UE8M0 是 DeepSeekV3.1 中提到的，在 FP8 训练中采用的一种参数精度配置：
E和M分别代表指数（Exponent）和尾数（Mantissa）的位数。
UE8M0的M=0并非字面意义的“0位尾数”，而是指动态尾数策略：
通过隐式归一化（如IEEE 754的隐藏位）或动态调整尾数精度（如Block-wise量化）实现灵活性。
实际实现中可能采用动态尾数分配（如根据指数范围动态调整尾数有效位）
根据 IEEE754 标准，浮点数在存储时分为三部分，符号位（通常1位）、指数位和尾数位。这样一来，浮点数的计算为 $(-1)^S * 2^(E-127) *M$（下面的图）。打个比方，浮点数 3.1 就可以表示为 0 10000000 10001100110011001100110。所以对于 UE8M0（论文 https://arxiv.org/pdf/2506.08027 有提到(下方图中)），U 代表 unsigned 表示无符号位，E8 表示用8位表示指数位，M0 表示不存储尾数。那么他的表示范围是多少呢？我们来根据上面的式子计算。符号位S不存在，为0。指数位有8位，范围是0到255。尾数不存在，默认1。这样一来 UE8M0 的表示范围为 2^{-127} to 2^{127}（但只能表示2的指数幂）。
UE8M0 的核心优势主要是计算效率提升，减低部署成本。
FP8 相比 FP16/FP32 减少 50%-75% 的显存占用，支持更大 batch size 或更长上下文（128K tokens）
在 NVIDIA H800 GPU 上，FP8 矩阵乘法速度比 FP16 快 2-3 倍
但与 OAI 开源的 gpt-oss 采用的FP4 还是有些差距。
希望在国产GPU上能拉进距离。
补充一些信息：
3.1做了外扩训练，增加了840B 的tokens。
