大模型的進(jìn)化正迎來關(guān)鍵拐點(diǎn)。

從單輪對(duì)話的聊天機(jī)器人，快速迭代為能自主規(guī)劃、調(diào)用工具、完成百輪交互的Agent智能體，而這一轉(zhuǎn)變也讓底層推理架構(gòu)的核心瓶頸徹底暴露——GPU算力不再是制約性能的關(guān)鍵，KV-Cache存儲(chǔ)I/O帶寬成為了Agent大模型落地的最大攔路虎。

就在DeepSeek V4發(fā)布前夕，DeepSeek-AI聯(lián)合北大、清華團(tuán)隊(duì)發(fā)布了重磅研究DualPath。

DualPath通過創(chuàng)新的雙路徑架構(gòu)，讓Agentic大模型離線推理吞吐量最高提升1.87倍，在線服務(wù)吞吐量平均提升1.96倍，還在1152張GPU的千卡集群完成驗(yàn)證，為下一代模型的升級(jí)打下了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。

之所以會(huì)出現(xiàn)如此嚴(yán)重的I/O瓶頸，核心源于Agent大模型的工作特性。

與傳統(tǒng)短對(duì)話不同，Agent需要在數(shù)十甚至上百輪的環(huán)境交互中累積上下文，長度可達(dá)百萬tokens，而每輪新增的有效信息僅有數(shù)百tokens，這讓KV-Cache命中率普遍超過95%。

此時(shí)，GPU的大量時(shí)間并非用于計(jì)算，而是在等待從外部SSD存儲(chǔ)中讀取海量的歷史KV-Cache數(shù)據(jù)。

再加上現(xiàn)代大模型推理普遍采用的Prefill-Decode（預(yù)填充-解碼）分離架構(gòu)，進(jìn)一步加劇了這一矛盾，即所有KV-Cache都只能從外部存儲(chǔ)加載到預(yù)填充節(jié)點(diǎn)，這導(dǎo)致預(yù)填充節(jié)點(diǎn)的存儲(chǔ)網(wǎng)卡帶寬被完全占滿，成為系統(tǒng)性能的絕對(duì)瓶頸，而解碼節(jié)點(diǎn)的存儲(chǔ)網(wǎng)卡卻長期處于閑置狀態(tài)，算力資源被嚴(yán)重浪費(fèi)。

同時(shí)，硬件發(fā)展的失衡也讓問題雪上加霜，GPU計(jì)算力的增長速度遠(yuǎn)超網(wǎng)絡(luò)帶寬和顯存容量，計(jì)算與I/O的比例嚴(yán)重失調(diào)，讓這一瓶頸愈發(fā)突出。

DualPath的核心創(chuàng)新，正是抓住了解碼節(jié)點(diǎn)帶寬閑置的關(guān)鍵痛點(diǎn)，重構(gòu)了KV-Cache的加載架構(gòu)。

在傳統(tǒng)的“存儲(chǔ)→預(yù)填充節(jié)點(diǎn)”加載路徑之外，它創(chuàng)新性地開辟了第二條“存儲(chǔ)→解碼節(jié)點(diǎn)→預(yù)填充節(jié)點(diǎn)”的加載通道，通過動(dòng)態(tài)分配兩條路徑的數(shù)據(jù)流，把原本單一節(jié)點(diǎn)的I/O壓力，轉(zhuǎn)化為全局資源池化的負(fù)載分擔(dān)，充分聚合所有節(jié)點(diǎn)的存儲(chǔ)帶寬，從根源上打破了帶寬天花板。

在第一條預(yù)填充讀取路徑中，KV-Cache從持久化存儲(chǔ)讀入預(yù)填充節(jié)點(diǎn)的內(nèi)存緩沖，再傳輸?shù)紾PU顯存完成計(jì)算，最后將完整的KV-Cache傳給解碼節(jié)點(diǎn)。

而新增的解碼讀取路徑，則讓KV-Cache先讀入解碼節(jié)點(diǎn)的內(nèi)存緩沖，在預(yù)填充階段通過高速RDMA計(jì)算網(wǎng)絡(luò)，以層級(jí)流式傳輸?shù)姆绞絺鹘o預(yù)填充節(jié)點(diǎn)參與計(jì)算，整個(gè)過程中數(shù)據(jù)加載還能與模型計(jì)算無縫重疊，進(jìn)一步提升效率。

當(dāng)然，把這個(gè)看似直觀的想法，落地到亞毫秒級(jí)延遲敏感的大模型推理系統(tǒng)中，需要攻克兩大核心工程難題。

第一個(gè)難題是網(wǎng)絡(luò)流量的干擾，額外的KV-Cache傳輸極易與模型推理中的關(guān)鍵集合通信沖突，拖慢推理速度。

對(duì)此DualPath設(shè)計(jì)了以計(jì)算網(wǎng)卡為中心的流量管理機(jī)制，讓所有進(jìn)出GPU的流量都強(qiáng)制通過計(jì)算網(wǎng)卡，再利用底層網(wǎng)絡(luò)的QoS控制能力，將模型推理通信分配到占99%帶寬的高優(yōu)先級(jí)通道，KV-Cache傳輸則分配到低優(yōu)先級(jí)通道，僅在計(jì)算網(wǎng)絡(luò)的空閑間隙傳輸，實(shí)現(xiàn)了兩者的完美隔離，既保證了推理延遲，又充分利用了閑置帶寬。

第二個(gè)難題是動(dòng)態(tài)負(fù)載均衡，面對(duì)復(fù)雜多變的請(qǐng)求，系統(tǒng)需要實(shí)時(shí)決定每條請(qǐng)求的讀取路徑，同時(shí)兼顧網(wǎng)卡隊(duì)列長度和GPU負(fù)載。

DualPath為此打造了自適應(yīng)請(qǐng)求調(diào)度器，將Token數(shù)量作為核心負(fù)載指標(biāo)，把節(jié)點(diǎn)劃分為過載、低讀取隊(duì)列、高讀取隊(duì)列三類，優(yōu)先將任務(wù)分配給未過載且讀取隊(duì)列較短的節(jié)點(diǎn)。

同時(shí)在節(jié)點(diǎn)內(nèi)部，還會(huì)基于時(shí)間預(yù)估機(jī)制，將執(zhí)行時(shí)間相近的請(qǐng)求打包成批，最大程度減少GPU同步時(shí)的計(jì)算氣泡，讓硬件利用率達(dá)到最優(yōu)。

實(shí)測(cè)數(shù)據(jù)足以印證DualPath的強(qiáng)悍性能。

研究團(tuán)隊(duì)在NVIDIA Hopper GPU集群上，基于DeepSeek-V3.2 660B、DS 27B、Qwen2.5-32B三大模型，結(jié)合真實(shí)的Agent強(qiáng)化學(xué)習(xí)軌跡數(shù)據(jù)集完成了全面測(cè)試。

在離線批量推理場(chǎng)景（如RL訓(xùn)練的Rollout階段），DualPath對(duì)基線系統(tǒng)實(shí)現(xiàn)了碾壓式超越，處理DeepSeek 660B模型時(shí)吞吐量最高提升1.87倍，且無論每輪追加Token長度、生成長度如何變化，都能保持穩(wěn)定的性能提升，證明其徹底消除了存儲(chǔ)網(wǎng)絡(luò)瓶頸。

在在線服務(wù)場(chǎng)景中，在首字延遲≤4秒的嚴(yán)格SLO約束下，DualPath能支撐的請(qǐng)求到達(dá)率相比基線最高提升2.25倍，還能保持極低的端到端生成延遲。

而消融實(shí)驗(yàn)也證實(shí)，雙路徑加載機(jī)制和自適應(yīng)調(diào)度算法，是推動(dòng)性能大幅提升的核心關(guān)鍵。

更值得一提的是，DualPath還具備極強(qiáng)的大規(guī)模擴(kuò)展性，在1152張GPU的千卡集群中，系統(tǒng)實(shí)現(xiàn)了近乎線性的性能擴(kuò)展，調(diào)度器CPU占用還不到10個(gè)核心，完全滿足生產(chǎn)級(jí)的部署需求。

從DualPath的技術(shù)突破中，我們也能清晰看到DeepSeek V4的核心升級(jí)方向。

首先，模型與推理系統(tǒng)的協(xié)同優(yōu)化將進(jìn)一步深化，V4大概率會(huì)內(nèi)置對(duì)雙路徑加載的原生支持，讓模型層的KV-Cache結(jié)構(gòu)優(yōu)化與系統(tǒng)層的路徑調(diào)度深度融合，實(shí)現(xiàn)更高的帶寬利用率。

其次，自適應(yīng)資源配置能力會(huì)成為重點(diǎn)，針對(duì)不同的工作負(fù)載，系統(tǒng)能在線動(dòng)態(tài)調(diào)整預(yù)填充/解碼節(jié)點(diǎn)的比例，讓資源分配更貼合實(shí)際需求，避免固定配置的效率浪費(fèi)。

同時(shí)，KV-Cache的智能拆分加載也有望落地，將單個(gè)請(qǐng)求的KV-Cache拆分到兩條路徑并行加載，進(jìn)一步挖掘I/O性能潛力。

此外，結(jié)合DeepSeek已有的稀疏注意力技術(shù)，V4還可能將模型結(jié)構(gòu)優(yōu)化與DualPath的系統(tǒng)優(yōu)化結(jié)合，在降低計(jì)算量的同時(shí)減少KV-Cache數(shù)據(jù)量，形成“模型+系統(tǒng)”的雙輪驅(qū)動(dòng)。

此次DualPath的發(fā)布，不僅為Agentic大模型的推理性能突破提供了全新的解決方案，更讓行業(yè)看到了大模型發(fā)展的新趨勢(shì)。

當(dāng)模型規(guī)模接近物理極限時(shí)，底層架構(gòu)的創(chuàng)新與模型算法的深度協(xié)同，將成為突破性能天花板的核心關(guān)鍵。