DeepSeek深夜發論文，V4前奏來了？聯手清北破GPU難題，智能體大爆炸

新智元報道

編輯：KingHZ Aeneas

【新智元導讀】一夜之間，AI圈再次地震！這次不是DepSeek V4，而是DeepSeek直接換了推理架構。GPU空轉的問題，被他們硬生生砍掉了一半。

昨天，DeepSeek-V4要來的消息紛紛揚揚，整個AI圈都被攪動得心緒不寧，隔壁的美國同行們都快崩了。

結果就在昨晚，DeepSeek突然又雙叒叕更新了！他們聯手北大、清華的團隊，發布了針對智能體的推理框架DualPath。

這個框架的核心目標，就是緩解因大規模KV-Cache從外部存儲讀取而帶來的I/O瓶頸問題，避免算力資源因數據加載速度受限而被閑置。

鏈接：https://arxiv.org/abs/2602.21548

具體來說，此次架構升級引入了「Storage-to-Decode」的第二條加載通路，通過「雙路徑KV-Cache加載」機制，有效改善了PD分離架構下的讀取瓶頸和資源失衡問題。

可以說，這個框架直接劍指多輪AI智能體（agentic）場景下的大語言模型推理性能瓶頸——

以后，DeepSeek+OpenClaw的玩法兒不遠了！

還是熟悉的味道，DeepSeek在AI基礎設施上的提升一如既往的出色，如今邁入智能體與強化學習時代——

離線推理吞吐量最高提升1.87倍，在線場景下每秒智能體運行次數提升1.96倍。

論文一出，學界直呼：如此極致的算力管理，如此精準的調控，DeepSeek團隊是真正的經濟學大師！

網友直評：這正是贏得AI大戰的關鍵基礎設施思維。

可以說，這篇論文充分體現出DeepSeek的野心——把AI做成像水氣電一樣的基礎設施！

OpenClaw引爆智能體

DeepSeek窺天機

Claude Code\Cowork、OpenClaw等智能體的爆火，毫無爭議地點燃了Agent黃金時代的開年熱潮！

DeepSeek發現，在智能體推理任務期間，GPU存在嚴重的利用率不足問題。

一個Agent任務有多長？幾十分鐘，有時幾小時。它要寫代碼、查文檔、 跑測試，再回來改代碼。上下文幾百萬token，每一步都要快。

這就帶來了一個巨大的技術債——KVCache（鍵值緩存）。

KV Cache是什么？一句話，它是AI的草稿紙。

模型每生成一個token，都會把「思考痕跡」存下來；下次繼續寫，它要翻草稿；草稿越厚，占用顯存越多。

為了讓AI記得上下文，我們必須把這些龐大的數據一直存在GPU的顯存（HBM）里。

然而，HBM供不應求，死死卡住了AI行業的脖子。

AI模型推理正演變為一場內存競賽。

因為AI對HBM需求激增，消費級內存被停產，導致在短短幾個月內主流的內存DRAM價格漲了7倍！

所以，把不需要立刻用到的記憶暫時挪到便宜的SSD或主內存里，下次要用時，再把它搬回來，這成了行業的出路。

矛盾就在這里爆發了：傳統的推理架構是串行的。

當AI需要調取舊記憶時，計算單元（Compute Unit）必須停下來，眼巴巴地等著數據通過帶寬有限的PCIe總線慢慢爬進顯存。

DeepSeek的研究指出，在多輪智能體推理（Agentic Inference）的場景下，GPU竟然有大量時間是在「空轉」等待數據！

他們發布了一些關于智能體編碼的真實世界數據，并定義了一個「緩存-計算比率」指標：該比例取決于模型類型、上下文和追加長度。

他們從代表性編碼任務中收集的軌跡顯示，平均交互輪數為157，表明LLMs傾向于進行多輪交互。

平均上下文長度為32.7k，而每次追加長度的平均值僅為429，這意味著KV緩存命中率高達98.7%。

在此場景下，緩存-計算比（定義為KV緩存加載量與所需計算量之比）對于DeepSeek-V3.2約為22GB/PFLOP。

由于每個節點上單塊存儲網卡的帶寬有限，KV緩存加載速度成為了瓶頸。

近年來，網絡帶寬和HBM容量的增長落后于GPU FLOPS的增長，I/O計算比率下降了14.4倍。

此外，較小的HBM容量限制了GPU內核可同時計算的token批次大小，阻礙了張量核心等計算單元被充分利用。

第三，現有的LLM推理系統在不同引擎類型之間表現出嚴重的存儲網絡利用率不均衡。

DeepSeek的黑科技：DualPath

DeepSeek的DualPath架構，做了一件聽起來簡單、實現起來卻極具顛覆性的事：它把「思考」和「回憶」這兩件事，從串行變成了并行。

在計算機科學中，這被稱為「計算與存儲訪問的解耦」（Decoupling Compute and Memory Access）。

讓我們換個通俗的比喻。

傳統架構是串行的：先把數據讀進顯存，讀完后，GPU才開始算。像下載電影，必須等100%，才能播放。

而DualPath做了一件事：邊下載，邊播放。

SemiAnalysis的技術團隊成員、高級工程師Jordan Nanos認為：

DeepSeek在DualPath 論文中提出了一個超酷的點子！

在目前流行的預填充-解碼分離系統中，命中token的KV緩存完全由預填充引擎直接從遠程存儲加載。這種設計將所有存儲I/O壓力集中在預填充端的網卡上，而解碼引擎端的網卡則基本處于空閑狀態。

因此，無法充分利用聚合的存儲網絡帶寬。

DeepSeek則另辟蹊徑：

與其直接從本地NVMe（或 DRAM）將所有KV加載到 GPU 上并受限于本地PCIe總線帶寬，不如先將KV暫存到解碼 GPU服務器的DRAM 中，再通過GDRDMA將KV傳輸至預填充（prefill）GPU。

DeepSeek設計了兩條獨立的流水線：

1. 存儲路徑（Access Path）：負責瘋狂地從SSD/DRAM中搬運KV Cache數據塊。

2. 計算路徑（Compute Path）：負責利用已經搬運好的數據塊立刻開始計算。

他們將Prefill GPU定義為PE（Prefill Engines，預填充引擎），Decode同理；而SNIC表示存儲網卡，CNIC表示計算型網卡

就像你看網劇一樣，不需要等電影下完，只要緩沖好前5秒，你就可以開始看了。

后臺的下載和前臺的播放同時進行，互不干擾。

Inter-Engine PE調度示意圖。八張GPU均屬于同一個PE引擎組，調度器會從中選擇最優的一個（或一組）進行調度

Intra-Engine Schedule示意圖。左：基于計算配額的批次選擇。右：應用計算配額前后的 GPU 時間線對比

在技術實現上，DualPath利用了Chunk-based Streaming（塊式流處理）技術，將龐大的KV Cache切分成一個個小塊。

當計算單元在處理「第N塊」記憶時，存儲單元已經悄悄地把「第N+1塊」預加載好了。

DRAM緩沖區（PE緩沖區和DE緩沖區）用于從層塊構建完整塊

具體而言，DeepSeek的GPU顯存只需容納單層的KV向量即可處理一個請求，內部是這樣進行推理的：

你發送一個請求（并緩存命中了一堆token），在推理過程中，當執行LLM的一層時：下一層的KV向量從CPU加載，以滑動窗口的方式從磁盤加載之后那一層的KV。

而且，該架構專為適配其基礎設施而設計。

他們分析網絡接口卡（NIC）與DRAM帶寬，以找出實際可行的Prefill:Decode配置范圍。

P表示預填充節點數；D表示解碼節點；g表示每個節點的GPU數量；B表示網卡的帶寬；s表示每臺機器的存儲網卡數量；M表示每臺機器的DRAM帶寬

最佳結果是所有P:D從1:7到7:2。

效果驚人：近2倍效果提升！

在標準的代理推理基準測試中，DualPath將系統的吞吐量直接提升了1.96倍。

請注意，這不是10%或20%的微調，而是近乎200%的性能暴漲。

在半導體日益逼近物理極限的今天，純軟件架構的優化能帶來這種幅度的提升，堪稱神跡。

這意味著，同樣的硬件成本，Agent的反應速度快了一倍；或者說，維持同樣的體驗，推理成本腰斬。

他們使用一個智能體軌跡數據集，對DeepSeek V3.2的660B和27B版本以及Qwen 2.5-32B進行了評估。

并在其推理框架中對比啟用與未啟用DualPath的性能，以及與SGLang（帶HiCache和Mooncake）的對比。

基本上，DualPath能帶來近2倍的性能提升；下圖灰色條代表理論上限；JCT是離線場景（即強化學習rollout）下的作業完成時間。

結果顯示，在在更大的批大小和更長的MAL下，DualPath的優勢更加明顯。圖 7 展示了不同批大小和MAL配置下的JCT。

在DS 660B上，DualPath相比Basic最高可實現1.87×的加速，并且性能接近 Oracle，表明KV-cache的I/O開銷基本被消除。

在DS 27B上，DualPath相比Basic最高提升1.78×，但由于1P1D配置下存儲帶寬受限（見圖8），其性能仍比Oracle慢 1.09–1.85×。

當追加token和生成token較短時，DualPath的優勢更加明顯。

如圖9所示，隨著追加長度增加，Basic的性能逐漸接近DualPath和Oracle。

與Basic相比，在不同追加比例下，DualPath實現了1.82–1.99×的加速。

此外，如圖8所示，DualPath在所有配置下平均實現1.64倍的加速（最高可達2.46倍）。

這進一步驗證了：在智能體場景中，存儲帶寬是主要瓶頸。

他們還調整了預填充與解碼（P:D）的比例，分別為1:2,1:1,2:1，看起來差別并不大，在這三種場景下性能大約提升了2倍。

對于在線服務來說，似乎在更大模型上性能提升更顯著：

APS表示每秒代理到達率；有SLO限制：TTFT<4秒，TPOT<50毫秒；用InferenceX的術語來說，交互性表示1/TPOT；所以50毫秒的TPOT等于每位用戶每秒20個token

團隊還進行了消融研究，以將TTFT的改進和JCT歸因于所采用的不同技術。

第一張圖是在不同APS下的堆疊柱狀圖，左側為使用DualPath的情況，右側為未使用的情況。時間按百分比分配給：

Sch.表示調度

A.表示分配

R.表示讀取KV緩存

PF.表示預填充

因此你可以看到分配所花費的時間消失了，prefill所花費的時間減少了，而（相對而言）讀取KV和調度所花費的時間增加了

第二張圖逐次加入三種技術時，對JCT的對比的總性能提升：

• 分層預填充（layerwise prefill）占45%

• 雙路徑加載貢獻了39%

• 而調度算法負責最后的16%

當這三種技術全部應用時，總體性能提升使得平均作業完成時間（JCT）加快了45%。

他們最后提到，其系統在由1,152塊GPU組成的集群上支持4.8萬個并發智能體，配置為48P:96D。

這是從2P:4D上的2000個智能體線性擴展而來的；還測試了44P:88D，也觀察到了同樣的線性擴展。

一個有意義的限制在于未考慮工具調用的延遲。

如果智能體在工具調用期間處于空閑狀態，理論上你可以提高APS（并發數）

但這也會導致工作集（KV緩存的大小）呈平方級增長，由于命中率降低，進一步加大了對DRAM和存儲的壓力

也讓人質疑他們早前提出的緩存-計算比率，很可能會提高GB:PFLOPs表中的GB數值（再次附上截圖）

從「算力為王」到「帶寬決勝」

DualPath的誕生，不僅僅是一個技術優化，它是一個信號。它宣告了Pre-filling（預填充）時代的終結，和Agentic Serving（智能體式服務）時代的正式確立。

在過去，我們迷信算力。仿佛只要堆足夠多的H100、B200，AI就會無限變強。

但DeepSeek用DualPath狠狠地打醒了行業：當參數量不再是瓶頸，IO（輸入輸出）才是阿喀琉斯之踵。

實際上，DeepSeek就是在構建AGI的高效「海馬體」。

通過徹底榨干PCIe 6.0/7.0的帶寬，通過極致的軟硬件協同，DeepSeek正在把AI從「在線計算」的束縛中解放出來。

如今，我們離真正的AGI，又近了一步。

參考資料：

https://arxiv.org/pdf/2602.21548