2 月 25 日消息，DeepSeek 的“开源周”活动今日已经来到第二天，今天发布的是首个开源的用于 MoE 模型训练和推理的 EP 通信库 ——DeepEP。

IT之家附开源地址：https://github.com/deepseek-ai/DeepEP

官方表示其具备如下特征：

• 高效优化的全到全通信方式
• 支持节点内外通信，兼容 NVLink 和 RDMA 技术
• 提供高吞吐量的内核，提升训练和推理前期填充效率
• 提供低延迟内核，优化推理解码速度
• 完全支持 FP8 数据格式调度
• 提供灵活的 GPU 资源管理，支持计算与通信的重叠执行

详细介绍的大意如下：

DeepEP 是一款专为混合专家（MoE）和专家并行（EP）设计的通信库，提供了高吞吐量和低延迟的 all-to-all GPU 内核，常用于 MoE 派发和合并操作。该库还支持低精度计算，包括 FP8。

为了与 DeepSeek-V3 论文中提出的组限制门控算法兼容，DeepEP 提供了一些针对不对称带宽转发优化的内核，比如将数据从 NVLink 域转发到 RDMA 域。这些优化的内核能够提供高吞吐量，适合用于训练和推理的预填充任务，同时支持 SM（流式多处理器）数量控制。

对于延迟敏感型的推理解码任务，DeepEP 提供了一套低延迟内核，采用纯 RDMA 技术以最大程度减少延迟。此外，该库还采用了一种基于 Hook 的通信与计算重叠方法，不会占用任何 SM 资源。

需求：

• Hopper GPUs (may support more architectures or devices later)
• Python 3.8 及以上版本
• CUDA 12.3 及以上版本
• PyTorch 2.1 及以上版本
• 使用 NVLink 进行节点间通信
• 基于 RDMA 网络的节点间通信