究竟会花落谁家？DeepSeek最新大模型瞄准了下一代国产AI芯片

　　它采用了全新的混合推理架构，让模型能在一个统一框架内支持「思考」与「非思考」两种模式。V3.1 通过训练后优化，在工具使用与编程、搜索等智能体任务上表现均获得了较大提升。

　　与 DeepSeek 自己此前的模型相比，V3.1 的性能提升显著，它解决问题需要更多步骤，但经过了思维链压缩训练，在任务表现持平的情况下，token 消耗量可以减少 20-50%，因此有效成本与 GPT-5 mini 相当。

　　除了模型性能的提升之外，值得关注的是，DeepSeek 昨天在其微信公众号文章介绍 DeepSeek V3.1 的时候，特意回复指出，UE8M0 FP8 是针对即将发布的下一代国产芯片设计的机制。

　　根据 Hugging Face 的介绍文档，DeepSeek V3.1 的模型参数量为 685B，其在训练过程中采用了 UE8M0 FP8 缩放浮点格式，以确保与微缩放浮点格式的兼容性。

　　其中，E 和 M 分别代表指数（Exponent）和尾数（Mantissa）的位数，U 表示无符号（Unsigned），可能针对激活值的非负特性优化。因此，UE8M0 可能是指新模型应用的特殊量化策略。

　　所谓 FP8，其全称为 8-bit floating point（8 位浮点数），是一种超低精度的数据表示格式，用于深度学习中的训练与推理。相较于 FP32（单精度）或 FP16（半精度）等传统浮点格式，FP8 的主要优势包括如下，因此可以在尽量保持数值稳定性和模型精度的前提下，进一步降低存储和计算开销：

　　显著节省显存，比如 FP32 占 4 字节，FP16 占 2 字节，而 FP8 仅占 1 字节。当推理规模达到百亿甚至千亿参数时，节省极为可观；

　　保持模型精度，FP8 通过缩放因子以及混合精度训练，在多数场景下能接近 FP16/FP32 的精度。

　　近年来，除了 NVIDIA 之外，Meta、英特尔、AMD 等也都开始研究 FP8 训练与推理，有成为业界「新黄金标准」的趋势，核心思路在于「两个格式配合使用」。此次，DeepSeek V3.1 此次采用 UE8M0 FP8，意味着其开始在 FP8 技术栈上做自主创新。

　　根据很多人的猜测，UE8M0 只能表示非负数，将覆盖非常大的正数范围或者零；8bit 全部用于指数deepseek，代表了极宽的范围，尤其适合处理梯度、激活值等跨数量级变化极大的数据；没有尾数，代表了数值精度极低（在某个指数范围内无法表达中间值），误差也可能非常大。

　　此外，根据前文提到的要兼容微缩放浮点格式，这种格式的思路是在小块数据中引入外部缩放因子来补偿精度。因此 UE8M0 也可能采用这种思路，从而在国产芯片中实现低比特宽度存储和快速计算。

　　而在国内，包括华为、寒武纪在内多家厂商的新一代 AI 芯片都可以支持 FP8 格式，这也让它们再次成为业界和资本圈关注的焦点。其中华为提出的HiFloat8 （HiF8）方案通过「单一格式 + 锥形精度（tapered precision）」的思路，能够兼顾精度和范围，覆盖正向和反向传播。

　　目前看来，在 DeepSeek V3.1 上使用国产芯片训练的概率还比较小，UME8 M0 应该是为国产推理芯片优化所使用的机制。

　　不过既然 DeepSeek 这回已经明确指出了，我们可以期待未来国产开源大模型，针对华为昇腾、寒武纪等 AI 芯片实现专门优化，并大规模应用。原文出处：究竟会花落谁家？DeepSeek最新大模型瞄准了下一代国产AI芯片，感谢原作者，侵权必删！