漫步远方,心荡神往

DeepSeek 这三年:它到底在 scale 什么

从 V1 到 V4.1,参数、注意力、输入输出,被稀疏化的东西一直在挪

把 DeepSeek 从 V1 到 V4.1 的八代模型连起来看:真正的主线不是某个新组件,而是 scaling 对象的不断迁移——从参数到数据、推理、上下文、工具,再到环境交互;稀疏化的对象也从参数挪到注意力,最后落到输入输出两侧。一篇带个人判断的路线复盘。

KV Cache:八层优化,和几个容易踩的坑

一张 80G 卡,装得下模型,装不下上下文

从一张 80GB 卡的显存账出发,讲清 KV Cache 为什么是长上下文和高并发的瓶颈,拆解模型结构、精度、保留、分配、复用、存储、传输、调度八层优化,以及逻辑删除、误差叠加、驱逐不可逆、回迁抢带宽几个坑。

155 万亿 Tokens/天是怎么跑出来的:拆解 DeepSeek V4.1 Flash 推理系统

从 EPD 分离、Wide-EP、72 小时 KVCache 到按时间切分的 Prefill 调度

以 DeepSeek V4.1 Flash 推理系统公开的 Blog 与 Q&A 为基础,用 11 张自绘示意图(含封面)和可复算的例子,拆解 EPD 分离、Wide-EP 的 roofline 依据、Block/SWA 两层 KVCache、3FS 10+2 EC 与 GDR、SWA Bounded Replay 的 128-token 近似、Prefill 二次代价模型反解、异步调度与变长投机、EPLB 的最大负载目标,以及 $38/卡·时的第三方成本测算。官方口径与推算分开表述,附部署风险提示。

拆开大模型中的 config.json:参数是表象,KV 账单才是分水岭

从 MoE 稀疏度、KV 账单到压缩与线性注意力 - 一次逐字段的技术对账,写给想搞懂「为什么这么设计」的人

不看新模型发布会,只看开源模型配置文件:先补参数、KV、注意力三块底子,再逐字段拆 15 个国产开源模型。为什么 DeepSeek 把 KV 头压到 1 个却把 head_dim 拉到 512、GLM 的 IndexShare 凭什么让 4 层共用一次索引、Kimi 的 3:1 线性混合到底省的是计算还是显存、Qwen 的混合架构为什么反而更吃显存 - 用公式和 config 里的数组讲清楚。附 1M 上下文单请求的 KV 清单推演。

读 Kimi K3.1 Pro:2.8T 是表象,69:24 才是答案

架构已经收敛,战场转移到成本工程、后训练工业化和能力治理 — 一份 AI Infra 工程师的拆解

不翻译官方博客,只谈判断,并逐条对照公开研究校准:为什么 93 层里的 69 层线性注意力是成本工程而非能力工程(Kimi Linear 的 3:1 配方与 75% KV 降幅);为什么 1M 上下文只取 top-k 2048 暴露了长上下文的真相(NeurIPS 2026 留存曲线:标称长度与留存能力仅 ρ=0.437 相关);长上下文到底能不能替代 RAG(MBZUAI 的 120 组对照给出反例);MXFP4 为何成为千亿模型发布的准入门槛(对照 gpt-oss);以及为什么环境质量才是后训练的胜负手(Endless Terminals 与 WildAWM)。