2025 年 2 月 24 日，中国人工智能明星企业 deepseek 正式拉开“开源周”序幕，并率先推出重磅技术成果 —— flashmla。这款专为 nvidia hopper gpu 设计的高性能解码内核，深度优化了多头潜注意力（mla）机制，在处理变长序列的大语言模型（llm）推理任务中展现出卓越性能。
FlashMLA 是什么？
FlashMLA 是 DeepSeek 专为 Hopper 架构 GPU（如 H100/H800）打造的 MLA 解码内核。其核心目标是通过动态内存调度与并行计算优化，显著提升大语言模型在处理可变长度序列时的推理效率。
FlashMLA 的性能表现如何？
在 H800 SXM5 GPU 上，基于 CUDA 12.6 的测试数据显示：
- 内存受限场景下：传输速度高达 3000 GB/s。
- 计算受限场景下：算力可达 580 TFLOPS。
FlashMLA 的工作原理
在自然语言处理和生成式 AI 等任务中，输入数据通常具有不规则的长度，这对传统解码器构成挑战。FlashMLA 利用 Hopper GPU 的架构优势，优化内存使用与计算流程，确保无论输入长度如何变化，都能实现高效稳定的性能输出。
其关键创新包括对 BF16 格式的支持以及采用块大小为 64 的分页 KV 缓存机制，这些设计有效降低了内存开销和延迟，使其成为实时 AI 应用的理想选择。开发者将因此获得更快速的模型训练与推理体验，尤其适用于复杂且动态的数据集。
此外，FlashMLA 还融合了 FlashAttention 2&3 和 CUTLASS 等项目的最佳实践，进一步提升了整体性能与兼容性。
FlashMLA 的主要优势
针对 Hopper GPU 的极致优化
借助 NVIDIA Hopper 架构的 Tensor Cores 和 Transformer Engines，FlashMLA 实现了 3000 GB/s 的内存带宽与 580 TFLOPS 的计算能力，轻松应对 LLM 的高负载运算需求。支持变长序列处理
特别适合 NLP 场景，能够灵活适应各种输入长度，广泛应用于聊天机器人、翻译系统及文本生成等实际场景。高效的内存管理机制
分页 KV 缓存设计（块大小为 64）提升了内存利用率，减少了推理延迟，特别适用于内存受限的大型模型。BF16 精度优化
支持 BF16 数据格式，在保证精度的同时降低内存占用，加快计算速度，更适合资源受限环境下的模型部署或扩展。支持超大规模模型推理
通过优化数据流动和内存访问，FlashMLA 可运行超出 GPU 显存容量两倍的模型，相比 CPU 提速 4-5 倍，GPU 上提速达 20-25 倍，无需昂贵硬件即可支撑超大模型运行。
FlashMLA 对 AI 发展的意义
在 2025 年初，随着 xAI 推出 Grok 语音模式，实时交互式 AI 成为新焦点。FlashMLA 的推出正好强化了后端基础设施，满足日益增长的 AI 模型对速度与效率的需求。
医疗、金融等行业将从中受益。例如，实时患者数据分析或高频交易决策等场景，均可借助 FlashMLA 实现毫秒级响应，推动行业智能化升级。
同时，DeepSeek 的开源策略也有助于 AI 领域的公平竞争与透明发展，使得更多中小团队也能参与前沿模型的研发与应用。
总结
FlashMLA 的发布只是 DeepSeek 开源周的第一步。未来或将推出面向其他 GPU 架构的优化版本、增强 BF16 支持，以及与主流 AI 框架的深度集成。接下来还有哪些技术亮点？值得持续关注。
参考资料
deepseek-ai/FlashMLA：https://www.php.cn/link/a588b762d68fe60225d3de3c647a52b9
