DeepSeek 是如何做专家的负载均衡的？如果你在面试时被问到这个问题，应该怎么回答呢？
01.面试官心理分析
从面试官的角度来看，你至少得答到下面这两个层面：
-
第一层，为什么要做专家的负载均衡，动机是什么？
-
第二层，DeepSeek 是怎么做的，它具体有什么高明之处？
好，那接下来我们就一起来分析拆解一下这道面试题目。
02.面试题解析
首先第一点，为什么要做专家的负载均衡？
这里先给大家科普一下负载均衡的概念，它实际上是分布式服务里面的一个概念，指的是一个服务部署到多个节点。
多个用户的请求要尽量让每个节点均匀分配，而不是集中在某些节点上，造成单点过热，从而引发故障。
对于 MoE 架构，现在也是采用了分布式的训练架构，叫 MoE 并行，也就是把不同专家放在不同的机器上，那如果对 token 处理不均匀，也会造成专家之间的负载不均衡。
我们都知道啊，DeepSeek 采用了 shared MoE 架构，看这张图。
从图中可以看到，其中一部分是共享专家 Shared Expert，而另一部分是路由专家 Routed Expert。共享专家是每次固定都会激活，而路由专家是有选择的稀疏激活。
比如在 deepseek v3 中，用了 1 个共享专家+256 个路由专家组成，然后从 256 个路由专家里面选 8 个专家出来。
所以每个 token 其实只有 8 个专家激活，而其他 248 个专家都是不起作用的。
如果某一个专家能力特别强，那它激活的频率就会特别高，而有些专家比较普通，那可能激活的频率又特别低，这样就会造成负载不均衡。
好，了解了这个，我们再来看一下，DeepSeek 是怎么做到 MoE 负载均衡的？
首先，DeepSeek 在选专家的时候，对每一个专家都加了一个可调整的 bias 系数，用来控制当前专家被选中的概率。
来看公式：
可以看到，这里面的 s 就是专家被选中的概率，而 b 就是该专家的 bias 系数。
为了方便大家理解，我们来举个例子：
假设有三个专家，专家 1，专家 2，专家 3，现在要选择其中两个概率最高的专家出来，这里最后一列是专家的输出。
专家 1：0.38 100
专家 2：0.33 200
专家 3：0.29 150
如果我们不做 bias 干预，可以看到专家 1～专家 3 的得分，分别是 0.38，0.33，0.29，那按照概率最高的来选，当然是选择专家 1 和专家 2。
现在我们发现专家 1 之前被选中的次数太多了，而专家 3 之前被选中的次数又比较少，所以我们想加大专家 3 被选中的概率，而减少专家 1 的概率，所以 bias 系数分别调整为 +0.1，0，-0.1。
专家1：0.38 - 0.1 100
专家2：0.33 + 0 200
专家3：0.29 + 0.1 150
这样和原始的专家选中概率加和之后，三个专家的概率变成了 0.28，0.33，0.39，那按照最高的两个概率来选，最后就选择了专家 2 和专家 3。因此最后的输出就是这样，也就是 124.5。
200 * 0.33 + 0.39 * 150 = 124.5
至于如何去调整这个 bias，DeepSeek 的论文中是这样做的。
它是通过一个更新步长 gamma 来进行动态调整，初始 bias 设置为 0，如果某个专家 overload 了，则 bias 减去 gamma，反之，如果某个专家 underload 了，则 bias 加上 gamma。
那如何判断某个专家是否过载呢？这点论文没有细说。当然了，这个有很多方案，比较容易想到的一种实现是，维护一个长度为专家个数的向量 M，向量的每一个元素命中对应专家的次数。
可以根据这个专家最近一段历史被选中的次数除以总次数，得到专家被命中的概率，最后对所有专家做一个归一化。
然后设置一个阈值，如果高于某个阈值则判定为 overload，反之则是 unberload。
当然，这个 gamma 也不是一成不变的，论文中做了 decay，在前 14.3T 数据，gamma 设置为 0.001，最后 500B token，设置为 0。
好，那以上就是对这道 DeepSeek 大模型面试题目的一个分析和拆解，这里是丁师兄大模型，持续分享大模型面试干货！
资料下载方式
