Al abrir el código fuente de su marco de inferencia de producción, DeepSeek brinda a los desarrolladores un acceso raro al stack de servicio real de un laboratorio de vanguardia, acelerando el despliegue de IA y la transparencia.
Resumen generado con IA. Consulta el original para comprobar el contexto y la precisión.
Extracto de la fuente
Este es el extracto disponible del feed. Puede estar abreviado o en el idioma original.
DeepSeek has open-sourced DeepInfer, the inference framework that runs its production services. The DeepSeek DeepInfer inference framework is the engine behind DeepSeek-V4.1-Flash. It ships under the Apache 2.0 license. DeepSeek also released deepseek-recipe, its MIT-licensed token encoding and decoding layer. For developers, this is a rare look at a frontier lab’s real serving stack. TL;DR Size / scope: 1 supported model (DeepSeek-V4.1-Flash), 1M-token context window per the model card. Runs on: NVIDIA SM100 (Blackwell) GPUs and Huawei Ascend 950 NPUs. Benchmarks used 4 GPUs for prefill and 64 for decode. Performance: Production-grade throughput; DeepSeek says 1 cluster serves 155 trillion tokens per day. Best: Above 25,000 output tokens/s/GPU at 256 requests per rank (EP64, 131,072 context). Worst: Offline inference only. KV cache system, P/D disaggregation and load balancing are not included. What is DeepInfer? DeepInfer is a high-performance inference engine from DeepSeek for its own models. According to it’s GitHub README, it powers DeepSeek’s large-scale production services. This release covers offline inference with the core features needed at scale. It was originally built primarily on vLLM, with ideas from SGLang and TensorRT-LLM. The deployment Q&A gives production context. A single cluster serves 155 trillion tokens per day. DeepSeek reports overall revenue of US$38 per GPU-hour at valley pricing. How does DeepInfer work? The engine stacks DeepSeek’s kernels: FlashMLA, DeepGEMM, DeepEP, TileKernels, DeepSelect and custom TileLang kernels. On top sit 5 system-level ideas. Parallelism: Attention DP plus Wide-EP Attention uses data parallelism. The MoE layers use expert parallelism with an expert-parallel load balancer (EPLB). Decode runs EP64 to EP128 inside a supernode. Prefill uses the smallest EP that memory allows, typically EP2 to EP8. DSpark: confidence-scheduled speculative decoding A draft model proposes 5 tokens per step. A Confidenc
Sobre la prioridad
Una ayuda automática para ordenar, basada en fuentes, palabras clave y entidades, en una escala de 1–12. Alta: 9–12; media: 6–8; baja: 1–5. No mide urgencia, verifica noticias ni representa respaldo editorial.
Voxtral 3 de Mistral unifica las capacidades de transcripción de voz a texto, síntesis de voz y agentes de voz en una única API, simplificando el desarrollo de aplicaciones de voz en tiempo real.
llm-d 1.0 de Google optimiza la inferencia de IA a gran escala en Kubernetes, resolviendo los problemas de equilibrado de carga para cargas de trabajo de agentes autoalojados y aprendizaje por refuerzo.
La nueva herramienta de simulación generativa de NVIDIA transforma la formación en cirugía clínica al crear escenarios realistas impulsados por IA que mejoran la educación médica y la pericia quirúrgica.