DeepSeek-V3.1震撼发布：UE8M0 FP8引领国产AI新纪元

8月21日，DeepSeek震撼发布了其最新版本——DeepSeek-V3.1。此次升级在以下三个方面实现了重大突破：

1. 混合推理架构：创新性地支持思考模式与非思考模式的同步运作；

2. 高效思考引擎：相较于DeepSeek-R1-0528，DeepSeek-V3.1-Think能更迅速地给出答案；

3. 强大Agent功能：借助Post-Training优化，新模型在工具运用与智能体任务中表现卓越。

官方推文中特别指出，DeepSeek-V3.1采用了UE8M0 FP8 Scale的参数精度，并预告称“UE8M0 FP8专为即将面世的国产芯片设计。”

消息一出，资本市场瞬间沸腾。据东方财富统计，受DeepSeek新品发布影响，8月22日FP8概念股狂飙，寒武纪、和而泰、佳都科技等纷纷涨停。

图源：东方财富

那么，在AI大模型领域内，FP8究竟是何方神圣？DeepSeek推出的“UE8M0 FP8”又有何独到之处？对于国产AI而言，它意味着什么？

1

UE8M0 FP8：揭秘

要理解“UE8M0 FP8”，我们需先洞悉“FP8”的本质。

“FP”即“Floating-Point”（浮点数）的缩写。其核心理念在于采用“二进制科学计数法”表示数字，通过“拆分位数”来平衡“表示范围”与“精度”。

为更直观地理解，我们可以借助熟悉的“十进制科学计数法”进行类比。用其表示数字时，会固定“尾数”格式（如保留1位整数和3位小数），再用“指数”调整数字大小，例如：

这样，数字被“拆分”为两个组成部分：

1.尾数：对应2.345，决定数字的“精度”（如精确到小数点后几位）；

2.指数：对应10^2和10^-3中的“2”和“-3”，决定数字的“范围”（能表示多大或多小的数）。

科学计数法的优势在于：用有限的位数，既能表示极大的数，也能表示极小的数，同时保留关键精度。

在理解浮点数（FP）后，我们再看FP8后面的“8”。这里的“8”通常指的是8 bit，即8个二进制位（总位数）。类似地，还有FP64、FP32、FP16等，总位数越少，存储占用越小、计算速度越快（后续将深入探讨）。

综上所述：FP8的本质是用8 bit（8个二进制位）拆分为“符号+指数+尾数”，以平衡“范围”与“精度”。

其中，8 bit被分为三部分：

1. 符号位（S，1 bit）：表示数字的正负（0=正，1=负）；

2. 指数位（E）：决定数字的范围大小；

3. 尾数位（M）：决定数字的精度高低。

因此，现在理解DeepSeek引入的“UE8M0 FP8”就一目了然了。这里的“U”代表无符号位，“E8”表示指数位为8，“M0”即尾数位为0，“FP8”即8位浮点数。

实质上，UE8M0 FP8以“精度”换取极大的动态“范围”。同时，需通过后续算法和硬件设计来弥补精度问题。

图源：DeepSeek微信公众号

2

为何选择FP8？

在支持FP8之前，国产芯片常用FP16、BF16和INT8等格式。这里简要阐述各厂商转向FP8的考量。

不同格式的差异主要体现在“总位数”、“指数位宽度”、“尾数位宽度”的分配上。按应用场景可分为通用标准格式、AI专用低精度格式和特殊场景格式。

IEEE 754是全球通用的浮点数标准，涵盖从消费电子到高性能计算的大部分场景。其核心在于通过固定位数分配来平衡“范围”与“精度”，主要包括单精度、双精度、半精度三类。

这类格式具有良好的标准化兼容性：所有主流芯片均原生支持，软件生态（如C/C++、Python、CUDA）无需额外适配。

FP32（单精度浮点数）是早期AI开发的默认选择。其设计在精度（约7位有效数字）和计算效率间取得平衡，支撑了AlexNet、ResNet等经典模型的训练。

然而，FP32的局限性在于：存储和计算成本高，随着模型规模扩大，显存占用和算力需求呈指数级增长。

总位数越少，存储占用越小、计算速度越快、但精度越低。例如，FP64精度高但算力消耗是FP32的2~4倍。在此背景下，研究者开始尝试更低精度格式与混合精度训练。

图源：英伟达官方博客

3