제품 및 앱

SGLang, Waterfill과 LPLB 도입으로 DeepEP MoE 로드 밸런싱 개선

원제목:Blog Improving DeepEP MoE Load Balance in SGLang with Waterfill and LPLB Mixture-of-Experts (MoE) models rely on Expert Parallelism (EP) to scale inference across multiple GPUs. In SGLang, DeepEP and EPLB provide high-performance serving under EP, but the workload seen by ... NVIDIA Team

AI 요약

SGLang이 DeepEP MoE 추론을 위해 두 가지 스케줄링 시점 로드 밸런싱 방법을 추가했다. Waterfill은 공유 전문가를 부하가 더 낮은 rank에 할당해 DeepSeek-V3/R1 서비스 부하에서 총 처리량을 1.48%에서 4.66% 향상시켰고, DeepSeek V4에서는 최적 지점이 49,253 tok/s에서 51,677 tok/s로 증가했다(+4.92%). LPLB는 선형 계획법 기반으로 중복 전문가 복제본의 토큰 라우팅을 최적화하며, EPLB와 함께 동일 클러스터에서 처리량을 0.84%에서 7.34% 향상시킨다.

핵심 정보

  • SGLang이 DeepEP MoE 추론을 위해 두 가지 스케줄링 시점 로드 밸런싱 방법을 추가했다.
  • Waterfill은 공유 전문가를 부하가 더 낮은 rank에 할당해 DeepSeek-V3/R1 서비스 부하에서 총 처리량을 1.
  • 66% 향상시켰고,DeepSeek V4에서는 최적 지점이 49,253 tok/s에서 51,677 tok/s로 증가했다(+4.
  • LPLB는 선형 계획법 기반으로 중복 전문가 복제본의 토큰 라우팅을 최적화하며,EPLB와 함께 동일 클러스터에서 처리량을 0.
  • 34% 향상시킨다.

한눈에 보기

게시
업데이트
출처
LMSYS Blog
카테고리
제품 및 앱
AI 점수
58
원문 읽기 정보 출처에서 전체 본문 읽기
추천 이유

SGLang 引入 Waterfill 和 LPLB 两种负载均衡算法,实测 DeepSeek V3/R1 和 V4 吞吐提升最高 7%,用 SGLang 跑 MoE 推理的开发者值得一试。

관련 엔티티

출처 및 저작권

이 기사는 AIHOT 공개 API가 제공하는 선별 제목과 AI 요약을 바탕으로 하며, 출처를 밝히고 원문으로 연결합니다. 원문 저작권은 원 미디어와 저자에게 있으며, 본 사이트는 전문을 전재하지 않습니다.

원문 기사 · AIHOT 항목

인용 방법

본문을 인용할 때는 제목, 날짜, 영구 링크를 유지하고 출처를 Orange News(으)로 표기해 주세요.

Orange News: SGLang, Waterfill과 LPLB 도입으로 DeepEP MoE 로드 밸런싱 개선. 2026년 6월 26일. https://new.nat6.net/ko/news/cmqwtlsg0001nslp0zt3eyzhr/

전체 보기 →