華為曝光兩大黑科技！打破推理延遲魔咒，大模型從此「秒回」
「前DeepSeek」時代，人們普遍認為「有卡才能推理，沒卡寸步難行」。
而DeepSeek卻憑借一系列軟件層面的架構創新，把這一硬性門檻直接抬走，同時開創了中國人自己的AI大航海時代。
不過，雖然諸如V3和R1等超大規模MoE性能卓越，但在部署時卻存在著非常大的挑戰——推理的速度和延遲。
心理學和行業實驗一致表明，LLM吐出第一個token所用的時間（TTFT），以及每秒生成的速度直接決定了用戶的「等候感」。超過100毫秒即可感知，超過2秒即可打斷思考。
對于AI應用來說，這里有一個簡單的公式可以說明：更快速度+更低延遲=更高滿意度+更高轉化率。
為了解決這一核心問題，華為通過兩個全新的方法和思路，對MoE模型進行了專門的推理優化，讓中國模型在中國的服務器上的推理速度來到了全新的高度！
- FusionSpec打破了大模型推理「延遲魔咒」，依托于昇騰「超高」計算帶寬比的特點，創新性地重塑了主模型和投機模型的流程，結合輕量級步間準備，將投機推理框架耗時做到了1ms。
- OptiQuant不僅支持主流量化算法，同時具備靈活的自定義組合能力，涵蓋了業內主流評測數據集，為大模型推理提供了更強性價比。
華為挑戰MoE推理的「兩把刷子」
早期LLM的推理通常使用自回歸解碼方式，即「每次只能預測下一個token」。
且需將歷史輸出作為輸入進行下一步解碼，導致推理過程串行、效率低下、計算密集度低。
如何解決這個問題？投機推理技術應運而生。
投機推理（Speculative Inference），也被稱為推測性解碼，其核心思想是利用計算代價遠低于大模型的小模型（也稱為投機模型），先行對后續可能的輸出進行猜測，然后由大模型對這些猜測結果進行驗證，從而實現并行化推理，提升整體推理速度。
這個道理其實也簡單，就像寫作文的時候，你先在草稿上「預測」幾個可能句子（投機模型猜測），再挑出合適的句子寫到正式作文里（大模型或者叫主模型驗證）。
如果草稿上預測的都不對，那就把作文里的擦掉重寫就好了（回退修正）。但要是預測對了，寫作文的速度（大模型的輸出速度）就能更快——畢竟草稿紙上的修改成本遠低于正式作文。
這種「先試錯再優化」的思路，讓大模型能更快、更準的給出答案（也就是推理速度又快又好）。
然而，是想要完美將投機模型和主模型相結合，依然面臨很大的困難。
1. 推測準確性與草稿生成效率的權衡
小模型的主要任務是快速生成可能的輸出，但這往往與生成結果的準確性相矛盾。如何在兩者之間找到最佳平衡點，是投機推理技術面臨的一大挑戰。
2. 批處理推理場景的適配
在實際應用中，批處理推理可以提高系統的整體吞吐量。投機推理本質上來說是用空閑的算力換取更高的吞吐，需要處理好投機模型和投機框架引入的耗時，不然無法發揮投機推理在批處理場景下的加速潛力。
另一方面，僅有投機推理技術也不夠，推理性能提升還需與模型壓縮、量化、增量式解碼等有效集成。
超大規模MoE動輒百億、千億參數量，對顯存帶寬、計算能力和互聯網帶寬需求，提出了極高要求。尤其長序列推理中的KV cache，更是堪稱顯存「無底洞」。
在此背景下，量化技術就成了緩解資源約束、優化部署效率的「救命稻草」——在大幅降低資源占用的同時，還能盡量保留模型精度。
以INT8量化為例：
- 權重量化可以將模型參數的顯存需求降低50%，配合激活值量化，利用Cube-Core的INT8算力加速矩陣乘運算。
- KV cache量化則進一步壓縮了顯存占用，支持更長的序列和更高的并發請求，大幅提升了Decode階段的系統吞吐量。
盡管低比特量化被視為LLM推理的靈丹妙藥，但若要實現高質高效的量化，并非易事。
1. 精度的損失
將模型參數從高精度壓縮到低精度，不可避免會導致精度下降。尤其是，在極低比特數（如二值）情況下更為明顯。
2. 算法的「兩難抉擇」
如何去設計高效、抗噪的量化算法，在保持精度同時，降低計算和訪存復雜度，依舊是行業研究重點。
過于復雜的算法，雖能提升精度，但會增加計算開銷，抵銷量化的效率優勢。而過于簡單的算法，又會犧牲過多精度，最終導致模型效果不佳。
3. 硬件兼容的適配
量化后的模型還需與硬件深度適配，而現有的量化算法在昇騰硬件上還有很多創新優化的空間。
此外，量化誤差的控制和推理過程中的動態調整策略，也充滿了挑戰。
4.校準集泛化性缺失
校準集的泛化性缺失導致了在很多任務上，難以達到與原有模型相近的精度水平，甚至在某些場景下精度下降十分嚴重。
不論是投機推理，還是低比特量化，都是推理優化過程核心，它們所面臨的難題，是LLM飆速推理路上最大的絆腳石。
而現在，華為的這套方案，徹底攻克所有挑戰，解鎖了AI模型的中國速度。
投機推理框架FusionSpec 創1ms奇跡
具體來說，在投機推理方面，華為團隊提出了投機推理框架FusionSpec。
FusionSpec充分利用了昇騰服務器高計算帶寬比的特點，在低時延大并發場景下，深度優化了DeepSeek提出的MTP在昇騰上的推理性能，將投機推理框架耗時減小至1ms，并在三個方面進行了重大創新：
1. 考慮到DeepSeek的模型架構，MTP層需要主體模型的最后一層結果作為輸入，將MTP層的執行直接排在主體模型執行之后。
這樣做帶來兩個優勢：
- 優化后的調度順序避免了推理的步間數據傳輸
- 在PD分離的部署場景下，投機模型的后置解耦了PD分離系統與投機框架，同時有效減少了節點間的數據傳輸
昇騰基于PD分離部署的vLLM框架調度示意圖
2. 參考MTP層訓練模式，將MTP層視為模型的一部分，注意力算子復用主體模型的控制參數。
DeepSeek V3/R1為代表的主流的大語言模型采用旋轉位置編碼RoPE。在使用投機模型進行預測時，會按實際推理的token個數進行位置編碼。
但對MTP層而言，計算時會忽略輸入的第0個token。因此，研究團隊把MTP層輸入的第0個token舍去，前移其余token，并復用主體模型的控制參數。
而RoPE保證了對所有token進行平移后的attention score不發生改變。這樣，就可以保證MTP層的正確計算，同時節省CPU上的準備時間，并簡化整個系統的block管理。
· 參數復用省去了控制參數的重新構造，降低了框架耗時
通過主體模型前置與流程拼接，將單步投機推理中輸入準備從兩次降低為一次，避免主體模型和投機模型之間CPU同步打斷流水，壓縮了單步推理內主體模型與投機模型間的框架耗時，使得投機推理的整體框架時延與非投機場景一致。
基于上述優化，FusionSpec框架實現了在較低時延下的高并發、大吞吐。
3. 實現了NPU上的輕量步間準備，支撐了vLLM v0的multi-step以及vLLM v1前后處理全異步，進一步降低了步間的框架耗時。
除了模型結構和框架設計優化外，在算子級別的細化加速同樣關鍵——這就是FusionSpec進一步優化的重點。
· 投機場景MLA算子加速
DeepSeek提出的對多頭潛注意力機制MLA，通過對Key和Value的低秩聯合壓縮，不僅大幅減少了所需的KV緩存量，同時性能還超過了傳統的MHA。
為了充分利用昇騰的計算能力，壓縮端到端輸出時間，FusionSpec進一步優化了投機場景MLA計算流程，減少矩陣的搬運時間。
投機場景下多頭潛在注意力MLA算子優化
· TopK、TopP算子加速
在投機推理場景中，若預測m個token，單步推理需進行1+m次詞表采樣操作，所以采樣操作的速度變得更加重要。
采樣操作一般包含溫度、TopK、TopP三步，其中TopK、TopP需要排序，并且計算前綴和，這些是采樣操作的瓶頸。
未來，FusionSpec將采用流式過濾策略、昇騰歸并排序API優化TopK、TopP計算。
量化框架OptiQuant 讓MoE巨獸飛起來
在量化方面，華為團隊則提出了OptiQuant量化框架。
它不僅兼容業界主流量化算法，通過一系列功能創新，為高效部署提供了強力支撐。具體來說，它有四大核心亮點：
· 豐富的量化和數值類型
OptiQuant支持了Int2/4/8和FP8/HiFloat8等數據類型，與業界Qserve、HQQ、LUT等主流量化方法兼容。
在此基礎上，OptiQuant創新性提出「可學習截斷」、「量化參數優化」等算法，將量化誤差進一步降低。
· 業內主流評測數據集
OptiQuant支持多樣化評測任務，包括判斷題、問答題、代碼題和數學題等多個方向，覆蓋了十種常見的語言。
為了提升量化模型的泛化能力，OptiQuant還引入了混合校準集的方法，按一定的比例混合不同數據集。
· 量化權重以及元數據的生成
OptiQuant提出了自適應層間混精算法和PD分離量化權重，并且根據對應的量化配置生成對應的權重參數，通過去冗余技術減少參數保存的參數量。
同時，FlexSmoothQuant等算法在數據校準過程中，將搜索到的元數據進行保存，并用于后續推理過程。
· 量化權重推理
OptiQuant提出了KVCache量化和MoE TopK專家剪枝技術。
結合昇騰親和的量化算子，OptiQuant通過高效數據并行/流水并行，針對不同大小的大語言模型實現精度驗證性能加速，將對各個數據集精度評估性能提高了5x以上。
此外，OptiQuant還支持Vector Quantization、DFloat11、可逆變換、量化模型微調等技術點。
OptiQuant量化框架
通過OptiQuant和相關優化算法，華為實現了W8A8C16/W4A8C16的模型精度，媲美FP8精度的效果，并充分發揮了昇騰硬件性能。
表1：DeepSeek-R1模型精度測試結果
注1：如無特殊說明, 測試為單次結果
注2：測試3次以上結果取平均
注3：單次測試結果
表2：DeepSeek-V3-0324模型精度測試結果
注1：單次測試結果
下一步，團隊還將探索PD差異量化、KV cache量化、TopK專家剪枝、通用的等價變換建模、和量化微調等方向，實現更高效、更低比特的權重、激活和KV cache的量化模型推理技術。
總而言之，FusionSpec和OptiQuant的雙劍合璧，將為超大規模MoE模型推理開辟了全新路徑。
這兩大框架的提出，打破了LLM推理的延遲魔咒、資源瓶頸。
這不僅僅是一次技術的突破，更是中國AI在全球舞臺上的一次強勢發聲。
未來，FusionSpec推理框架和OptiQuant量化框架有機融合，將促使更多的創新涌現出來。
技術報告：
技術博客：
