DeepSeek-V4-Flash 本地部署，2 x H20（96GB版本），性能简测

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

1、模型下载

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

2、vLLM Docker 镜像准备

安装vllm-nightly我从没有成功过，只有Docker最省心

docker pull vllm/vllm-openai:deepseekv4-cu129

3、启动脚本

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：DeepSeek 开源周，完结，撒花）

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）

性能情况

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 Qwen3.5/3.6 本地部署，4090 都是 150t/s 的啊

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：

后续更新：启动脚本DP改成TP 关闭enforce-eager模式 速度来到 20Token/s 关闭思考之后生成速度甚至可以到70+，还不错！我要继续调试一下，看能否再提升！