在AI大模型的训练领域，通信效率直接关系到整体训练性能和资源利用率。近日，中国AI初创企业DeepSeek宣布，其开源的通信框架DeepEP在腾讯团队的协助下取得了显著性能提升，尤其在RoCE和InfiniBand（IB）网络环境中，分别实现了100%与30%的性能增幅。
这不仅代表着开源AI生态的持续进化，也标志着国内AI产业链协作能力迈向新的高度。
DeepEP框架：专为MoE和专家并行设计的通信利器
DeepSeek推出的DeepEP框架是一款专为Mixture of Experts（MoE）架构与专家并行（Expert Parallelism, EP）设计的通信库。它具备以下核心技术特点：
- 高吞吐量 GPU Kernel 通信能力
- 极低延迟，适应大规模集群训练场景
- 原生支持低精度计算（包括 FP8）
- 灵活适配多种分布式并行策略
这些优势使DeepEP非常适合构建下一代多专家大模型架构，成为AI系统工程中至关重要的一环。
腾讯Starlink团队深度优化：解决两大性能瓶颈
此次性能飞跃的背后，是腾讯Starlink Networking团队的技术加持。
在与DeepSeek团队的合作中，腾讯工程师识别出DeepEP存在的两大关键瓶颈：
- 双端口NIC（网络接口卡）带宽利用率不足
- CPU控制延迟问题影响通信链路效率
通过在通信调度、NIC资源利用、异步数据路径等多个维度进行定向优化，腾讯团队成功解决了这两个制约点，提升幅度令人振奋：
- 在RoCE网络中，性能实现翻倍提升（100%）
- 在InfiniBand环境下，通信效率提升约30%
GitHub官方致谢：性能飞跃源自腾讯优化
DeepSeek在其GitHub开源项目页面中，明确对腾讯技术团队表示了感谢，称这次优化“带来了巨大的加速效果（huge speedup）”。
目前，优化后的DeepEP框架已完全开源，所有社区开发者与企业均可免费获取，并集成至自有的AI训练系统中，构建更具性能优势的并行大模型。
成功应用：支撑腾讯“混元”大模型训练
此次深度优化后的DeepEP框架，不仅停留在实验和评估层面，还已成功部署于腾讯的“混元”大模型训练平台中。
在腾讯内部服务器（包括Starlink网络系统与H20服务器架构）构建的AI训练环境中，DeepEP展现出优异的通用性和稳定性，支撑了混元模型海量参数的分布式高效训练。
产业影响：国产AI基础设施生态迈向新阶段
此次合作是国产AI生态链“产研融合”的典范案例：
- DeepSeek作为创新型AI大模型公司，提供核心框架与算法能力；
- 腾讯作为基础设施和网络技术巨头，输出底层系统优化能力；
- 双方通过开源协同，形成自下而上的技术突破路径。
这意味着，中国AI产业已不仅停留在模型层的“追赶”，而是正在向通信栈、并行系统、基础设施协同优化等核心方向持续推进，逐步建立完整生态闭环。
总结：DeepEP + 腾讯 = AI训练基础设施的关键一跃
随着模型参数规模的不断膨胀，以及多专家架构（MoE）成为主流趋势，通信框架的性能已成为影响训练效率的决定性因素。
DeepSeek与腾讯联合优化的DeepEP框架，不仅显著提升了训练性能，也验证了中国技术团队在AI系统工程中的协同创新能力。
未来，随着更多企业采用DeepEP，我们有理由相信，中国AI训练基础设施将走出更强的技术“自信之路”。
