要问当下哪个模型备受瞩目，混合专家模型（MoE，Mixture of Experts）当之无愧地跻身热门榜单。它的精妙之处在于，能够依据不同任务的特性，将其精准分配给擅长处理该类任务的专家网络，从而显著提升整个系统的性能。然而，鲜为人知的是，这个关键的专家网络，却也是影响系统推理性能的重要因素。当大量任务纷至沓来，尤其是在超大规模任务的情况下，MoE并非采用“雨露均沾”的方式进行任务分配。这就导致专家网络们出现了明显的负载均衡问题。具体而言，某些专家网络由于频繁被调用，成为了“热专家”；而另一些专家网络则鲜有机会发挥作用，沦为了“冷专家”。MoE里的“专家们”冷热不均的现象十分显著，被调用频率的差距甚至能达到一个数量级以上。这种负载不均衡的状况，会引发一系列问题。它会延长整个系统的推理时间，限制资源利用率和系统性能。那么，如何破解这一难题呢？华为团队给出了有效的解决方案，该方案能让DeepSeek - V3在理论上的推理延迟降低约10%，吞吐量提升约10%。而且，团队还计划在近期将此解法全面开源。接下来，让我们深入探究华为的优化之道。

华为的策略：OmniPlacement

针对专家们冷热不均的问题，华为采用了名为OmniPlacement的优化策略。简单来说，它通过专家重排、层间冗余部署和近实时动态调度等手段，显著提升MoE模型的推理性能。具体可分为以下三个步骤：第一步：基于计算均衡的联合优化华为团队首先对专家的活跃度（激活数据）进行了细致分析，从而识别出忙碌的热专家和清闲的冷专家。接着，他们运用了一种基于计算均衡的联合优化算法——OmniPlacement。该算法会根据专家的调用频率和计算需求，对部署顺序进行优化，从而有效降低负载不均的现象。OmniPlacement算法具有以下特点：动态优先级调整：通过实时统计专家的调用频率，动态调整专家的优先级和节点分配，确保高频专家优先部署在计算能力较强的节点上。通信域优化：算法会分析批次内激活卡数，优化跨节点通信域的范围，减少通信延迟。相较于传统的静态分配方法，该算法显著降低了通信开销。层间差异化部署：允许不同层根据负载特性设置不同的专家部署策略，支持非均匀冗余次数配置，从而更好地适应层间负载差异。

△相同数据条件下，EPLB与OmniPlacement算法，每层设备最大激活数理论对比

第二步：层间高频专家冗余部署上一步是针对冷热专家的整体情况进行优化，而这一步则聚焦于热专家。为了缓解热专家的压力，华为团队提出了层间冗余部署的策略。通过为高频调用专家分配额外的冗余实例，降低跨节点通信开销，进而提升系统吞吐量。该策略的创新之处在于：动态资源分配：根据实时计算资源占用情况和专家调用频率，动态调整冗余实例的分配比例。系统通过预测模型提前分配资源，减少冷热专家间的性能差距。层间差异化配置：不同层根据负载需求设置不同的冗余次数，增强对层间负载差异的适应能力。例如，高负载层可分配更多的冗余实例，而低负载层则减少冗余以节省显存。预测性分配：结合历史激活数据和负载预测模型，系统能够提前优化资源分配，降低突发负载对系统性能的影响。

△冗余不同层数排布的理论热力图

第三步：近实时调度与动态监控机制为了使系统能够更灵活地应对各种变化，在实际运行中迅速做出反应，研究团队设计了一套类似于“智能管家”的方案——近实时调度与动态监控机制。该机制包含以下子模块：近实时调度：通过实时统计数据流特性，动态调整专家分配以适应输入数据的变化。调度算法能够在毫秒级时间内收敛到优化的静态专家部署模式，确保推理过程的高效性和一致性。该机制通过迭代优化专家分配，显著降低了动态调整的计算开销。动态监控：实时跟踪专家激活数据和系统资源占用情况，为调度决策提供准确依据。监控任务在独立的计算流中运行，避免对推理主流程的干扰，保障系统整体效率。动态专家权重访问与摆放：通过层间流水线设计，实现专家权重和分配的动态调整。系统在推理过程中并行处理权重更新和数据流分配，支持高效的专家动态摆放。流水线设计允许在不中断推理流程的情况下完成权重调整，显著降低高负载场景下的推理延迟。这套机制通过两个关键设计大幅提升了系统性能：首先采用多任务并行处理技术，让系统反应更快、调整更灵活；其次独创性地将监控和调度功能分开运行。这样既保证了实时监控的准确性，又避免了监控程序拖慢系统速度，使整个系统运行更加稳定可靠。

△近实时调度理论效果与收敛性

为了支持上述技术的稳定运行，团队还开发了适用于vLLM的推理优化框架OmniPlacement，其核心特点如下：高兼容性：框架支持多种MoE模型架构，能够无缝集成到现有的推理系统中。低时延开销：通过优化数据处理和调度流程，框架显著减少了额外计算开销，确保推理性能不受影响。模块化设计：框架包含数据统计、算法运行和专家调度三大模块，各模块功能解耦，支持功能扩展和维护。模块化设计便于快速迭代和定制化开发。可扩展性：框架支持动态添加新的负载均衡算法和调度策略，适应未来MoE模型的复杂需求。OmniPlacement采用模块化设计，把核心算法和推理流程分开处理，就像把汽车的发动机和控制系统分开优化一样。这样设计有两个突出优势：一是专门负责任务调度的模块可以独立工作，不会干扰主系统的运行效率；二是整个框架可以根据不同需求灵活调整，为大型AI模型的稳定运行提供了坚实的底层支持。

DeepSeek V3系统延迟理论可直降10%

在了解完华为的优化策略后，我们再来看看其实际“疗效”。华为团队在DeepSeek - V3上全面验证了这套优化方法，实验环境涵盖多节点GPU集群和高并发推理场景。测试结果如下：推理延迟：相比基线方法（未优化负载均衡的MoE模型），推理延迟平均降低约10%。延迟的减少主要得益于动态专家分配和通信域优化，显著改善了用户体验。吞吐量：系统吞吐量提升约10%，反映了资源利用率的显著提高。特别是在高并发场景下，冗余部署和动态调度有效缓解了负载瓶颈。系统稳定性：在动态输入和高负载场景下，系统保持高效运行，未出现性能波动或服务中断。动态监控机制确保了系统对突发负载的快速响应。

△OmniPlacement与基线和BestEP的性能对比

进一步的分析表明，OmniPlacement在不同规模的MoE模型和输入数据分布下均表现出良好的适应性。并且从实际测试来看，它不仅能大幅提升运算效率，还能更合理地利用计算资源，同时保持系统稳定运行。这为今后在实际应用中部署大型MoE模型提供了坚实的技术保障。最后值得一提的是，华为团队不仅推出了优化方案，还将在近期把这个方法全面开源。完整技术报告：
https://gitcode.com/ascend-tribe/ascend-inference-cluster/blob/main/OmniPlacement/OmniPlacement-%E6%98%87%E8%85%BE%E8%B6%85%E5%A4%A7%E8%A7%84%E6%A8%A1MoE%E6%A8%A1%E5%9E%8B%E6%8E%A8%E7%90%86%E8%B4%9F%E8%BD%BD%E5%9D%87%E8%A1%A1%E6%8A%80%E6%9C%AF%E6%8A%A5%E5%91%8A.pdf技术博客：
https://gitcode.com/ascend-tribe/ascend-inference-cluster/blob/main/OmniPlacement/ascend-inference-cluster-omniplacement.md