昨天下午，沉寂许久的 DeepSeek 又有新动作了！
不过，正如官方在PR中特意说明的，这次更新和模型本身无关，重点落在了其底层代码库DeepGEMM上。
然而，正是这次看似常规的代码更新，露出了一个关键的新名词：Mega MoE。
相关链接：https://github.com/deepseek-ai/DeepGEMM/pull/304
这个Mega MoE项目，由DeepSeek基础设施团队的Chenggang Zhao等人贡献。
Mega MoE 是什么？
如何理解这个新概念？不妨先看看X上网友“思维怪怪的”一个生动比喻：
来源：https://x.com/0xLogicrw/status/2044720884066451645
简单来说，Mega MoE干了一件“化零为整”的事。它把原本分散、割裂的一整套MoE计算流程，彻底揉合成一个整体，力求在GPU上一次性跑完。
传统的MoE实现，好比一条被拆分成多个独立工位的流水线。Token需要先被分发（dispatch）到不同的专家网络，然后进行一层线性变换，接着通过激活函数（比如SwiGLU），再来一层线性变换，最后才能把结果收集（combine）回来。流程听起来清晰，但实际运行时，每一步都得启动一个独立的内核（kernel），中间还穿插着大量的GPU间数据通信。
于是，一种典型的低效场景就出现了：计算一会儿，等待一会儿；传输一会儿，再计算一会儿。GPU的算力就在这种频繁的启停和等待中被白白浪费。
而Mega MoE的目标，就是把这整条流水线“焊死”。它将分发、两层线性层、SwiGLU激活、结果合并这些步骤，全部融合（fuse）进一个单一的“超级内核”（mega-kernel）里。更关键的是，它不止步于步骤合并，还做了一件更彻底的事：实现计算与通信的重叠。
换句话说，让Tensor Core执行计算的同时，NVLink同步进行数据传输，双方不再互相等待。
这么做的影响非常直接：GPU的停顿大幅减少，利用率显著提升。尤其是在多卡、大规模MoE模型的应用场景下，这种优化带来的速度提升是可以被直接感知的。这就好比把原来一组人接力搬砖，换成了一条永不停歇的自动化传送带。
当然，DeepSeek这次的野心显然不止于做出一个“更快的kernel”。你能清晰地感觉到，他们正在朝一个方向持续攻坚：将MoE的潜力压榨到极限。
例如，他们开始尝试FP8与FP4混合精度这样的组合，甚至还为MQA logits设计了一个FP4的索引器（indexer）。这类操作，基本是在试探“计算还能不能再省一点”的终极边界。再加上对GEMM算子的重构、利用JIT（即时编译）进行加速，种种迹象表明，DeepSeek正致力于将其AI基础设施打磨得更为强劲和高效。
有个细节值得玩味：团队明确表示，Mega MoE仍在积极开发中，具体的性能数据“容后再禀”。这其实很符合这类深度优化的特点——它往往不是一版代码就能定型，而是需要在不同模型规模、不同硬件拓扑、不同工作负载下反复调试和打磨。此时选择开源，更像是在向社区释放一个明确的信号：技术路线已经锚定，我们正沿着这条道路全力冲刺。
基于Mega MoE等更新，DeepSeek也对DeepGEMM库的描述进行了调整：
DeepGEMM是一个统一的高性能Tensor Core内核库，它将现代大语言模型的关键计算原语整合在一起，包括支持FP8、FP4、BF16精度的GEMM、具备通信重叠能力的融合MoE（Mega MoE）、用于lightning indexer的MQA打分、HyperConnection（HC）等，全部汇聚到一个统一且一致的CUDA代码库中。所有内核都通过一个轻量级的即时编译（JIT）模块在运行时编译，因此在安装过程中无需进行复杂的CUDA编译。
所以，如果非要给这次更新一个定位，或许可以这么说：这是一次发生在基础设施层的深度重构尝试。DeepSeek正在努力将MoE从一种“理论上很美好，但工程上很折腾”的架构，推向“能够被大规模、高效率部署和应用”的实用阶段。
而Mega MoE，很可能只是这宏大蓝图中的第一块关键拼图。剩下的悬念是，这块拼图是否会成为未来DeepSeek-V4模型的一部分？
另外，根据X网友St4r的解读，此次更新中透露的某些技术细节，也可能暗示了DeepSeek训练所使用的硬件，仍然包含了英伟达最新的顶级B系列AI加速卡（而非过去几个月传闻中提到的国产训练卡）。
