MoE那么大，几段代码就能稳稳推理

混合专家网络模型架构（MoE）已经成为当前大模型的一个主流架构选择，以最近开源的盘古Pro MoE为例，其基于MoGE架构构建的混合专家架构，总参数量达720亿，激活参数量为160亿，专门针对昇腾硬件优化，在性能与效率上表现突出。

盘古还实现了在推理时做到又快又稳。

在技术特性上，盘古模型引入 “快思考” 和 “慢思考” 双系统，可根狙淌题复杂度自动切换响应模式，并在推理性能上实现突破——在昇腾800I A2上单卡推理吞吐性能达1148 tokens/s，经投机加速技术可提升至1528 tokens/s，显著优于同等规模稠密模型。

那么让盘古、DeepSeek、Qwen这些开源的MoE模型在昇腾硬件上推理，能够达到易维护、高性能，并且全面开源的技术项目有没有呢？

现在，这个问题似乎有了标准答案——

华为一个新项目，直接把推理超大规模MoE背后的架构、技术和代码，统统给开源了！

这个新开源项目名叫Omni-Infer，整体来看，它对于企业用户来说是非常利好的。

例如它可以给企业提供PD分离部署方案，针对QPM进行系统级优化，还会分享大规模商用过程中硬件使用的“方法论”。

而且对于开发者和开源社区，华为这“一呼”也是起到了“百应”的效果。

GitHub地址：https://github.com/FlagOpen/FlagScale/pull/630

北京智源研究院副院长兼总工程师林咏华表示：

北京智源研究院一直以来致力于人工智能开源生态建设，很高兴看到Omni-infer项目开源，智源团队打造的面向多芯片的FlagScale框架也在第一时间接入了Omni-infer，期待后续有更多生态合作。

上海人工智能实验室系统平台中心负责人王辉认为：

DeepLink致力于打造最开放兼容的人工智能计算体系，十分期待能与Omni-infer项目携手，繁荣自主软硬件协同开源社区、拓展生态版图。

以及OpenI启智社区运营中心主任余跃也给出了响应：

OpenI启智社区坚持创新为本，面向未来与Omni-Infer项目一起打造基于算力网的开源共创协作生态。

据了解，华为Omni-Infer社区的定位是 “加速套件+最佳实践”，未来提供开箱即用能力，支持昇腾推理集群快速部署。

而对于这次Omni-Infer的开源，其实是华为兑现了一个月前在发布重磅技术报告之际所做出的承诺。

那么接下来，我们就来一同深入了解一下华为的Omni-Infer。

一个框架和一个套件

从整体来看，Omni-Infer可以拆成两大块来看：一个是推理框架，一个是推理加速套件。

从框架角度来看，Omni-Infer能和业界主流的开源大模型推理框架（如vLLM）完美兼容，就像不同品牌的零件可以组装在同一台机器上。

并且据了解，它的功能还将不断扩展，会持续为昇腾硬件平台上的大模型推理提供更强大的支持（例如SGLang等主流开源LLM推理框架）。

值得一提的是，Omni-Infer是与vLLM/SGLang等等这些主流大模型推理开源框架是解耦的，独立安装。

这就意味着用户只需维护vLLM等的主版本即可，大大降低了软件版本维护的成本。

至于Omni-Infer的加速套件，若是用较为形象的比喻，它的“打开方式”是这样的：

企业级的 “调度员”：它有一套智能的调度系统，就像交通警察指挥车辆一样，能合理安排任务（xPyD调度）。而且支持大规模分布式部署，就像多个交通岗亭协同工作，不管任务量多大，都能保证最低的延迟，让响应更及时。

精准的 “负载平衡器”：对于不同长度的任务序列，它在预填充和解码这两个关键阶段都做了优化。比如，就像快递分拣中心针对不同大小的包裹采用不同的分拣策略，让整个处理过程的吞吐量达到最大，同时还能保持低延迟。

MoE模型的 “专属搭档”：它对混合专家（MoE）模型特别友好，支持EP144/EP288等多种配置。可以想象成一个大型的 “专家团队”，每个专家负责不同的任务，它能让这些专家高效协作。

智能的 “资源分配者”：具备分层非均匀冗余和近实时动态专家放置功能。就像在一个大型工厂里，根据实时的生产需求，动态调整各个生产线的工人分配，让资源得到最充分的利用。

注意力机制的 “强化器”：专门为LLM、MLLM和MoE等模型优化了注意力机制。这就好比给模型的 “注意力” 装上了 “放大镜”，让它在处理信息时更聚焦、更高效，提升了模型的性能和可扩展性。

如何“食用”？

在聊完Omni-Infer的特点之后，我们继续来看下该如何去体验。

首先对于它的使用环境是有一定的要求：

硬件：目前仅支持CloudMatrix384推理卡

操作系统：Linux Python: >=3.9,

其次在安装方式上，目前仅支持通过Docker镜像方式进行安装：

docker pull swr.cn-southwest-2.myhuaweicloud.com/omni-ai/omniinfer:202506272026

这个镜像已预先集成所需的CANN及Torch-NPU依赖包，同时内置可直接运行的Omni-Infer与vLLM工具包，开箱即可使用。

可以使用下面这个命令检查是否可用：

pip list | grep omni_infer

以PD分离自动化部署（4机2P1D）为例，它的部署框架如下所示：

再接下来，只需文档教程，仅少量代码和步骤，即可完成安装和部署：

整体来看，此次华为面向超大规模MoE开源的项目，是做到了简单几步就可以让AI推理这事变得又快又稳。

极致开源

Omni-Infer除了将此前《华为昇腾服务器 DeepSeek V3/R1 推理部署最佳实践》技术报告中的关键技术开源出来之外，也同步进行了更加专业的开源社区建设。

首先，在独立的社区仓库中，将社区治理、社区会议、社区活动、生态合作、代码规范、设计文档等社区信息全部开放出来，让开发者能够最直接深入的参与到社区发展中。

其次，参照业界主流大型开源社区的最佳实践，采用开放的社区治理机制，通过项目管理委员会（Project Management Committee）和特别兴趣小组（Special Interest Group）两级机制，提供公正透明的讨论与决策机制。

再次，针对业界同类开源项目大多存在的“一头热”的“被动适配”生态合作模式问题，Omni-Infer社区则采取了“主动适配”的社区构筑路径，尤其是主动拥抱国内正在逐步成长的人工智能开源项目，让生态真正实现多方共赢。

作为长期与业界几大主流开源基金会（Linux基金会、OpenInfra基金会、Apache基金会等）保持紧密合作关系的社区团队，Omni-infer刚开源的首个活动就将参与OpenInfra基金会在苏州的Meetup，感兴趣的同学可以到现场交流，也顺路可参加有特色的全球性开源社区的生日活动。