中科驭数高性能网卡产品 成就DeepSeek推理模型网络底座

2025年初，DeepSeek-V3与DeepSeek-R1推理模型的开源引爆了AI社区，这两款产品作为通用千亿级模型与专用推理优化模型，为全球AI技术生态带来重大变革，不仅展示了中国AGI技术的突破性进展，而且开源模型发展带来部署成本的极速下降，为定制化AGI服务，推理本地化部署，带来发展机遇，也掀起了新的一轮智算基础设施建设浪潮。

与按Token生成数量计费的AI云服务模式不同，出于数据安全的考虑，很多用户选择采用本地化部署推理集群的方式将AI能力集成到当前业务流中。由于整个推理应用的业务链条非常长，本地化部署需要综合考虑如下各个方面与需求的匹配度：

硬件与基础设施规划：包括GPU与专用芯片选型、网络架构优化与隔离、存储方案评估

模型优化与部署策略：包括量化压缩等推理加速技术选型、资源动态调度技术等

安全与合规性：需要综合考虑数据使用的便捷性与合规要求

高可用与容灾设计：包括故障自愈方案、数据备份等

成本控制：根据业务使用模式合理制定需求规格，严控成本

为了更好地服务客户完成本地化推理集群的选型与部署工作，近期中科驭数作为国内AI网络的头部DPU芯片产品供应商，从网络选型对推理集群性能影响的角度出发，设计与执行了一系列实验并收集了翔实的一手材料数据。

本实验环境共采用了DeepSeek-R1-Distill-Qwen-32B未量化版本作为基础模型，基于vLLM搭建了推理集群，并采用evalscope对推理效果完成了评估。本次时延共使用了两台双GPU服务器，服务器基本配置如下：

首先，我们关注采用TCP方式作为底层推理网络基础时，进行了如下测试：

当采用2TP+2PP的模型切割方式时，获得了如下基础数据：

随后切换到4TP+1PP模型切割模式，加大了不同节点间的矩阵数据交换需求，得到如下数据:

为了更好的体现测试数据的公平性，本测试随后选择行业领导企业的成熟网卡产品进行了实验，得出了基本一致的数据测试结果。并且在TCP模式下，中科驭数FlexFlow-2200T设备基本达到了与国际一线厂商相同的能力水平。

随后，本实验将底层基础网络技术切换为RDMA网络，进行了测试验证并收集到如下数据：

通过对比可以得知在模型进行良好切分设计的情况下，RDMA网络并未能提升整体推理性能，但是在节点间需要传递张量数据的情况下，RDMA网络可大幅提升模型推理性能，同时在大并发规模时，能够更好的保持推理集群的服务稳定性。

通过一系列的实验结果，我们可以得出如下结论：

一、良好的模型切分设计可以大幅提升模型性能，此时无需引入复杂的RDMA网络运维，即可获得最佳的推理性能体验，从而获得最高的投入产出比。

二、在单台服务器GPU算力受限，不得不在节点间进行张量切分时，可以使用RDMA网络保证推理模型的服务性能与稳定性。但是引入RDMA带来性能提升的同时，成本的提升比例也是一致的。大家可以按照实际应用场景，考虑多方因素后综合选择。

中科驭数的作为国内全品种网卡的研发企业，基于全自研、国产芯片K2-Pro打造的FlexFlow-2200T网卡，可以承担智算大模型的网络底座，为您的智算模型增加一颗“中国芯”。

审核编辑 黄宇