本文来自微信公众号： 机器之心 ，作者：机器之心
昨天下午，沉寂许久的DeepSeek又有新动作了！
不过正如DeepSeek自己在PR中强调的，和模型没关系，更新了一下DeepGEMM代码库。
不过，此次更新，我们看到了一个新东西：Mega MoE。
链接：https://github.com/deepseek-ai/DeepGEMM/pull/304
Mega MoE项目贡献者来自DeepSeek基础设施团队的Chenggang Zhao等人。
Mega MoE是什么？
如何理解Mega MoE？先来看看X网友思维怪怪的解读：
来源：https://x.com/0xLogicrw/status/2044720884066451645
简单来说，Mega MoE干的事情是把原本支离破碎的一整套MoE计算流程，揉成了一坨，一次性在GPU上跑完。
过去的MoE，有点像一个被拆成很多工位的流水线。token先被分发（dispatch）到不同专家，然后做一层线性变换，再过激活函数（SwiGLU），再来一层线性，最后再把结果拼回去。听起来没问题，但现实是，每一步都要单独起一个kernel，中间还夹杂着GPU之间的数据通信。
于是你会看到一种很典型的低效：算一会儿，等一会儿；传一会儿，再算一会儿。
Mega MoE想做的是把这条流水线直接焊死：它把dispatch、两层线性、SwiGLU、combine这些步骤全部fuse到一个mega-kernel里。更关键的是，它不只是「合并步骤」，还在做一件更狠的事情：让数据通信和计算同时发生。
也就是说，一边在Tensor Core上算，一边在NVLink上传，不再是你等我、我等你。
此做法的影响很直接：GPU不再频繁停顿，利用率更高，尤其是在多卡、大规模MoE场景下，这种优化能被直接感受到。有点像把原来一群人在接力搬砖，变成了一台连续运转的传送带。
当然，DeepSeek这次也没打算只做一个「更快的kernel」。你能明显感觉到，他们是在往一个方向死磕：把MoE的效率压到极限。
比如他们开始尝试FP8×FP4这样的组合精度，还搞了一个FP4的indexer，用在MQA logits上。这种操作基本是在逼近「还能不能再省一点算力」的边界。再加上一些GEMM的重构、JIT编译加速，似乎是想要把DeepSeek的AI打磨得更加强劲。
还有一个细节挺有意思：他们明确说，Mega MoE还在开发中，性能数据「之后再说」。看起来，这种级别的优化，往往不是一版代码就能定型的，而是要在不同规模、不同拓扑、不同workload下反复调。现在放出来，更像是在给社区一个信号：方向已经定了，我们开始往这条路狂奔了。
在此基础上，DeepSeek也对DeepGEMM的描述进行了一些调整：
DeepGEMM是一个统一的高性能Tensor Core内核库，将现代大语言模型的关键计算原语整合在一起，包括GEMM（FP8、FP4、BF16）、具备通信重叠的融合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。所有内核通过一个轻量级的即时编译（JIT）模块在运行时编译，安装过程中无需进行CUDA编译。
所以如果一定要给这次更新一个定位，大概可以这么说：这是一次基础设施层的重构尝试。DeepSeek正在把MoE从一种「理论上很美好，但工程上很折腾」的架构，往「可以被大规模、高效率跑起来」的方向推进。
而Mega MoE，很可能只是第一块拼图；就是不知道这块拼图是不是DeepSeek-V4的一部分？
根据X网友St4r的解读，这也可能暗示了DeepSeek所使用的训练卡还是包含了英伟达AI加速卡，还是最新、最顶级的B系列（而非几个月以来一直传言的，使用国产AI训练卡）。