刚刚！微调 DeepSeek 满血版正式开源。。。

近期，由中国科学院自动化研究所与中科闻歌联合推出的 DeepSeek-V3/R1 671B 全参数微调开源方案正式发布！该项目完整公开了从模型训练到推理的全流程代码与脚本，并附带了实际训练中的经验总结与优化建议，为大模型开发者提供了一套可直接落地实战的解决方案。

一、项目亮点

1、完整训练逻辑代码：基于DeepSeek-V3论文，并结合DeepSeek-V2代码，该项目实现了包含训练核心逻辑的modeling_deepseek.py文件，确保与官方架构兼容。

2、高效并行训练策略：支持数据并行（DeepSpeed ZeRO）与序列并行（SP），在32台H100服务器集群上完成671B模型的满血版模型全参数微调。

3、训练实战经验总结：提供多组实验配置对比（如不同超参数、并行策略选择下的显存占用），推荐最优训练参数，助开发者少走弯路。

二、项目意义

技术角度：通过全参数微调，DeepSeek 模型能更好地训练并拟合目标任务模式和数据分布，整体训练效果优于 LoRA 等低资源微调方案。

应用角度：针对模型在预训练阶段已具备基础知识的领域，全参数微调能够挖掘模型在特定垂直领域（如社会计算、媒体领域等）各种下游任务的性能潜力。

三、硬件配置

单台服务器配置如下表，集群共有 32 台相同配置的机器，共享 100TB 存储空间，挂载路径为 /nfs。机器操作系统为 Ubuntu 22.04，机器之间使用 IB 网络进行通信，GPU 之间通过 NVLink 通信，CUDA 版本为 12.6。

四、环境配置

本项目基于 xtuner 框架进行扩展和改进，使其支持 Deepseek V3/R1（即 DeepseekV3ForCausalLM 模型架构）的全参数微调，支持数据并行（DeepSpeed ZeRO based DP）和序列并行（Sequence Parallel, SP）。安装 Python 环境，可根据项目中 requirements.txt 安装依赖包，并将 ./code/xtuner 与 DeepseekV3ForCausalLM 训练相关的核心代码覆盖原始 xtuner package 的对应代码即可。

conda create -n ds_env python=3.10conda activate ds_envpip install -r requirements.txt# 覆盖核心代码 这里修改为你的环境路径YOUR_ENV_PATH='/nfs/miniconda3/envs/ds_env/lib/python3.10/site-packages'cp -r ./code/xtuner $YOUR_ENV_PATH

五、数据准备

该项目基于 OpenAI 标准数据格式进行扩展以兼容 reasoning 数据，每条原始训练数据格式如下。如果有思考过程，则 assistant 角色的 reasoning_content 字段非空。

{  "messages": [    {"role": "system", "content": "You are a helpful assistant."},    {"role": "user", "content": "用户问题"},    {"role": "assistant", "content": "最终回答", "reasoning_content": "思考过程"}  ]}

为了简化处理逻辑，该项目将 reasoning_content 和 content 按照 Deepseek 的训练格式合并到 content 字段中。此外，为了兼容多轮对话的训练逻辑，还为 assistant 角色的每轮添加了 loss 字段，仅对值为 true 的 content 内容计算 loss。

{  "messages": [    {"role": "system", "content": "You are a helpful assistant."},    {"role": "user", "content": "用户问题"},    {"role": "assistant", "content": "<think>\n思考过程\n</think>\n\n最终回答", "loss": true}  ]}

为了更清晰地展示数据存储格式，该项目提供了一份转换后的数据样例文件 ./data/train_example.json 以供参考。在实际训练时，程序会根据 Deepseek V3/R1 的训练模版自动转换为如下格式，这里仅供展示：

<｜begin▁of▁sentence｜>You are a helpful assistant.<｜User｜>用户问题<｜Assistant｜><think>\n思考过程\n</think>\n\n最终回答<｜end▁of▁sentence｜>

六、启动训练

该项目提供了训练代码和训练启动脚本，其中：

./code/scripts/sft_deepseek.py：sft训练所需的配置文件，包括超参数设置、model和tokenizer配置、训练策略等，模型训练相关的配置均在此文件修改。

./code/scripts/sft_deepseek.sh：sft训练启动脚本，该脚本为单个节点的执行文件，因此需要通过 slurm 或 pdsh 在每台机器执行。对于每台机器，训练启动命令的唯一不同为 NODE_RANK 值，如果共 32 台机器，则该编号分别从 0 到 31。

以下是该项目提供的几组实验的结论，包括在不同并行策略等配置下模型训练的可行性。训练数据 ~100k，训练上下文长度为 32k。表中报告了每次实验使用的机器数量（nodes）、序列并行度（sp）、数据并行方式（dp）、单卡 batch size（bs）、迭代轮次（epoch）、学习率（lr）、单卡显存（mem）、实验记录和备注（notes）。

以下是训练过程中的一个截图，从 DeepSeek V3 对该项目使用的 reasoning 数据进行全参数微调时，起始 loss 通常在 3.5 左右，经过 1 epoch 训练后，loss 收敛到 1.2 左右。

七、模型权重转换

训练过程中建议使用至少 100TB 的 SSD 大容量存储，因为单个 pth 中间结果大约占 7.4TB 硬盘空间。训练完成后，需要将 pth 转换为主流推理框架（如vllm等）较好兼容的 huggingface 格式。在单台机器节点执行 bash ./code/scripts/convert_pth_to_hf.sh 即可完成模型权重格式转换，可根据实际情况修改脚本中的 pth 路径和权重保存路径。

需要注意的是，由于本过程对 CPU 内存有较大需求，因此可以通过虚拟内存进行扩展，防止 Out-of-memory。Swap（交换分区） 是 Linux 的虚拟内存，作用是当物理内存（RAM）不够用时，把部分数据存入磁盘，释放 RAM。

sudo fallocate -l 8192G /tmp/swapfile  # 创建 8T 交换文件sudo chmod 600 /tmp/swapfilesudo mkswap /tmp/swapfilesudo swapon /tmp/swapfilefree -h  # 检查 swap 是否增加

八、模型推理部署

该项目使用 vLLM 对全参数微调后的模型进行简单部署测试。如果使用 slurm 集群，可参考该项目提供的脚本并执行 sbatch 命令 sbatch ./code/scripts/vllm_deploy_slurm.sh 即可提交作业。半精度（bf16/fp16）模型建议使用4台机器32卡进行部署，如需配置 ray 或 api server 的端口号，可自行修改 sh 文件。如果需要通过 pdsh 启动部署（假设使用 node0~node3 四台机器），可参考以下步骤：  

1、设置环境变量（node0~node3）。

export HEAD_ADDR="node0"export DASHBOARD_PORT=8265export HEAD_PORT=6379export RAY_TMPDIR=/tmp/ray_tmp/export RAY_ADDRESS=$HEAD_ADDR:$HEAD_PORT

2、启动 Ray Head（node0）。

pdsh -R ssh -w node0 "source /nfs/miniconda3/etc/profile.d/conda.sh && conda activate vllm && \ray start --block --head --port=$HEAD_PORT --dashboard-port=$DASHBOARD_PORT --temp-dir=$RAY_TMPDIR"

3、启动 Ray Worker（node1~node3）。

pdsh -R ssh -w node1,node2,node3 "source /nfs/miniconda3/etc/profile.d/conda.sh && conda activate vllm && \ray start --block --address=$HEAD_ADDR:$HEAD_PORT"

4、启动 vLLM（node0）。

pdsh -R ssh -w node0 "source /nfs/miniconda3/etc/profile.d/conda.sh && conda activate vllm && \vllm serve /path/of/your/deepseek_sft_ckpt \    --tensor-parallel-size 8 \    --pipeline-parallel-size 4 \    --served-model-name deepseek-r1-sft \    --max-model-len 32768 \    --trust-remote-code \    --enable-reasoning \    --reasoning-parser deepseek_r1"

启动完成后，可通过 curl 命令测试接口是否正常启动：

curl -X POST http://node0:8000/v1/chat/completions -d '{"model": "deepseek-r1-sft", "messages":[{"role":"user", "content": "hello"}]}' -H "Content-Type: application/json"

稍等片刻后，如果终端输出符合预期的响应结果，则说明从训练到部署到整个过程顺利完成！🎉

Github开源地址：

https://github.com/ScienceOne-AI/DeepSeek-671B-SFT-Guide

来源 | AI有道