华为放出「准万亿级MoE推理」大招，两大杀手级优化手艺直接开源

机械之心报道

编辑：杜伟

2025 年已靠近尾声，这一年里，大模子加速从单点提效工具升级为支持营业系统的底层基础设施。历程中，推理效率决议了大模子能否真正落地。关于超大规模 MoE 模子，重大推理链路带来了盘算、通讯、访存等方面的挑战，亟需行业给出高效可控的推理路径�；脸隽嗣嫦蜃纪蛞诓问� MoE 推理的完整手艺栈：openPangu-Ultra-MoE-718B-V1.1 展现 MoE 架构的模子潜力、包括 Omni Proxy 调理特征、将昇腾硬件算力使用率推至 86% 的 AMLA 手艺在内的昇腾亲和加速手艺，使得超大规模 MoE 模子具备了走向生产级安排的现实可行性�？词迪郑篽ttps://gitcode.com/ascend-tribe/ascend-inference-cluster#

若是说已往数年大模子竞争的焦点在训练规模与能力突破上，那么现在，推理效率正迅速成为影响模子能否落地的要害变量。

从使命属性来看，训练着重于通过更多算力和数据扩展模子能力，而推理比拼的是谁能以低本钱、低延迟将模子稳固运行起来。尤其关于超大规�；煜ḿ遥∕oE）模子而言，真正的落地挑战来自于盘算、通讯、访存和并行战略等的最优战略选择。

这些挑战迫使企业必需把推理本钱准确到每一次节点通讯和每一个算子开销。在高度耦合的推理链路中，调理或资源分派上的细小误差都可能被放大为延迟上升、吞吐下降，甚至导致安排本钱偏离预期。也正由于云云，推理本钱是否可控，很洪流平上决议了大模子的可用性，并直接影响能否高效进入营业场景。

在大 EP 安排下，MoE 模子能更好地施展芯片和组网能力，实现更低本钱的推理，可是其整个推理系统也会变得异常重大。每一个算子的极致性能、通讯 - 盘算的多流并发、节点间通讯的极致掩饰、整个系统的协同调理，每一环都可能成为大规模安排中的瓶颈。在海内 token 需求指数级增添的今天，推理效率更需要做到极致，以更好地支持大模子的商业闭环。

因此，怎样以更快、更稳的方法跑通千亿以致准万亿参数规模的 MoE 模子，让它们具备生产级安排能力，已经成为整个行业迫切需要解决的焦点难题。现在，随着推理加速、智能调理和硬件算力释放的系统性演进，这一问题在昇腾硬件上有了清晰的解法

上个月，华为宣布并开源了准万亿级 MoE 模子 openPangu-Ultra-MoE-718B-V1.1，它基于昇腾硬件训练，总参数为 718B，激活参数目为 39B，提升了 Agent 工具挪用和其他综合能力。与业内所有实验超大规模 MoE 的团队一样，摆在眼前的一大挑战是：让这个「庞然大物」高效地跑起来。这意味着必需要在推理层面做出突破。

一番深挖之下，我们发明该模子的量化版本——openPangu-Ultra-MoE-718B-V1.1-Int8（以下简称 openPangu-Ultra），已经在昇腾硬件上构建起一条完整可行的推理路径。

模子 GitCode 地点：https://ai.gitcode.com/ascend-tribe/openPangu-Ultra-MoE-718B-V1.1-Int8

详细来讲，依托开源的 Omni Proxy 调理算法以及极致释放硬件算力的全新 AMLA 算法的昇腾亲和加速手艺，openPangu-Ultra 实现了在昇腾硬件上的稳固安排。

昇腾亲和加速手艺，

更快更稳跑通准万亿 MoE

此前，超大规模 MoE 安排更多依赖通用推理框架，如 vLLM、SGLang。虽然能跑起来，但并不善于，往往在专家路由、All-to-All 通讯、节点负载平衡以及专家安排战略等环节难以支持 EP 百级以上的巨型专家并行规模。

同时，大厂内部自研的 MoE 漫衍式推理计划大多不开源，不具备可复用性，并且难以迁徙到昇腾等硬件平台。更主要的是，在缺乏系统级优化的情形下，MoE 推理受限于通讯瓶颈、资源碎片化、硬件使用率低等问题，不但工程本钱高，推理效率也难抵达可商业化的要求。

随着近期一系列昇腾亲和加速手艺的一连开源，已往依赖深度定制和巨额投入才华跑通的超大规模 MoE 推理泛起了新的可能。得益于推理框架与加速套件的深度融合，这些昇腾亲和的加速手艺形成了一套完整高效的超大规模 MoE 推理系统

接下来，我们将从框架层面、调理层面到算子层面，逐步剖析这套推理系统的要害手艺支点。

全链路推理调理特征

先来看框架层面，Omni-Infer 为 vLLM、SGLang 等目今主流的开源大模子推理框架提供了昇腾亲和加速库，在坚持上层接口与开发体验一致的条件下，将昇腾硬件的底层能力无缝接入到现有推理链路。这样一来，开发者无需迁徙效劳架构、无需重写应用逻辑，就能在昇腾硬件上运行大模子。

作为 Omni-Infer 框架层面的主要组成部分， Global Proxy 承载着请求调理与资源优化的焦点使命，是超大规模 MoE 模子的高性能推理调理特征，主要认真漫衍式推理时的请求分发、P/D（Prefill 与 Decode）调理与并行战略协调，以降低延迟、提升吞吐。在 Omni-Infer V0.3.0 中，Global Proxy 带来了凌驾 10% 的推理性能提升

推理框架

为了知足后续更重大的调理需求，Omni-Infer 带来了 Global Proxy 的升级版 ——Omni Proxy，也即第二代请求调理特征。它基于开源的高性能 Web 效劳器和反向署理效劳器 Nginx 打造，在继续 Global Proxy 算法优势的基础上，通过多项手艺立异进一步解决了古板调理器在大模子推理场景下的局限性。

大模子推理请求的奇异性主要在于其显著的周期性负载特征、性能感知缺失、KV 缓存匹配以及冗余盘算问题

首先大模子推理通常呈长周期性，如 Prefill 秒级、Decode 几十毫秒级，导致新请求在目今批次推理竣事前无法进入；其次古板调理器无法准确感知模子运行中的要害指标，如 tokenize 时间、批次巨细、调理周期和 KV 缓存使用率，调理决议缺乏数据支持。别的古板调理器无法对字符串名堂的 prompt 请求与现实 KV 缓存状态举行精准匹配，缓存掷中率达不到预期。最后多机 P/D 疏散安排中 Prefill 和 Decode 节点划分执行相同的 tokenizer 处置惩罚，盘算资源铺张与延迟开销较高。

古板调理器在应对大模子推理的这些挑战时往往难以提供有用支持，因此亟需效率更高、延迟更低、运行更稳的智能调理计划。

大模子推理响应模式

以全生命周期监控、APC 感知调理、Tokenizer 复用和负载感知的 P/D 协同调理为主线的调理系统下，Omni Proxy 的系统吞吐量和推理效率又提升了一个台阶。

立异 1：通过将每个推理请求拆解为 10 个细粒度的生命周期阶段（如下图），Omni Proxy 实现了基于全链路性能数据的准确请求级调理，最大化 Prefill 与 Decode 资源池的使用率并坚持整体负载平衡。

从吸收请求、Tokenize、APC 匹配，到 Prefill 期待、调理与执行，再到 Decode 期待、调理与执行、直至完成

立异 2：同时提供 sequential（先 P 后 D、按需分派并拉取 KV）和 parallel（P/D 同步选择、KV 预分派并按层推送）两种模式，以适配 vLLM 与 SGLang 在 P/D 疏散场景下截然差别的 KV Cache 传输与协同方法，确保两类框架都能实现高效的 Prefill-Decode 调理。

左为 sequential 模式，右为 parallel 模式

立异 3：通过实时同步 KV 缓存状态、基于 tokenizer 与一致哈希的精准匹配以及多 worker 共享的全局缓存状态，实现 APC 感知的高效 KV 缓存复用与智能调理，镌汰重复盘算与节点传输开销。

APC 感知智能调理流程

立异 4：在上游预先完成对话模板睁开与 tokenizer 处置惩罚并将效果随请求下传，阻止下游节点重复盘算，并在 DeepSeek v3 等多机 P/D 疏散场景下降低约 30% 的 tokenizer 开销。

Tokenizer 效果复用优化流程

立异 5：通过对请求按长度与期待时间加权排序、连系 APC 优先匹配以及基于负载与预期处置惩罚时间的节点选择，Prefill 调理器实现对是非请求的动态平衡以及对上游节点的精准匹配，抵达提升吞吐、降低期待和阻止过载的效果。

基于负载与期待时间的批处置惩罚请求

立异 6：连系主从调理与共享内存的数据聚合机制，在多 worker 架构下实现全局一致的调理决议与低开销的性能同步，确保系统高可用性与扩展性。

漫衍式架构优化

Omni Proxy 的六大立异点不是零星的功效补丁，而是举行了一次系统性整合升级，打造出一套面向超大规模 MoE 推理的高性能调理基础设施，让模子在推理链路中坚持可控的延迟和稳固的吞吐。

全栈推理加速系统

至于推理加速套件，同样不是简朴堆叠若干优化�？�，而是将推理的焦点瓶颈逐层重构：

API Server 与 Scale Out能力让推理效劳在昇腾集群中顺畅扩展；序列平衡调理确保差别长度、差别阶段的请求在集群内合理分派，阻止泛起局部节点拥堵。模子安排侧支持 DeepSeek、Qwen、openPangu 等差别系统、差别架构的大模子，兼容性优异；Omni Placement进一步瞄准 MoE 推理最棘手的问题之一 —— 专家安排与负载平衡，通过 Layer-wise 与 Uneven 机制实现差别层、非匀称漫衍的大规模专家的高效调理。MTP 与 Fusion Operator，前者提高多 token 并行天生能力，后者通过算子融合镌汰冗余盘算、提升执行效率。

可以看到，从效劳扩展、使命调理、专家治理到算子加速，这些组件配合修建起支持超大规模 MoE 推理的焦点加速系统。

推理加速套件

进一步地，这些推理加速套件连同 Omni Proxy 一起，将并行战略、调理决议、节点通讯平疏散的环节整合进统一套系统栈，让原本重大而碎片化的流程被编织成一个真正可落地的推理系统，为昇腾硬件承载准万亿 MoE 推理提供了要害的软件支持。

不过，框架层面的协同优化只是完成了第一步，想要继续压榨推理潜力，算子层面的立异同样不可缺少。

AMLA 将昇腾硬件 FLOPS 使用率推至 86%

关于准万亿参数的 MoE 模子，推理性能的崎岖，要害在于芯片算力能否充分释放、算子是否贴合芯片结构、数据流是否高效、通讯开销是否组成瓶颈。这些都将直接影响推理的单 token 本钱，并进一步决议推理链路的稳固性与可扩展性。

在昇腾硬件上，高效软硬件协同的要害是 AMLA（Ascend MLA）。作为超大规模 MoE 推理极致性能的一大支点，其算力使用率最高可达 86%，这在推理场景下是绝无仅有的

作为一种「以加代乘」的高性能 MLA 算子，AMLA 是昇腾系统中极具代表性的底层立异。通过从数学层面临盘算逻辑举行解构，让原本受限的盘算在昇腾架构上获得了越发贴合的执行方法。

论文地点：https://arxiv.org/pdf/2509.25224

作为大语言模子的焦点，注重力机制在处置惩罚一直扩展的超长上下文时面临着越来越大的盘算开销与内存压力。为此，DeepSeek 接纳的多头潜变量注重力（MLA）要领可以在大幅压缩 KV 缓存的同时坚持模子精度。并且，该要领将注重力盘算从访存麋集转向盘算麋集，从而很是契合昇腾这类强调高 FLOPS 密度与高能效的硬件。

不过，直接实现的 MLA 受限于重大输出张量的重复搬运和异构盘算单位无法并行使用这两大瓶颈，导致算力无法充分释放。FlashMLA 等更优计划虽可以提升 FLOPS，但因 KV 缓存的重复搬运引入了特殊开销。要想 MLA 真正在昇腾硬件上跑满，需要在算子级的数据组织与流水化执行方面有所突破。

此次，AMLA 带来了两项要害立异，在数值 Rescaling 和算子流水化两方面同时发力，让注重力算子在昇腾硬件上具备高效跑满的可能。

首先，AMLA 提出了一种基于 FlashAttention 的全新算法，使用 FP32 和 INT32 在二进制上的对应关系，将原本需要大宗浮点乘法的办法改成只用更轻量的整数加法来完成，从算法层面镌汰了盘算开销以及数据搬运。需要指出的是，它不是对某几个 kernel 做局部优化，而是通过重新结构浮点运算，把乘法拆解并映射为更适合芯片执行的加法模式。完整的 AMLA 算法实现如下所示：

在 FlashAttention 的 Rescaling 办法中，通常需要读取 FP32 名堂的输出块并乘以缩放因子，再写回 GM（全局内存）。这一历程须将数据从 GM 搬运至 UB（向量缓冲区) 举行盘算。AMLA 立异性地将这一更新历程使用取代，与此同时，这一操作可转化为对 x 的整数体现的加法运算。这种变换允许使用昇腾硬件支持的原子加法指令，直接在 GM 中完成输出张量的更新。这彻底消除了中心张量在 GM 与 UB 之间的往返搬运，显著降低了访存延迟。

基线 MLA 与 AMLA 的流程比照。

在以加代乘之外，AMLA 又设计了一套连系预加载流水线（Preload Pipeline）层级分块的执行战略。前者通过将盘算使命解耦，使认真矩阵运算的 Cube 核与认真 Softmax / 归一化的 Vector 核能够并行事情。连系预加载机制，确保 Cube 核始终处于饱和盘算状态（Cube-bound），阻止因期待 Vector 核处置惩罚而爆发的流水线气泡。在 Cube 核内部，AMLA 引入了多级分块战略。通详尽粒度的数据切分，实现了数据从高层存储向寄存器搬运的历程与现实盘算历程的完全重叠。这种双层流水线优化确保了数据流的一连性，最大化了 FLOPS 使用率。

AMLA 的预加载流水架构

AMLA 的实测效果进一步印证了其含金量，在昇腾硬件上跑出了最高 614 TFLOPS的性能，算力使用率抵达理论峰值的 86.8%，远高于目今最好的开源 FlashMLA（在 NVIDIA H800 SXM5 上算力使用率约 66.7%）。

以往大模子推理的天花板往往受限于硬件现实可用算力，而 AMLA 抬升了芯片的性能上限，突破了行业恒久停留在 50% 以下的使用率瓶颈，使得昇腾硬件更有用地支持大模子的推理需求。硬件使用率的提升也将进一步翻开系统层面、框架层面以致模子层面的优化空间，提供更强的可一连优化与扩展潜力。

至此，围绕系统性推理加速、全链路智能调理与底层算子优化，华为打出了一套面向超大规模 MoE 推理的组合拳。

为了让超大规模 MoE 模子的安排不再是业界难题，华为在昇腾硬件上祭出了准万亿参数 openPangu-Ultra 与昇腾亲和加速手艺的最佳实践，并在框架层面、调理层面和算子层面举行了一系列手艺立异。

其中昇腾亲和加速手艺在框架层面提供适配 vLLM、SGLang 等的加速器以及多个加速套件，Omni Proxy 带来了更稳更快的智能调理，AMLA 通过算子优化提升硬件算力使用率。这些手艺的组合让准万亿参数 MoE 推理在本钱、性能与稳固性之间找到可落地的平衡点，并为其迈向商业可行性涤讪了基础。

现在，只管 Scaling Laws 的边际收益正在放缓，但模子能力仍在上探。同时，推理效率的底座也在系统、算法与硬件协同优化下一直加固。模子能力与推理效率的双向提升让大模子加速走向工业化落地阶段。

随着大模子的价值判断逐步从「能否训练」转向「能否以可控本钱恒久运行」，行业正在履历一场由推理效率驱动的结构性重构。而 openPangu-Ultra 与昇腾亲和加速手艺的连系，为这种重构给出了一个清晰的范本。

《日本按摩高潮A片中文片免费》，《Q8X2R7L1T4J5M9B6W3》

彩虹宝莉同人污图r18

“免费看世界A片”

又粗又大又爽