部署超大规模MoE这件事，国产芯片的推理性能，已经再创新高了——
不仅是“英伟达含量为0”这么简单，更是性能全面超越英伟达Hopper架构！
而做到这一点的，正是华为昇腾；具体而言，共包含两个产品：
CloudMatrix 384超节点
部署DeepSeek V3/R1，在50ms时延约束下单卡Decode吞吐突破1920 Tokens/s
Atlas 800I A2推理服务器
部署DeepSeek V3/R1，在100ms时延约束下单卡吞吐达到808 Tokens/s，可支持灵活的分布式部署
之所以能够这般，是因为华为昇腾所采取的“以数学补物理”——这种通过数学理论、工具、算法和建模等方式，来弥补硬件和工艺的局限性，实现最大化发挥芯片和系统能力效果。
华为昇腾还不只是“官宣”一下而已，后面更会是全面开源。
不仅已经将昇腾在超大规模MoE模型推理部署的技术报告分享了出来，在一个月时间内，还会把实现这些核心技术的相关代码也都会陆续开源出来。
那么接下来，我们就来深入了解一下华为昇腾背后的技术实力。
在华为昇腾上推理DeepSeek
在深挖华为昇腾背后技术创新之前，我们且需了解一下为什么要这么做。
从2017年Google提出的Transformer架构，到2025年DeepSeek V3/R1的爆红，大语言模型的重心正在从训练开发转向推理应用落地。
推理能力不仅是大模型能力的“试金石”，各大企业已从 “拼模型参数” 转向 “拼推理效率”：
谁能让大模型在实际应用中跑得更快、更稳、更省资源，谁就能在商业化浪潮中抢占先机。
然而，以6710亿参数的DeepSeek V3为例，这类超大规模MoE模型虽然强大，却给硬件带来三大 “成长烦恼”：
内存压力山大
一个模型包含257个专家，每个专家 “体重” 2.5G，普通64GB内存的AI硬件根本 “扛不动”，必须依赖集群协作。
通信开销爆炸
专家分布在不同芯片上，数据传输耗时甚至超过计算时间，就像团队成员频繁开会沟通，效率大打折扣。
架构创新的 “甜蜜负担”
例如 “多头隐式注意力机制（MLA）” 虽然压缩了数据空间，却导致中间变量激增，对芯片的计算能力提出更高要求。
面对这些挑战，华为团队从算子、模型和框架三方面入手，基于昇腾硬件特性，开发了一整套面向集群的大规模专家并行解决方案。
在硬件部署上，华为团队根据不同硬件配置——CloudMatrix 384超节点和Atlas 800I A2推理服务器，针对性地采取了不同的部署优化策略。为解耦Prefill和Decode阶段的时延约束，昇腾采用PD分离部署方式。
在框架侧，昇腾基于vLLM框架，适配DP和EP等多种并行策略，通过Prefill调度分桶、灵衢互联与分层传输等技术来降低调度开销，优化请求下发、调度策略等环节，提升系统性能。
在模型方面，昇腾采用A8W8C16量化策略，其中A8W8使用INT8，C16使用BF16，并针对不同机型进行差异化部署。
针对CloudMatrix 384超节点，其强大的组网能力大幅降低了通信耗时，释放了昇腾芯片的算力。
团队采用大规模EP并行部署，Prefill使用16卡，Decode使用144卡，其中128卡部署路由专家，16卡部署共享专家，MLA部分采用DP部署。
尽管存在时延约束、带宽抢占、调度开销、负载不均等因素影响，最终在50ms时延下，单卡decode吞吐达到1920 Token/s。
针对机群规模较小但部署更加灵活的Atlas 800I A2服务器，华为团队采用多节点互联的方式进行部署。
作为示例，华为团队使用2机16卡进行Prefill，4机32卡进行Decode，每卡部署8个路由专家和1个共享专家，MLA部分采用DP并行，并针对性地使用在真实负载下性能更优的AllGather/ReduceScatter的通信方案。
通过各种策略优化，在100ms时延下，单卡吞吐达到808 Tokens/s。
还有更多优化技术
在推理框架优化方面，针对高并发场景下单点API Server这一性能瓶颈，华为团队设计了API Server横向扩展方案，采用水平扩展技术提升框架的请求响应能力，显著降低用户请求延迟并提高整体服务吞吐量（QPS）。
针对MoE模型中的负载不均问题，基于动态调整专家部署与缩小通信域、热专家冗余部署、实时调度与动态监控机制等核心技术，降低显存占用的同时实现动态负载均衡。
在投机推理技术的工程化应用中，如何将其从小批量低时延场景扩展至高吞吐量场景，是行业面临的共性难题。
华为团队基于昇腾芯片高计算带宽比的硬件特性，提出FusionSpec投机推理引擎，针对性优化多Token预测（MTP）场景下的推理性能：
流程重构
将投机模型后置於主体模型，直接复用主体模型的输出结果与控制参数，大幅减少框架耗时，完美适配参数-数据分离（PD 分离）的分布式部署架构；
轻量步间优化
对投机推理场景中的框架和算子优化实现了轻量步间准备，适配多核并行的全异步框架。
在通信优化方面，华为昇腾也有三大妙招。
首先，针对主流张量并行（TP）方案中AllReduce通信的固有缺陷（通信次数多、数据量大、冗余计算显著），华为团队推出FlashComm通信方案，通过集合通信逻辑重构与算子位置编排，实现低比特、低维度数据通信，在降低通信时延的同时消除冗余计算，最终实现25%通信量的降低和10%推理性能的提升。
其次，在FlashComm基础上，团队进一步提出层内并行转换方案，针对Prefill阶段的MLA层，通过张量并行（TP）与数据并行（DP）的灵活转换，消除节点内卡间求和操作，并利用网络低维特性与量化技术压缩通信数据量，显著降低跨卡通信时延，为大模型分布式推理提供更高效的通信支撑。
第三，通信方面的优化还有一个并发机制的深度挖掘，包括：
计算通信并发
通过Gate函数计算与AllGather通信的解耦，结合共享专家的数据并行（DP）策略，利用昇腾多流机制实现计算与通信的并发执行，最大化硬件利用率；
通信通信并发
针对DeepSeek模型的量化场景，将激活值与scale的传输任务并行处理，在不增加带宽压力的前提下掩盖小数据量通信的启动开销；
通信和权重预并发
利用通信阶段HBM带宽低占用特性，提前将后续算子权重预取至缓存，降低计算阶段的数据搬运开销，实测MLA层计算性能提升10%。
最后，就是在算子方面的优化了。华为团队通过以数学补物理，发展了一系列的优化技术。
针对MLA算子中间变量膨胀与计算量激增的挑战，团队开展硬件亲和性优化：
算法重构：提出AMLA算法，通过二进制编码与存内计算，将乘性计算转换为加性等价形式，直接在全局内存完成输出更新，减少数据搬运耗时；
缓存策略：通过L1/L2缓存精细化管理与K-buffer流水排布，提升缓存命中率与计算效率，实现张量计算与向量计算的相互掩盖；
前序算子融合：在Prefill与Decode阶段分别采用双流并发与算子融合技术，结合权重预取、分块策略及定制指令集优化，构建端到端高效计算链路。
MoE算子方面的优化则包括：
通算融合算子：针对EP部署模式下MoE专家的跨卡调度难题，设计MoeDistributeDispatch/Combine算子，通过 Token 粒度的流水排布与内存语义通信技术，将通信与计算并行化，减少卡间同步开销；
SMTurbo-CPP技术：针对小数据量通信效率问题，通过读写混合、聚合流水等硬件并发技术，提升AllToAll(v)算子的吞吐能力，降低Dispatch/Combine场景时延；
细粒度分级流水算法：基于Atlas 800I A2组网特性，实现节点内/节点间的集合通信并发执行，大幅提升集群环境下的带宽利用率。
性能创新高
在Decode性能测试方面，Atlas 800I A2所采用的方式是：
序列长度为2K输入+2K输出和1K输入+2K输出两种情况
在使能MTP进行推理加速的情况下，由于不同测试数据集和业务场景的MTP接受率不同，性能测试结果会有比较大的偏差。因此在计算时延和吞吐的时候默认按照70%接受率来折算。
TPOT（Decode平均每Token时延）不超过100ms。
具体表现如下所示：
在Prefill上的测试方法是，单batch输入序列长度为2K/1K，通过拼batch的方式拼成一共16K序列。对于序列长度是2K，共8 batch拼成一共16K序列的场景，端到端耗时为631ms，卡均吞吐为1622 Tokens/s。
具体表现如下图所示：
在2025年4月，硅基流动联合华为云基于CloudMatrix 384超节点昇腾云服务和高性能推理框架SiliconLLM，用大规模专家并行最佳实践正式上线DeepSeek-R1。
该服务在保证单用户20 TPS(等效50ms时延约束) 水平前提下，单卡Decode吞吐突破1920 Tokens/s，可比肩H100部署性能。
部署超大规模MoE这件事，国产芯片的推理性能，已经再创新高了——
不仅是“英伟达含量为0”这么简单，更是性能全面超越英伟达Hopper架构！
而做到这一点的，正是华为昇腾；具体而言，共包含两个产品：
CloudMatrix 384超节点
部署DeepSeek V3/R1，在50ms时延约束下单卡Decode吞吐突破1920 Tokens/s
Atlas 800I A2推理服务器
部署DeepSeek V3/R1，在100ms时延约束下单卡吞吐达到808 Tokens/s，可支持灵活的分布式部署
之所以能够这般，是因为华为昇腾所采取的“以数学补物理”——这种通过数学理论、工具、算法和建模等方式，来弥补硬件和工艺的局限性，实现最大化发挥芯片和系统能力效果。
华为昇腾还不只是“官宣”一下而已，后面更会是全面开源。
不仅已经将昇腾在超大规模MoE模型推理部署的技术报告分享了出来，在一个月时间内，还会把实现这些核心技术的相关代码也都会陆续开源出来。
那么接下来，我们就来深入了解一下华为昇腾背后的技术实力。
在华为昇腾上推理DeepSeek
在深挖华为昇腾背后技术创新之前，我们且需了解一下为什么要这么做。
从2017年Google提出的Transformer架构，到2025年DeepSeek V3/R1的爆红，大语言模型的重心正在从训练开发转向推理应用落地。
推理能力不仅是大模型能力的“试金石”，各大企业已从 “拼模型参数” 转向 “拼推理效率”：
谁能让大模型在实际应用中跑得更快、更稳、更省资源，谁就能在商业化浪潮中抢占先机。
然而，以6710亿参数的DeepSeek V3为例，这类超大规模MoE模型虽然强大，却给硬件带来三大 “成长烦恼”：
内存压力山大
一个模型包含257个专家，每个专家 “体重” 2.5G，普通64GB内存的AI硬件根本 “扛不动”，必须依赖集群协作。
通信开销爆炸
专家分布在不同芯片上，数据传输耗时甚至超过计算时间，就像团队成员频繁开会沟通，效率大打折扣。
架构创新的 “甜蜜负担”
例如 “多头隐式注意力机制（MLA）” 虽然压缩了数据空间，却导致中间变量激增，对芯片的计算能力提出更高要求。
面对这些挑战，华为团队从算子、模型和框架三方面入手，基于昇腾硬件特性，开发了一整套面向集群的大规模专家并行解决方案。
在硬件部署上，华为团队根据不同硬件配置——CloudMatrix 384超节点和Atlas 800I A2推理服务器，针对性地采取了不同的部署优化策略。为解耦Prefill和Decode阶段的时延约束，昇腾采用PD分离部署方式。
在框架侧，昇腾基于vLLM框架，适配DP和EP等多种并行策略，通过Prefill调度分桶、灵衢互联与分层传输等技术来降低调度开销，优化请求下发、调度策略等环节，提升系统性能。
在模型方面，昇腾采用A8W8C16量化策略，其中A8W8使用INT8，C16使用BF16，并针对不同机型进行差异化部署。
针对CloudMatrix 384超节点，其强大的组网能力大幅降低了通信耗时，释放了昇腾芯片的算力。
团队采用大规模EP并行部署，Prefill使用16卡，Decode使用144卡，其中128卡部署路由专家，16卡部署共享专家，MLA部分采用DP部署。
尽管存在时延约束、带宽抢占、调度开销、负载不均等因素影响，最终在50ms时延下，单卡decode吞吐达到1920 Token/s。
针对机群规模较小但部署更加灵活的Atlas 800I A2服务器，华为团队采用多节点互联的方式进行部署。
作为示例，华为团队使用2机16卡进行Prefill，4机32卡进行Decode，每卡部署8个路由专家和1个共享专家，MLA部分采用DP并行，并针对性地使用在真实负载下性能更优的AllGather/ReduceScatter的通信方案。
通过各种策略优化，在100ms时延下，单卡吞吐达到808 Tokens/s。
还有更多优化技术
在推理框架优化方面，针对高并发场景下单点API Server这一性能瓶颈，华为团队设计了API Server横向扩展方案，采用水平扩展技术提升框架的请求响应能力，显著降低用户请求延迟并提高整体服务吞吐量（QPS）。
针对MoE模型中的负载不均问题，基于动态调整专家部署与缩小通信域、热专家冗余部署、实时调度与动态监控机制等核心技术，降低显存占用的同时实现动态负载均衡。
在投机推理技术的工程化应用中，如何将其从小批量低时延场景扩展至高吞吐量场景，是行业面临的共性难题。
华为团队基于昇腾芯片高计算带宽比的硬件特性，提出FusionSpec投机推理引擎，针对性优化多Token预测（MTP）场景下的推理性能：
流程重构
将投机模型后置於主体模型，直接复用主体模型的输出结果与控制参数，大幅减少框架耗时，完美适配参数-数据分离（PD 分离）的分布式部署架构；
轻量步间优化
对投机推理场景中的框架和算子优化实现了轻量步间准备，适配多核并行的全异步框架。
在通信优化方面，华为昇腾也有三大妙招。
首先，针对主流张量并行（TP）方案中AllReduce通信的固有缺陷（通信次数多、数据量大、冗余计算显著），华为团队推出FlashComm通信方案，通过集合通信逻辑重构与算子位置编排，实现低比特、低维度数据通信，在降低通信时延的同时消除冗余计算，最终实现25%通信量的降低和10%推理性能的提升。
其次，在FlashComm基础上，团队进一步提出层内并行转换方案，针对Prefill阶段的MLA层，通过张量并行（TP）与数据并行（DP）的灵活转换，消除节点内卡间求和操作，并利用网络低维特性与量化技术压缩通信数据量，显著降低跨卡通信时延，为大模型分布式推理提供更高效的通信支撑。
第三，通信方面的优化还有一个并发机制的深度挖掘，包括：
计算通信并发
通过Gate函数计算与AllGather通信的解耦，结合共享专家的数据并行（DP）策略，利用昇腾多流机制实现计算与通信的并发执行，最大化硬件利用率；
通信通信并发
针对DeepSeek模型的量化场景，将激活值与scale的传输任务并行处理，在不增加带宽压力的前提下掩盖小数据量通信的启动开销；
通信和权重预并发
利用通信阶段HBM带宽低占用特性，提前将后续算子权重预取至缓存，降低计算阶段的数据搬运开销，实测MLA层计算性能提升10%。
最后，就是在算子方面的优化了。华为团队通过以数学补物理，发展了一系列的优化技术。
针对MLA算子中间变量膨胀与计算量激增的挑战，团队开展硬件亲和性优化：
算法重构：提出AMLA算法，通过二进制编码与存内计算，将乘性计算转换为加性等价形式，直接在全局内存完成输出更新，减少数据搬运耗时；
缓存策略：通过L1/L2缓存精细化管理与K-buffer流水排布，提升缓存命中率与计算效率，实现张量计算与向量计算的相互掩盖；
前序算子融合：在Prefill与Decode阶段分别采用双流并发与算子融合技术，结合权重预取、分块策略及定制指令集优化，构建端到端高效计算链路。
MoE算子方面的优化则包括：
通算融合算子：针对EP部署模式下MoE专家的跨卡调度难题，设计MoeDistributeDispatch/Combine算子，通过 Token 粒度的流水排布与内存语义通信技术，将通信与计算并行化，减少卡间同步开销；
SMTurbo-CPP技术：针对小数据量通信效率问题，通过读写混合、聚合流水等硬件并发技术，提升AllToAll(v)算子的吞吐能力，降低Dispatch/Combine场景时延；
细粒度分级流水算法：基于Atlas 800I A2组网特性，实现节点内/节点间的集合通信并发执行，大幅提升集群环境下的带宽利用率。
性能创新高
在Decode性能测试方面，Atlas 800I A2所采用的方式是：
序列长度为2K输入+2K输出和1K输入+2K输出两种情况
在使能MTP进行推理加速的情况下，由于不同测试数据集和业务场景的MTP接受率不同，性能测试结果会有比较大的偏差。因此在计算时延和吞吐的时候默认按照70%接受率来折算。
TPOT（Decode平均每Token时延）不超过100ms。
具体表现如下所示：
在Prefill上的测试方法是，单batch输入序列长度为2K/1K，通过拼batch的方式拼成一共16K序列。对于序列长度是2K，共8 batch拼成一共16K序列的场景，端到端耗时为631ms，卡均吞吐为1622 Tokens/s。
具体表现如下图所示：
在2025年4月，硅基流动联合华为云基于CloudMatrix 384超节点昇腾云服务和高性能推理框架SiliconLLM，用大规模专家并行最佳实践正式上线DeepSeek-R1。
该服务在保证单用户20 TPS(等效50ms时延约束) 水平前提下，单卡Decode吞吐突破1920 Tokens/s，可比肩H100部署性能。