henry 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

DeepSeek這小子最精了，當全世界都在盯著他的GitHub倉庫，等待V4時——

他和北大、清華在ArXiv悄咪咪地上了一篇論文，發(fā)布了一個全新的針對智能體的推理框架：DualPath

而且就跟前幾天曝出的算力話題相關(guān)。

DualPath的核心在于解決Agent長文本推理場景下的I/O瓶頸，通過優(yōu)化從外部存儲加載KV-Cache的速度，確保計算資源不被存儲讀取拖累。

它改變了傳統(tǒng)的存儲至預填充引擎（Storage-to-Prefill）單路徑加載模式，引入了存儲至解碼引擎（Storage-to-Decode）的第二條路徑。

通過利用解碼引擎閑置的存儲網(wǎng)卡（SNIC）帶寬讀取緩存，并配合高速計算網(wǎng)絡（RDMA）將其傳輸至預填充引擎，DualPath實現(xiàn)了集群存儲帶寬的全局池化與動態(tài)負載均衡。

在660B規(guī)模的生產(chǎn)級模型的實測中，DualPath表現(xiàn)驚人：

離線推理吞吐量提高了1.87倍，在線服務吞吐量平均提升1.96倍

在高負載下，首字延遲（TTFT）大幅優(yōu)化，而 Token間的生成速度（TPOT）幾乎不受任何干擾。

接下來，我們一起來看。

雙路徑加載 (Dual-Path Loading)

總的來說，DualPath是一個專門為智能體系統(tǒng)設(shè)計的推理框架，它的核心洞見是——

KV-Cache的加載不必以預填充為中心

在以往的理解中，誰負責計算誰就去搬數(shù)據(jù)。但DualPath認為，緩存可以先加載到解碼引擎中，再通過高性能RDMA網(wǎng)絡傳輸至預填充引擎。

通過在兩條路徑間動態(tài)選擇，DualPath重新分配了網(wǎng)絡負載，緩解了預填充側(cè)的帶寬壓力。

那么，為什么要費這么大勁去“繞路”？

之所以這樣做，是因為在當前的智能體應用中，對話輪數(shù)多且上下文長，KV-Cache命中率通常高達95%以上。

這意味著，每一輪對話都要搬運海量的“舊記憶”，推理性能的瓶頸已經(jīng)從“計算”轉(zhuǎn)移到了“搬運”上

在現(xiàn)有的預填充-解碼分離（PD-disaggregated）架構(gòu)中，所有的加載任務都擁擠在預填充引擎（PE）的存儲網(wǎng)卡上，導致帶寬瞬間飽和；

與此同時，解碼引擎（DE）的存儲網(wǎng)卡卻在閑置，造成了嚴重的資源錯配。

更進一步的，當前GPU算力的增長遠快于網(wǎng)絡帶寬和HBM容量的增長，也加劇了I/O限制。

正如英偉達首席科學家Bill Dally、谷歌架構(gòu)師Jeff Dean等大佬反復強調(diào)的：計算是免費的，但數(shù)據(jù)移動是昂貴的。

針對這些問題，DualPath構(gòu)建了創(chuàng)新的雙路徑模型：

• 路徑 A（傳統(tǒng)）：存儲→PE，緩存直接讀入預填充引擎。
• 路徑 B（新增）：存儲→DE→PE，緩存先讀入解碼引擎的緩沖池，再通過RDMA傳輸給預填充引擎。

在架構(gòu)組成上：

• 推理引擎： 每個引擎管理一塊GPU，嚴格區(qū)分為預填充（PE）和解碼（DE）。
• 流量管理器： 負責H2D/D2H拷貝、引擎間傳輸以及SNIC存儲讀寫。
• 中央調(diào)度器： 擔任“大腦”角色，實時決策每一條請求該走哪條路，從而實現(xiàn)全局帶寬的最大化利用。

核心技術(shù)方案：存儲至解碼路徑

如上所述，DualPath推理系統(tǒng)的核心在于打破了傳統(tǒng)的“存儲至預填充”單路徑模式，創(chuàng)新性地引入了“存儲至解碼”路徑

該設(shè)計允許KV-Cache先加載至解碼引擎（DE），再通過高帶寬計算網(wǎng)絡（RDMA）無損傳輸給預填充引擎（PE）。

通過在兩條路徑間動態(tài)分配負載，系統(tǒng)將集群中原本閑置的解碼側(cè)存儲網(wǎng)卡（SNIC）帶寬徹底釋放，構(gòu)建起一個全局可調(diào)度的存儲I/O資源池。

具體來說，為了支持層級流式處理，DualPath在PE和DE上均分配了少量DRAM緩沖區(qū)（PE/DE Buffer），并針對不同階段設(shè)計了精細的數(shù)據(jù)流：

• PE讀取路徑： 命中Token的KV-Cache從存儲讀入PE緩沖區(qū)。在每層計算前，該層緩存?zhèn)鬏斨罰E HBM，與計算過程重疊執(zhí)行。計算完成后，全量KV-Cache傳回DE緩沖區(qū)以形成完整上下文。
• DE讀取路徑： KV-Cache直接進入DE緩沖區(qū)。在PE預填充期間，對應層的緩存跨節(jié)點傳輸至PE HBM（計算重疊）。計算結(jié)束后，PE僅需傳回新生成的KV-Cache片段與DE原有緩存合并。
• 解碼與持久化： DE緩沖區(qū)接收完整KV-Cache后啟動解碼，執(zhí)行H2D拷貝并隨后釋放CPU內(nèi)存。雖然引入緩沖增加了DRAM壓力，但能顯著降低GPU顯存占用并優(yōu)化首字延遲（TTFT）。生成過程中，每累積滿一個Block（如 64 Token）即觸發(fā)異步持久化。

但就像前面提到的，“繞路”加載會帶來新問題：比如搬運緩存的流量撞上了模型計算的通信，怎么辦？

對此，DualPath給出了兩套優(yōu)化方案：

首先是以計算網(wǎng)卡（CNIC）為中心的流量管理，強制所有流量通過配對的CNIC走GPUDirect RDMA路徑。

在InfiniBand或RoCE網(wǎng)絡中，利用虛擬層（VL/TC）技術(shù)，將推理通信設(shè)為“最高優(yōu)先級”并預留99%帶寬，讓緩存搬運只能在間隙中“蹭”帶寬，確保互不干擾。

其次是自適應請求調(diào)度器： 調(diào)度器會盯著每個節(jié)點的磁盤隊列長度和Token數(shù)。系統(tǒng)會優(yōu)先將任務分配給I/O壓力較小且計算負載較輕的節(jié)點，從根本上避免單側(cè)網(wǎng)卡或單點計算資源的擁塞。

在實驗階段，DualPath在DeepSeek-V3、Qwen等模型上進行了測試，場景覆蓋了離線Rollout和在線服務。

如開頭所說，在離線推理中，DualPath 將端到端吞吐量提高了高達1.87倍，在線服務吞吐量平均提升1.96倍，顯著降低了首字延遲（TTFT），且保持了極其穩(wěn)定的Token間延遲（TBT）。

總的來說，DualPath 證明了通過重新思考數(shù)據(jù)加載路徑可以有效突破當前大模型推理的I/O墻。

它成功利用了解碼引擎原本被浪費的I/O帶寬，配合自適應調(diào)度和嚴謹?shù)牧髁扛綦x機制，在不增加硬件成本的前提下，大幅提升了智能體LLM推理系統(tǒng)的效率。

One more thing

這篇論文的第一作者吳永彤，是北京大學的博士生，師從金鑫教授。

他的研究方向聚焦于系統(tǒng)軟件與大模型基礎(chǔ)設(shè)施（LLM Infrastructure），尤其是推理系統(tǒng)的工程優(yōu)化與規(guī)?；渴?。

他目前在DeepSeek系統(tǒng)組，參與下一代模型的推理基礎(chǔ)設(shè)施建設(shè)，負責大規(guī)模軟件系統(tǒng)在多硬件平臺上的性能優(yōu)化。

此前，他還曾在騰訊、華盛頓大學，微軟亞研院等機構(gòu)實習。

[1]https://arxiv.org/pdf/2602.21548

[2]https://jokerwyt.github.io/