إطلاق AMD كان، بصراحة، كارثة. معالج MI355X استطاع تشغيل FP8 فقط في اليوم الأول – وكانت نقطة التفتيش الأصلية FP4+FP8 غير قابلة للاستخدام – وقدم أداء ضعيفًا قدره 20.4 رمز/ثانية/GPU . حزمة ROCm لم تكن محسنة؛ كانت مجرد مكان مؤقت.

تعافي AMD بـ 110.5 أضعاف: سباق البرمجيات

ما تلا ذلك هو أكثر عمليات التعافي البرمجي دراماتيكية في ذاكرة البنية التحتية للذكاء الاصطناعي الحديثة. خلال 26 يومًا، دمج فريق AMD SGLang الهندسي بقيادة HaiShaw 31 طلب تحسين أداء على الفرع الجانبي amd/deepseek_v4 . كل طلب عالج طبقة من حزمة ROCm التي كانت غير مختبرة بشكل أساسي مع نموذج MoE بهذا الحجم.

بحلول اليوم 26 (20 مايو 2026)، وصل معالج MI355X إلى 2,256 رمز/ثانية/GPU – بتحسن 110.5 أضعاف في الإنتاجية لكل GPU . هذه نتيجة نادرة حيث يصعد كلا المحورين معًا: لا تحصل عادةً على أوقات استجابة أسرع للمستخدم مع إنتاجية إجمالية أعلى من نفس الجهاز.

عند نقاط تفاعل مماثلة على InferenceX، يحقق MI355X في اليوم 26 حوالي 1,411 رمز/ثانية/GPU، مما يضعه في الفئة التنافسية نفسها مع معالج B200 من Nvidia . لا يزال متخلفًا عن Nvidia GB300 NVL72 (الذي يصل إلى 11,474 رمز/ثانية/GPU في ظل الظروف المثلى)، لكن الاتجاه مهم: MI355X تحول من إطلاق غير وظيفي إلى وحدة استدلال قابلة للتطبيق .

جدول الأداء الكامل بعد 43 يومًا

التكلفة لكل مليون رمز تحكي القصة الاقتصادية. عند تفاعل منخفض، يقدم GB300 NVL72 رموزًا بسعر $0.064/مليون رمز – أرخص بحوالي 4.5 مرة من MI355X عند $0.291/مليون رمز . عند تفاعل أعلى، يصبح MI355X تنافسيًا من حيث التكلفة ضد B200، حيث يدور كلاهما حول $1.22–$1.45/مليون رمز .

الممكن الحقيقي: هندسة الانتباه الهجينة لـ DeepSeek V4

بيانات الاختبار مثيرة، لكنها ستكون بلا معنى اقتصاديًا دون الاختراق المعماري لـ DeepSeek على جانب النموذج. انتباه المحولات القياسي يتوسع تربيعيًا مع طول السياق. عند مليون رمز، تجعل تكاليف الحساب والذاكرة التشغيل غير مجدي اقتصاديًا على أي جهاز. يستبدل DeepSeek V4 الانتباه القياسي بمزيج من آليتين متكاملتين:

الانتباه المضغوط المتناثر (CSA) يعمل على المستوى الدقيق. يجمع حوالي 4 رموز في مدخل KV واحد مكتسب باستخدام ترجيح معتمد على البيانات مع نوافذ متداخلة، ثم يطبق اختيارًا متناثرًا – كل استعلام ينتبه فقط إلى أهم إدخالات KV المضغوطة . يعمل فرع انتباه النافذة المنزلقة بالتوازي للحفاظ على الدقة المحلية .

الانتباه المضغوط الثقيل (HCA) يراهن بشكل أكبر. يضغط حتى 128 رمزًا في مدخل KV واحد ويطبق انتباهًا كثيفًا على التدفق المضغوط بشدة . هذا يتبادل دقة الاسترجاع مقابل تغطية شاملة بتكلفة هامشية تقترب من الصفر. يعمل HCA في الطبقات المبكرة لتوفير بانوراما سياق رخيصة؛ تحتفظ الطبقة النهائية بالانتباه الكامل لأقصى دقة .

مكاسب الكفاءة مجتمعة مذهلة مقارنة بـ DeepSeek V3.2 عند مليون رمز:

• عمليات الاستدلال لكل رمز: 27% من V3.2 (تخفيض 73%)
• ذاكرة التخزين المؤقت KV: حوالي 10% من V3.2 (تخفيض حوالي 90%)
• بالمقارنة مع خط الأساس GQA bfloat16: حوالي 2% من بصمة ذاكرة التخزين المؤقت

بالنسبة لنموذج V4 Flash الأصغر، تنخفض هذه الأرقام أكثر: 10% من العمليات و7% من ذاكرة KV .

بدون CSA وHCA، كان نموذج Pro بـ 1.6 تريليون معلمة وسياق مليون رمز سيكون مشروعًا علميًا – مثيرًا للاهتمام لكن غير قابل للخدمة تجاريًا. بهما، أصبح منتجًا.

ماذا يعني هذا

بيانات SemiAnalysis لمدة 43 يومًا تحكي ثلاث قصص بالتوازي. أولاً، ميزة النظام البيئي لـ Nvidia لا تزال هيكلية كبيرة: CUDA يعمل، في اليوم الأول، كل مرة، والأجهزة متقدمة حقًا. ثانيًا، أغلقت Huawei فجوة الجاهزية البرمجية بالكامل – تحول تاريخي بتداعيات جيوسياسية ستظهر في الجيل القادم من الأجهزة. ثالثًا، أجهزة AMD قادرة لكن حزمة برمجيات ROCm لا تزال عنق زجاجة يتطلب جهدًا هندسيًا بطوليًا للتغلب عليه لكل نموذج جديد – تحسن 110.5 أضعاف في 26 يومًا مثير للإعجاب، لكن لا ينبغي أن يكون ضروريًا.

الصورة الأكبر تعود للمهندسين المعماريين. انتباه CSA + HCA الهجين لـ DeepSeek لا يحسن الكفاءة فحسب – بل يغير بشكل أساسي ما هو مجدي تجاريًا لخدمته. عندما يكلف نموذج بـ 1.6 تريليون معلمة وسياق مليون رمز سنتات أحادية الرقم لكل مليون رمز على الأجهزة المناسبة، يتحول الحديث من "هل يمكننا فعل هذا؟" إلى "ماذا نبني به؟"

إطلاق AMD كان، بصراحة، كارثة. معالج MI355X استطاع تشغيل FP8 فقط في اليوم الأول – وكانت نقطة التفتيش الأصلية FP4+FP8 غير قابلة للاستخدام – وقدم أداء ضعيفًا قدره 20.4 رمز/ثانية/GPU . حزمة ROCm لم تكن محسنة؛ كانت مجرد مكان مؤقت.

تعافي AMD بـ 110.5 أضعاف: سباق البرمجيات

ما تلا ذلك هو أكثر عمليات التعافي البرمجي دراماتيكية في ذاكرة البنية التحتية للذكاء الاصطناعي الحديثة. خلال 26 يومًا، دمج فريق AMD SGLang الهندسي بقيادة HaiShaw 31 طلب تحسين أداء على الفرع الجانبي amd/deepseek_v4 . كل طلب عالج طبقة من حزمة ROCm التي كانت غير مختبرة بشكل أساسي مع نموذج MoE بهذا الحجم.

بحلول اليوم 26 (20 مايو 2026)، وصل معالج MI355X إلى 2,256 رمز/ثانية/GPU – بتحسن 110.5 أضعاف في الإنتاجية لكل GPU . هذه نتيجة نادرة حيث يصعد كلا المحورين معًا: لا تحصل عادةً على أوقات استجابة أسرع للمستخدم مع إنتاجية إجمالية أعلى من نفس الجهاز.

عند نقاط تفاعل مماثلة على InferenceX، يحقق MI355X في اليوم 26 حوالي 1,411 رمز/ثانية/GPU، مما يضعه في الفئة التنافسية نفسها مع معالج B200 من Nvidia . لا يزال متخلفًا عن Nvidia GB300 NVL72 (الذي يصل إلى 11,474 رمز/ثانية/GPU في ظل الظروف المثلى)، لكن الاتجاه مهم: MI355X تحول من إطلاق غير وظيفي إلى وحدة استدلال قابلة للتطبيق .

جدول الأداء الكامل بعد 43 يومًا

التكلفة لكل مليون رمز تحكي القصة الاقتصادية. عند تفاعل منخفض، يقدم GB300 NVL72 رموزًا بسعر $0.064/مليون رمز – أرخص بحوالي 4.5 مرة من MI355X عند $0.291/مليون رمز . عند تفاعل أعلى، يصبح MI355X تنافسيًا من حيث التكلفة ضد B200، حيث يدور كلاهما حول $1.22–$1.45/مليون رمز .

الممكن الحقيقي: هندسة الانتباه الهجينة لـ DeepSeek V4

بيانات الاختبار مثيرة، لكنها ستكون بلا معنى اقتصاديًا دون الاختراق المعماري لـ DeepSeek على جانب النموذج. انتباه المحولات القياسي يتوسع تربيعيًا مع طول السياق. عند مليون رمز، تجعل تكاليف الحساب والذاكرة التشغيل غير مجدي اقتصاديًا على أي جهاز. يستبدل DeepSeek V4 الانتباه القياسي بمزيج من آليتين متكاملتين:

الانتباه المضغوط المتناثر (CSA) يعمل على المستوى الدقيق. يجمع حوالي 4 رموز في مدخل KV واحد مكتسب باستخدام ترجيح معتمد على البيانات مع نوافذ متداخلة، ثم يطبق اختيارًا متناثرًا – كل استعلام ينتبه فقط إلى أهم إدخالات KV المضغوطة . يعمل فرع انتباه النافذة المنزلقة بالتوازي للحفاظ على الدقة المحلية .

الانتباه المضغوط الثقيل (HCA) يراهن بشكل أكبر. يضغط حتى 128 رمزًا في مدخل KV واحد ويطبق انتباهًا كثيفًا على التدفق المضغوط بشدة . هذا يتبادل دقة الاسترجاع مقابل تغطية شاملة بتكلفة هامشية تقترب من الصفر. يعمل HCA في الطبقات المبكرة لتوفير بانوراما سياق رخيصة؛ تحتفظ الطبقة النهائية بالانتباه الكامل لأقصى دقة .

مكاسب الكفاءة مجتمعة مذهلة مقارنة بـ DeepSeek V3.2 عند مليون رمز:

• عمليات الاستدلال لكل رمز: 27% من V3.2 (تخفيض 73%)
• ذاكرة التخزين المؤقت KV: حوالي 10% من V3.2 (تخفيض حوالي 90%)
• بالمقارنة مع خط الأساس GQA bfloat16: حوالي 2% من بصمة ذاكرة التخزين المؤقت

بالنسبة لنموذج V4 Flash الأصغر، تنخفض هذه الأرقام أكثر: 10% من العمليات و7% من ذاكرة KV .

بدون CSA وHCA، كان نموذج Pro بـ 1.6 تريليون معلمة وسياق مليون رمز سيكون مشروعًا علميًا – مثيرًا للاهتمام لكن غير قابل للخدمة تجاريًا. بهما، أصبح منتجًا.

ماذا يعني هذا

بيانات SemiAnalysis لمدة 43 يومًا تحكي ثلاث قصص بالتوازي. أولاً، ميزة النظام البيئي لـ Nvidia لا تزال هيكلية كبيرة: CUDA يعمل، في اليوم الأول، كل مرة، والأجهزة متقدمة حقًا. ثانيًا، أغلقت Huawei فجوة الجاهزية البرمجية بالكامل – تحول تاريخي بتداعيات جيوسياسية ستظهر في الجيل القادم من الأجهزة. ثالثًا، أجهزة AMD قادرة لكن حزمة برمجيات ROCm لا تزال عنق زجاجة يتطلب جهدًا هندسيًا بطوليًا للتغلب عليه لكل نموذج جديد – تحسن 110.5 أضعاف في 26 يومًا مثير للإعجاب، لكن لا ينبغي أن يكون ضروريًا.

الصورة الأكبر تعود للمهندسين المعماريين. انتباه CSA + HCA الهجين لـ DeepSeek لا يحسن الكفاءة فحسب – بل يغير بشكل أساسي ما هو مجدي تجاريًا لخدمته. عندما يكلف نموذج بـ 1.6 تريليون معلمة وسياق مليون رمز سنتات أحادية الرقم لكل مليون رمز على الأجهزة المناسبة، يتحول الحديث من "هل يمكننا فعل هذا؟" إلى "ماذا نبني به؟"