DeepSeek 推出了 V3.1 版別，簡略過一下亮點：混合推理架構：一個模型一同支撐考慮方法與非考慮方法。更高的考慮功率：比較 DeepSeek-R1-0528，DeepSeek-V3.1-Think 能在更短時刻內給出答案。更強的 Agent 才能：經過 Post-Training 優化，新模型在東西運用與智能體使命中的體現有較大提高。

但更讓人獵奇的是，DeepSeek 還在置頂留言里著重：UE8M0 FP8是針對行將發布的下一代國產芯片規劃。

這句話放在當下的語境里，就顯得耐人尋味——究竟不久前，相關部分才約談英偉達，要求解說 H20 芯片的安全危險。

也正因如此，幾個技能性的名詞才變得分外值得重視：參數精度究竟是什么？為什么芯片會決議它的方法？

這些改動背面，或許預示著國內 AI 保存正在進入一個軟硬件協同的新階段。

1

看不見的小數點，決議了大模型的命運

在深度學習里，參數便是模型的大腦神經元之間的“權重”，練習時需求不斷更新、存儲、核算。精度（precision）便是用多少位二進制數來記載這些參數。

在介紹 FP8 之前，先得回到核算機最底子的問題：機器是怎樣存數字的？

最簡略的方法叫整數（int）。它就像算盤上的珠子，能表明的是一個個準確的格子：1、2、3、4。但整數無法表明 3.14 這樣的圓周率，也很難處理科學核算中常見的極大值或極小值。

所以，科學家們發明晰浮點數（floating point），也便是 FP8 中的 FP。望文生義，小數點的方位是“起浮”的，既能寫成 3.14159 這樣的日常數字，也能寫成 6.02×1023 這樣地理級的指數。浮點數本質上便是把一個數字拆成三部分：符號位、指數、尾數。符號位決議正負，指數決議小數點的方位，尾數決議精度。

浮點數底子能夠表明任何數字，價值是，相同的內存位數，用得越多，表明得越準確；用得越少，表明得越粗糙。

在很長一段時刻里，FP32（32 位浮點數）是核算機的黃金規范，它精度高，規劃廣，簡直是科學核算、圖畫處理、AI 的通用方法。但當大模型的參數量級脹大到數千億乃至萬億，FP32 就顯得臃腫了。每一條權亞洲素人天然素人Av在線觀看重都要用 32 位去存，顯存底子不夠用，練習時刻也被拖長。

所以，保存開端測驗下降精度。先是 FP16（16 位浮點數），后來是 FP8（8 位浮點數）。舉個不恰當比方，就像把一張 4K 高清相片壓縮成 480p 的小圖，細節丟失在所難免，但能存更多張，還能傳輸得更快。

用英偉達技能博客里的一張圖能夠直觀的看出來，相同用 H100，FP8 的速度遠遠高于 FP16。

練習大模型時，最大的瓶頸不是算法，而是算力和顯存。NVIDIA 官方博客指出，FP8 在不明顯獻身模型作用的前提下，能讓吞吐量翻倍、顯存占用折半，這是練習 GPT 等級大模型時極具吸引力的優勢。

換句話說，在大模型這種尋求“規劃勝過精度”的賽道上，FP8 成了必然選擇。

英偉達技能博客：https://developer.nvidia.com/zh-cn/blog/fp8-precision-performance/

2

誰擬定規矩，誰就把握算力

那 FP8 就 FP8 ，DeepSeek說的“UE8M0 FP8”是什么？為什么還要適配國產芯片？

首要，FP8 自身并不是一個徹底中立的國際規范。表面上，NVIDIA 從前和 Intel、Arm 一同推動過 FP8 的規范化，推出了 E4M3 和 E5M2 兩種格局，別離偏重精度和數值規劃，看起來像是一次闖禍的保存規范化舉動。

但在真實落地時，NVIDIA 在自家的 GPU 上加了許多“優化”：比方 per-tensor scaling、per-block scaling 這樣的動態縮放戰略，用來處理 FP8 動態規劃太窄、簡單溢出的問題。又比方在 Tensor Core 上內置了針對 FP8 的指令集優化，使得 FP8 在 H100 上能直接跑滿算力。這些優化細節沒有寫進統一規范里，卻被深度綁定在 NVIDIA 的硬件和軟件棧中。

NVIDIA 最新的 Blackwell 架構原生支撐一種全新的“微縮浮點格局”（Microscaling formats），包含 MXFP8（8?bit 浮點）、MXFP6（6?bit）、MXFP4（4?bit）。有研究者在高質量數據集進步行了大規劃驗證：一個 8 億參數的模型，在運用了 MXFP8?E4M3 格局和精心規劃的數值轉化戰略后，練習成果簡直達到了傳統 BF16（bfloat16）的水平。說白了，在 Blackwell 架構中，運用 MXFP8 格局的預練習作用體現最好。

參閱論文：Recipes for Pre-training LLMs with MXFP8 https://arxiv.org/pdf/2506.08027

回到 DeepSeek 在 V3.1 發布官微談論中著重的UE8M0 FP8，并不是 NVIDIA 官方的 FP8 規范，而是一種變體格局。它更挨近一種極點的規劃優先戰略，簡直放棄了小亞洲素人天然素人Av在線觀看數部分精度。

這就像你甘愿用一把刻度粗糙的卷尺，也要保證它滿足長，能從房間一向量到操場。盡管看不到毫米級的細節，但至少不會量到一半溢出。

為什么要做這樣的取舍？由于國產 GPU 在底層電路和指令集規劃上，并沒有徹底兼容 NVIDIA 的 FP8 計劃。正如上文說到的，英偉達有自己的“優化”，而國產 GPU 并不具有這種“優化”，假如直接照搬，成果往往是數值不安穩，梯度爆破，練習底子收不住。

結合前幾天 DeepSeek R2 延期是由于國產芯片不可的新聞，DeepSeek 在這個時刻發聲仍是很有必要的。DeepSeek 必須在模型端做出退讓：用UE8M0這種“規劃優先”的格局，來適配國產芯片的硬件邏輯，保證國產芯片能跑通的折中計劃。

這是一種軟硬件之間的“相互成果”。模型廠商樂意獻身一些細節精度，換來國產芯片的安穩運轉；而芯片廠商也經過這種協作，逐步建立起自己的 FP8 生態。

3

國產 GPU 的 FP8 聯盟

當然，由此發生的另一個問題是，DeepSeek 在哪家國產芯片上練習啊？

（此處不做為任何出資主張，純屬小道消息，僅僅為了湊字數）

比方沐曦曦云 C600芯片就在 2025 年正式露臉。官方清晰聲稱，它原生支撐 FP8 精度，而且采用了多精度混合算力架構：既能運轉傳統的 FP32/FP16 使命，也能用 FP8 高效加快大模型練習。

C600 其實早在 2024 年 10 月就完結流片，現在正處于小批量量產階段。與此一同，下一代 C700 系列也現已立項，估計在 2026 年 Q2 進入流片測驗。

除了沐曦，燧原科技也在 2025 年推出了最新的L600 芯片。這顆芯片歷時兩年半開發，最大的亮點是采用了訓推一體的架構：既能承當大模型的練習使命，又能直接用于推理布置。更重要的是，L600 原生支撐 FP8 低精度。這與 DeepSeek 模型的精度戰略正好對齊。

UE8M0 僅僅一個冷冰冰的精度參數，放在論文里或許只值半行字。可在今日，它卻像是一種信號：國產芯片廠商和大模型公司，開端真實坐到了一張桌子上，去談怎樣一同往前走。大模型不再順從英偉達的算力邏輯，而是測驗和國產硬件對齊，哪怕進程并不高雅。

本文來自微信大眾號“硅星人Pro”，作者：董道力，36氪經授權發布。