度策略：在前 2K 步，学习率从 0 线性增加到 2.2 × 10^-4；然后保持 2.2 × 10^-4 的学习率直到模型处理完 10T 个 Token；接下来，在 4.3T 个 Token 的过程中，学习率按照余弦曲线逐渐衰减至 2.2 × 10^-5；在最后的 500B 个 Token 中，学习率先保持 2.2 × 10^-5 不变，然后切换到一个更小的常数学习率 7.3 × 10^-6。梯度裁剪的范数设置为 1.0。

Batch Size 方面：采用了动态调整的策略，在前 469B 个 Token 的训练过程中，Batch Size 从 3072 逐渐增加到 15360，并在之后的训练中保持 15360 不变。

负载均衡：为了实现 MoE 架构中的负载均衡，DeepSeek-V3 采用了无额外损耗的负载均衡策略，并将偏置项的更新速度 (γ) 在预训练的前 14.3T 个 Token 中设置为 0.001，在剩余的 500B 个 Token 中设置为 0.0。序列级平衡损失因子 (α) 设置为 0.0001，以避免单个序列内的极端不平衡。多 Token 预测损失的权重 (λ) 在前 10T 个 Token 中设置为 0.3，在剩余的 4.8T 个 Token 中设置为 0.1。

长上下文扩展与多 Token 预测：
图片
长上下文扩展

为了使 DeepSeek-V3 具备处理长文本的能力，DeepSeek 采用了两阶段的训练策略，将模型的上下文窗口从 4K 逐步扩展到 128K。他们采用了 YaRN 技术，并将其应用于解耦的共享 Key (k)。

在长上下文扩展阶段：DeepSeek-V3 的超参数保持不变：scale 设置为 40，β 设置为 1，ρ 设置为 32，缩放因子设置为 0.1 ln n + 1。

第一阶段 (4K -> 32K)：序列长度设置为 32K，Batch Size 设置为 1920，学习率设置为 7.3 × 10^-6。

第二阶段 (32K -> 128K)：序列长度设置为 128K，Batch Size 设置为 480，学习率设置为 7.3 × 10^-6。上图的 "Needle In A Haystack" (NIAH) 测试结果清晰地展示了 DeepSeek-V3 在处理长文本方面的卓越能力。

多 Token 预测：DeepSeek-V3 还采用了多 Token 预测策略，要求模型在每个位置预测未来的多个 Token，而不仅仅是下一个 Token。

这种策略增强了模型的预见能力，并提供了更丰富的训练信号，从而提升了训练效率。
四、后训练：知识蒸馏与强化学习的强化

在预训练阶段之后，DeepSeek-V3 进入了后训练阶段，这一阶段主要包括监督微调（Supervised Fine-Tuning, SFT）和强化学习（Reinforcement Learning, RL），通过这两个阶段的训练，DeepSeek-V3 的性能得到了进一步的提升，使其能够更好地理解和生成符合人类偏好的文本。
（一）监督微调（SFT）

监督微调是后训练阶段的第一步，其目的是通过大量标注数据对模型进行微调，使其能够更好地理解人类的语言和指令。

DeepSeek-V3 的 SFT 数据集包含了 150 万条来自多个领域的标注数据，这些数据涵盖了数学、编程、逻辑推理、创意写作、角色扮演和简单问答等多个领域。为了生成高质量的 SFT 数据，DeepSeek 团队采用了以下方法：

推理数据生成：对于数学、编程和逻辑推理等需要复杂推理的任务，DeepSeek 团队利用内部的 DeepSeek-R1 模型生成数据。R1 模型虽然在推理准确性方面表现出色，但存在思考过多、格式不佳和回答过长等问题。为了平衡 R1 模型的高准确性和清晰简洁的格式，DeepSeek 团队开发了一种专家模型，通过 SFT 和 RL 训练流程，生成高质量的 SFT 数据。具体来说，对于每个实例，专家模型会生成两种类型的 SFT 样本：一种是将问题与原始回答配对，格式为 <问题，原始回答>；另一种是在系统提示、问题和 R1 回答之间插入系统提示，格式为 <系统提示，问题，R1 回答>。系统提示经过精心设计，旨在引导模型生成具有反思和验证机制的响应。

非推理数据生成：对于创意写作、角色扮演和简单问答等不需要复杂推理的任务，DeepSeek 团队使用 DeepSeek-V2.5 生成回答，并由人工标注员验证数据的准确性和正确性。在 SFT 训练过程中，DeepSeek-V3 使用了 AdamW 优化器，学习率采用余弦衰减策略，从 5 × 10^-6 逐渐降低到 1 × 10^-6，并进行了两个 epoch 的训练。为了确保每个序列中的样本相互独立，DeepSeek 团队采用了样本掩码策略。