继续看看 V4，本文看下 DeepSeek-V4-Flash 本地部署
我的设备
CPU ：Intel Xeon Platinum 8457C
内存 ：480 GiB
GPU ：2 x NVIDIA H20，单卡显存 96 GB
驱动版本：580.126.09
CUDA 版本：13.0
系统盘：100G
数据盘：1T
模型文件 160GB
国内网络，模型下载
modelscope download --model deepseek-ai/DeepSeek-V4-Flash --local_dir /data/models/DeepSeek-V4-Flash
安装vllm-nightly我从没有成功过，只有Docker最省心
docker pull vllm/vllm-openai:deepseekv4-cu129
大家也看到了，即便是 Flash，能跑得起的设备也很少，AMD 全军覆没
看了几个 issues，消费级英伟达显卡也都不配
上面的启动脚本我的 2xH20 自然也不配，启动 N 次，都是 OOM
不断试错之后，实际使用的脚本：
docker run -d \
--name vllm-deepseek-v4-flash \
--restart unless-stopped \
--gpus all \
--privileged \
--ipc=host \
-p 8000:8000 \
-v /data/models:/models:ro \
-e VLLM_ENGINE_READY_TIMEOUT_S=3600 \
vllm/vllm-openai:deepseekv4-cu129 \
/models/DeepSeek-V4-Flash \
--trust-remote-code \
--kv-cache-dtype fp8 \
--block-size 256 \
--enable-expert-parallel \
--data-parallel-size 2 \
--gpu-memory-utilization 0.95 \
--max-model-len 7000 \
--tokenizer-mode deepseek_v4 \
--tool-call-parser deepseek_v4 \
--enable-auto-tool-choice \
--enforce-eager
模型默认 max seq len 是 1048576，完全搞不动，所以我这里 --max-model-len 只设 7K
启动正常，几个日志关键信息分享一下：
1、模型原始 Safetensors 权重文件高达 148.66 GiB（EXT4 文件系统显示的 size），但在启用 FP8 量化 和 Expert Parallelism(EP) 后，单个 Worker 进程（Rank）加载的权重被压缩到了 77.6 GiB
2、扣除权重和系统预留后，只剩下了约 9.29 GiB 用于缓存
3、并发能力，日志显示 Maximum concurrency for 7,000 tokens perrequest: 3.72x。这意味着在长文本（7k tokens）情况下，系统仅能支持约 3.72 个并发请求
4、模型总共有 256 个专家，通过并行配置，每个 Worker 维护 128 个。这样做既利用了多卡的算力，又分摊了专家权重的显存压力
5、日志显示 Using DeepSeek's fp8_ds_mla KV cacheformat。这是 DeepSeek 的“独门绝技”，通过低秩压缩技术（Multi-head Latent Attention），在 FP8 模式下极大地缓解了内存带宽压力（扩展阅读：）
6、日志还可以看到 TileLang 完成了 mhc_pre_big_fuse_tilelang 等内核的编译
7、启动速度：整个引擎初始化（Profile + Cache 创建 + Warmup）耗时约 233 秒。对于这种规模的模型，这个速度表现尚可，大部分时间花在了 DeepGEMM warmup（2 分 36 秒）
效果就别追求了，看看性能
平均生成速度 8.33！！！遥遥领先的卡吗？
哦哦，不对是 H20
难以置信，要知道我测试
关闭思考
查了一下 DeepSeek API 文档，可以关闭思考
写了一个脚本再测、，对比思考与非思考下性能，各跑 10 次取平均，同样的 prompt，max_tokens=1024
结果如下：
再见，浪费了宝贵的几个小时！
