DeepSeek悄悄的开源了LPLB，真的没有任何宣传，PaperAgent带大家一起来扒一扒。

一、太长不看版

• 问题：MoE 小批量训练时，专家每批 token 数剧烈抖动，静态 EPLB 无法根治。
• 解法：LPLB 在 EPLB 的基础上，把“冗余专家”看成一张带容量边的图，每批解一次线性规划，瞬间把 token 重新路由到空闲 GPU。
• 性能：单节点 100 µs 级求解；多节点稍慢，但对大 batch 可忽略。

二、为什么 EPLB 不够了？

对比维度	EPLB（静态）	LPLB（动态）
优化目标	数据分布长期倾斜	每 batch 随机倾斜
冗余专家	离线选好，终身不变	每批按负载即时决定
算法	贪心重排序	线性规划
通信	torch.distributed.allreduce	NVSHMEM + NVLINK

三、核心思想：把“负载均衡”写成线性规划

2.1 问题建模

给定一个 EP 组（大小=ep_size）：

• 每个原始专家 i 有 d_i 个 token 要处理；
• 为 i 准备了 r_i 个冗余专家，分布在不同 GPU；
• 冗余专家 j 的边容量c_j = 它在本批最多能吃的 token 数；

目标：把超载专家的 token 沿边分流，使得最终各 GPU 的总 token 数尽可能均衡。

2.2 LP 形式

最小化最大负载 T
s.t.

1. 流量守恒：原始专家 i 分出去的 token = d_i
2. 边容量：每条边 e 的流量 ≤ c_e
3. 非负

变量数 = 冗余边数（通常 < 128），用单 SM 的 Interior Point Method 在 GPU 上直接解。

四、系统架构：100 µs 的求解器如何炼成？

模块	实现细节
LP Solver	自研单-SM IPM，调用 cuSolverDx + cuBLASDx 做 Cholesky 与 GEMM，全程 CUDA kernel 内完成，零 CPU 回拷。
Workload 采集	3 条路径： 1. 用户传入 torch.Tensor； 2. torch.distributed.allreduce； 3. DeepEP buffer 自带计数器（推荐，零额外延迟）。
通信优化	用 NVSHMEM 把冗余专家的计数器放 NVLink 上。
拓扑描述	一个 r2o 矩阵（n_physical × n_logical）即可自定义任意图结构。

五、开箱：5 行代码把 Planner 跑起来

from lplb import Planner# 1. 描述冗余拓扑：8 专家，2 冗余/GPU，Cube 图r2o = torch.tensor([...]).T.cuda()          planner = Planner(r2o, n_physical, n_logical, group=ep_group)# 2. 可选：从 DeepEP 缓冲区直接初始化# planner.init_from_deep_ep(buffer)# 3. 每批调用redirected_indices = planner.run(indices,    # 逻辑专家 ID                                 avail_counter,                                 N_SMS=100)  # 占用 SM 数

六、典型拓扑怎么选？

拓扑	适用场景	GPU 数	特点
Cube	单节点 8 GPU	≥ 8	对角边加持，零跨节点即可平衡
Hypercube	16 GPU	16	无对角，跨节点均匀
Torus	多机	≥ 8	全局平衡最好，牺牲部分 intra-node 带宽

想玩新图？直接改 r2o 矩阵即可，Planner 不做任何硬编码。

七、局限与未来方向

1. 线性假设：只均衡 token 计数，没考虑grouped GEMM 非线性开销 → 可能“均衡却更慢”。
2. 求解时延：100 µs 对小 batch 占比不可忽略；后续计划用学习式 warm-start 剪枝。
3. 全局倾斜：若所有节点都超载，LPLB 的冗余边反而成累赘；此时应回退 EPLB 或动态扩专家。

LPLB 把“每批专家随机爆雷”问题转成一张带权图 + 一次 GPU 上的 100 µs 线性规划，让 MoE 训练再也无需手动调负载。

八、如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】