发布日期：2026-10-20 | 话题：DeepInfer / DeepSeek 推理框架 / 大模型推理开源

DeepInfer 是 DeepSeek 于 2026 年 10 月 16 日正式开源的生产级大模型推理框架，Apache 2.0 许可，当前已支持 DeepSeek-V4.1-Flash 的大规模离线推理，同步开源的 deepseek-recipe 组件提供与官方 API 完全对齐的 Token 编解码逻辑。框架核心能力涵盖分布式并行（Attention DP / MoE EP + EPLB）、投机解码（DSpark + 置信度调度验证）、SWA Bounded Replay、结构化输出和异步调度，兼容英伟达 SM100（Blackwell）及华为昇腾 950 两种硬件平台。开源仓库上线四天 Star 数达 598，deepseek-recipe 仓库同期 496 Stars，技术细节另见 DeepSeek 知乎报告。本文从框架定位、核心技术组件、硬件要求、快速上手、与 vLLM/SGLang 的关系，以及对开发者和企业的实际影响逐一展开。

DeepInfer 是什么

DeepInfer（仓库：deepseek-ai/DeepInfer）是支撑 DeepSeek 线上大规模推理服务的内部推理引擎，此次开源发布的是离线推理版本，包含在生产环境中验证过的核心调度与算子能力。

官方定义：High-performance, large-scale inference framework for DeepSeek models，Apache License 2.0，Python 3.12 + CUDA 13（英伟达）或 CANN 9.2（昇腾）环境运行。

DeepSeek 同时开源了配套组件 deepseek-recipe——用 Rust 编写、提供 Python 绑定的编解码库，负责将不同格式的 API 请求（Messages、Chat Completions、Responses）统一转换为内部 Conversation 格式，再渲染为模型提示词并编码为 Token ID，确保社区自托管时与 DeepSeek 官方 API 行为完全对齐。

核心技术组件

DeepInfer 集成了 DeepSeek 此前陆续开源的多个底层算子库，形成完整的推理栈：

底层算子层

算子库

作用

FlashMLA

Multi-head Latent Attention 高效实现

DeepGEMM

矩阵乘法内核优化

DeepEP

专家并行（Expert Parallelism）通信

TileKernels / DeepSelect

MoE 路由与选择算子

TileLang 自定义内核

通过 TileLang 编译器生成的定制算子

并行与调度层

  • Attention DP / 均衡 CP：数据并行注意力计算，支持均衡的上下文并行

  • MoE EP + EPLB：专家并行配合专家负载均衡，减少热点专家的计算瓶颈

  • 异步调度（零开销批调度器）：CPU 批组织与设备计算重叠，默认开启

推测解码层

DSpark + 置信度调度验证（Confidence-Scheduled Verification）：用草稿 token 加速解码，同时根据置信度估计动态调度验证时机。通过环境变量 DEEPINFER_ENABLE_MTP_VARLEN=1 启用，DEEPINFER_USE_NEXTN_DECODE 控制最大草稿长度（默认 5）。

SWA Bounded Replay

Decoder SWA Bounded Replay：通过只重放有界后缀来减少 Decode 阶段的 Prefill 计算量。对 V4.1 的默认配置：DEEPINFER_YOCO_PREFILL_TRUNCATION_MODE=compact，DEEPINFER_YOCO_PREFILL_KEEP_TOKENS=140，保留后缀需覆盖 SWA 窗口加最大回溯长度。

确定性推理

设置 DEEPINFER_BATCH_INVARIANT=1 DEEPINFER_ENABLE_MTP_VARLEN=0 并为 SamplingParams 传入固定 seq_seed，可实现相同输入必然产生相同输出的确定性推理（仅限英伟达平台）。

deepseek-recipe：官方对齐的编解码组件

deepseek-recipe（仓库：deepseek-ai/deepseek-recipe）以 Rust 实现核心逻辑，提供 Python 绑定，覆盖以下能力：

  • 格式转换：Messages / Chat Completions / Responses 三种 API 格式互转，支持流式响应和完整响应

  • 提示词渲染：DeepSeek V4 和 V4.1 的对话渲染，含思考模式（thinking mode）与工具调用

  • Token 上限自动推算：ConversationRequest::resolve_max_tokens 根据提示词长度和上下文窗口自动确定 max_tokens——普通模式默认 8192，思考模式 65536，思考模式 max effort 131072

  • 结构化输出：支持 json_schema 和 regex 两种约束格式

  • 多模态：图像以 base64 或外部 URL 提供，由 OpenCV 预处理后接入 V4.1

对于自托管推理服务的开发者，deepseek-recipe 解决了一个常见痛点：自行实现的提示词渲染与 DeepSeek 官方存在细微差异，导致模型行为不一致。使用官方同款组件可消除这类偏差。

硬件要求与环境

DeepInfer 当前支持两类硬件平台：

硬件

型号

配置要求

英伟达

SM100 架构 GPU（Blackwell，如 H200/B200）

CUDA 13，GCC ≥ 13.0，Python 3.12

华为昇腾

昇腾 950 NPU

CANN 9.2，同等 GCC/Python 要求

来源：DeepInfer README，deepseek-ai/DeepInfer，2026 年 10 月。

性能基准测试在 Prefill 4 张 SM100 GPU + Decode 64 张 SM100 GPU（各在一个 scale-up 域内）的配置下完成，可通过 examples/sweep/run_sweep.sh 复现。

注意：此次开源版本为离线推理，生产级在线服务还需自行补充：KV 缓存系统、VE/Prefill/Decode 分离部署（引擎侧功能已基本实现）、以及跨数据并行副本的负载均衡。

快速上手

环境准备

# 英伟达平台
export DEEPINFER_ACCELERATOR=nvidia
./build.sh

# 昇腾平台
export DEEPINFER_ACCELERATOR=ascend
./build.sh

离线推理示例

# 默认加载 deepseek-ai/DeepSeek-V4.1-Flash-1017（首次运行自动下载到 HuggingFace cache）
python examples/offline_inference.py

# 使用本地权重
DEEPINFER_HF_MODEL_DIR=/path/to/DeepSeek-V4.1-Flash-1017 python examples/offline_inference.py

启用投机解码

DEEPINFER_ENABLE_MTP_VARLEN=1 DEEPINFER_USE_NEXTN_DECODE=5 python examples/offline_inference.py

确定性推理

DEEPINFER_BATCH_INVARIANT=1 DEEPINFER_ENABLE_MTP_VARLEN=0 python examples/offline_inference.py

与 vLLM / SGLang 的关系

DeepInfer README 明确注明：DeepInfer 最初主要基于 vLLM 构建，同时借鉴了 SGLang 和 TensorRT-LLM 的设计，并向这些项目的开发者致谢。

这意味着 DeepInfer 不是从零重写的竞品，而是在 vLLM 基础上针对 DeepSeek 自身架构（MLA 注意力、MoE 专家并行、SWA 滑动窗口注意力）进行深度定制优化的结果。对已经使用 vLLM 部署 DeepSeek 模型的团队来说，DeepInfer 提供了一个"官方调优版本"的参考基准和直接可用的替代方案。

常见问题

Q：DeepInfer 和 vLLM 部署 DeepSeek 的性能差距有多大？

官方在 4 张 SM100 GPU（Prefill）+ 64 张（Decode）的配置下提供了 Pareto 曲线图（吞吐 vs 延迟），但未直接给出与 vLLM 的对比数字。DeepInfer 集成了 FlashMLA、SWA Bounded Replay、DSpark 等针对 DeepSeek 架构的专项优化，理论上在相同硬件上可实现更优的吞吐/延迟曲线。具体差距建议在目标硬件上实测对比。

Q：deepseek-recipe 是否可以独立于 DeepInfer 使用？

可以。deepseek-recipe 是独立的编解码库，可接入任意推理后端（vLLM、SGLang、TensorRT-LLM 等）。对已有推理服务希望提升 API 兼容性的团队，单独集成 deepseek-recipe 即可获得与 DeepSeek 官方对齐的提示词渲染逻辑。

Q：消费级显卡（如 RTX 4090）能否运行 DeepInfer？

当前版本要求英伟达 SM100 架构（Blackwell 系列，如 H200/B200），不支持 Ampere/Ada Lovelace 架构的消费级显卡。面向消费级部署，vLLM + int4 量化仍是更实际的路径。

Q：开源版本是否包含在线服务能力？

此次开源为离线推理版本，KV 缓存系统和 Prefill/Decode 分离部署未包含在内。DeepSeek 公告表明后续新模型的推理代码和优化将持续更新至 DeepInfer 仓库。

Q：企业私有化部署是否可以直接用 DeepInfer？

Apache 2.0 许可允许商业用途，但当前版本缺少生产级在线服务所需的 KV 缓存和负载均衡组件，适合作为性能基准参考或离线批量推理场景。完整在线服务需在此基础上自行补充上述组件，或等待后续开源更新。

结语

DeepInfer 的开源意义不止于一个工具的发布。此前 DeepSeek 已陆续开放 FlashMLA、DeepGEMM、DeepEP、TileLang 等底层算子，本次将推理框架本身一并开源，形成从算子到调度的完整栈。对需要大规模自托管 DeepSeek 模型的企业来说，DeepInfer 提供了官方调优的参考实现；对 AI 基础设施社区来说，它公开了 DeepSeek 线上服务的核心调度思路——投机解码与置信度调度、SWA 有界重放、异步批调度的具体实现方式。对于需要同时调用 DeepSeek 和其他主流模型的团队，兼容 OpenAI 格式的推理服务（如七牛云 Token Plan）可在不自建推理栈的前提下，通过统一 API 接入 DeepSeek V4.1-Flash 等模型，按实际用量灵活控制成本。

本文数据来源：DeepInfer GitHub 仓库（deepseek-ai/DeepInfer）、deepseek-recipe 仓库（deepseek-ai/deepseek-recipe）、DeepSeek 官方公告，均基于 2026 年 10 月 20 日数据。

延伸资源