在昨天开源 FlashMLA 后，DeepSeek 开源周又打响了第二枪：从数十亿到数万亿参数，用 DeepEP 突破高效通信的瓶颈。这是首个用于 MoE 模型训练和推理的 EP 通信库。

“春运”般的 AI 算力，用 DeepEP 书写交通规则

在传统分布式训练中，GPU集群常陷入“算力空转”的困境：当A卡完成计算时，B卡还在等待数据传输。就像高峰期的地铁换乘站，再强的算力也会被人流堵塞消解。

而 DeepEP 有以下亮点：

高效和优化的多对多通信

节点/跨节点都支持NVLink和RDMA

用于训练和推理预填充的高吞吐量内核

用于推理解码的低延迟内核

原生支持FP8调度

灵活GPU资源控制，实现计算与通信的高效重叠

DeepEP的突破在于重构了数据流的“交通规则”：通过 FP8 智能压缩技术，将原本需要 10 车道的数据货车瘦身为 8 车道，配合预填充机制提前规划传输路线。实测显示，在千卡集群中，这种“错峰出行+绿色通道”的组合拳，能让通信等待时间再度下降。 全网好评：每天都像 100 年 截止 14 时，Github 上的 Star 已经有 2.7k，还在不断增长。 网友也非常激动，有网友表示，感觉每一天都像 100 年一样，当然也有网友调侃，“我想看看英伟达的股价跌了多少”。 有人说，开源EP通信库DeepEP的引入可能会彻底改变AI和区块链应用程序的互操作性。通过改善分散系统之间的通信，它促进了更有效的数据交换和处理。这可以降低成本并提高人工智能任务的性能，吸引更多的开发人员进入加密空间。 也有人高度赞扬 DeepSeek 团队：他们正在做令人难以置信的工作。 重构AI基础设施的“底层语法” 当业界还在争论 MoE 架构的实用性时，DeepEP 已经悄然改写了游戏规则。 其创新的 group-limited gating 机制，让专家网络间的协作效率提升了 3 个数量级。 更令人敬佩的是，DeepSeek 这次将如此核心的技术完全开源。这相当于把自动驾驶的激光雷达技术图纸公之于众，在AI基础设施领域掀起“军备竞赛”。 DeepSeek 开源的不是代码，而是通往AGI的高速公路蓝图。