DeepSeek深夜发论文，V4前奏来了？联手清北破GPU难题，智能体大爆炸

新智元报道

编辑：KingHZ Aeneas

【新智元导读】一夜之间，AI圈再次地震！这次不是DepSeek V4，而是DeepSeek直接换了推理架构。GPU空转的问题，被他们硬生生砍掉了一半。

昨天，DeepSeek-V4要来的消息纷纷扬扬，整个AI圈都被搅动得心绪不宁，隔壁的美国同行们都快崩了。

结果就在昨晚，DeepSeek突然又双叒叕更新了！他们联手北大、清华的团队，发布了针对智能体的推理框架DualPath。

这个框架的核心目标，就是缓解因大规模KV-Cache从外部存储读取而带来的I/O瓶颈问题，避免算力资源因数据加载速度受限而被闲置。

链接：https://arxiv.org/abs/2602.21548

具体来说，此次架构升级引入了「Storage-to-Decode」的第二条加载通路，通过「双路径KV-Cache加载」机制，有效改善了PD分离架构下的读取瓶颈和资源失衡问题。

可以说，这个框架直接剑指多轮AI智能体（agentic）场景下的大语言模型推理性能瓶颈——

以后，DeepSeek+OpenClaw的玩法儿不远了！

还是熟悉的味道，DeepSeek在AI基础设施上的提升一如既往的出色，如今迈入智能体与强化学习时代——

离线推理吞吐量最高提升1.87倍，在线场景下每秒智能体运行次数提升1.96倍。

论文一出，学界直呼：如此极致的算力管理，如此精准的调控，DeepSeek团队是真正的经济学大师！

网友直评：这正是赢得AI大战的关键基础设施思维。

可以说，这篇论文充分体现出DeepSeek的野心——把AI做成像水气电一样的基础设施！

OpenClaw引爆智能体

DeepSeek窥天机

Claude Code\Cowork、OpenClaw等智能体的爆火，毫无争议地点燃了Agent黄金时代的开年热潮！

DeepSeek发现，在智能体推理任务期间，GPU存在严重的利用率不足问题。

一个Agent任务有多长？几十分钟，有时几小时。它要写代码、查文档、 跑测试，再回来改代码。上下文几百万token，每一步都要快。

这就带来了一个巨大的技术债——KVCache（键值缓存）。

KV Cache是什么？一句话，它是AI的草稿纸。

模型每生成一个token，都会把「思考痕迹」存下来；下次继续写，它要翻草稿；草稿越厚，占用显存越多。

为了让AI记得上下文，我们必须把这些庞大的数据一直存在GPU的显存（HBM）里。

然而，HBM供不应求，死死卡住了AI行业的脖子。

AI模型推理正演变为一场内存竞赛。

因为AI对HBM需求激增，消费级内存被停产，导致在短短几个月内主流的内存DRAM价格涨了7倍！

所以，把不需要立刻用到的记忆暂时挪到便宜的SSD或主内存里，下次要用时，再把它搬回来，这成了行业的出路。

矛盾就在这里爆发了：传统的推理架构是串行的。

当AI需要调取旧记忆时，计算单元（Compute Unit）必须停下来，眼巴巴地等着数据通过带宽有限的PCIe总线慢慢爬进显存。

DeepSeek的研究指出，在多轮智能体推理（Agentic Inference）的场景下，GPU竟然有大量时间是在「空转」等待数据！

他们发布了一些关于智能体编码的真实世界数据，并定义了一个「缓存-计算比率」指标：该比例取决于模型类型、上下文和追加长度。

他们从代表性编码任务中收集的轨迹显示，平均交互轮数为157，表明LLMs倾向于进行多轮交互。

平均上下文长度为32.7k，而每次追加长度的平均值仅为429，这意味着KV缓存命中率高达98.7%。

在此场景下，缓存-计算比（定义为KV缓存加载量与所需计算量之比）对于DeepSeek-V3.2约为22GB/PFLOP。

由于每个节点上单块存储网卡的带宽有限，KV缓存加载速度成为了瓶颈。

近年来，网络带宽和HBM容量的增长落后于GPU FLOPS的增长，I/O计算比率下降了14.4倍。

此外，较小的HBM容量限制了GPU内核可同时计算的token批次大小，阻碍了张量核心等计算单元被充分利用。

第三，现有的LLM推理系统在不同引擎类型之间表现出严重的存储网络利用率不均衡。

DeepSeek的黑科技：DualPath

DeepSeek的DualPath架构，做了一件听起来简单、实现起来却极具颠覆性的事：它把「思考」和「回忆」这两件事，从串行变成了并行。

在计算机科学中，这被称为「计算与存储访问的解耦」（Decoupling Compute and Memory Access）。

让我们换个通俗的比喻。

传统架构是串行的：先把数据读进显存，读完后，GPU才开始算。像下载电影，必须等100%，才能播放。

而DualPath做了一件事：边下载，边播放。

SemiAnalysis的技术团队成员、高级工程师Jordan Nanos认为：

DeepSeek在DualPath 论文中提出了一个超酷的点子！

在目前流行的预填充-解码分离系统中，命中token的KV缓存完全由预填充引擎直接从远程存储加载。这种设计将所有存储I/O压力集中在预填充端的网卡上，而解码引擎端的网卡则基本处于空闲状态。

因此，无法充分利用聚合的存储网络带宽。

DeepSeek则另辟蹊径：

与其直接从本地NVMe（或 DRAM）将所有KV加载到 GPU 上并受限于本地PCIe总线带宽，不如先将KV暂存到解码 GPU服务器的DRAM 中，再通过GDRDMA将KV传输至预填充（prefill）GPU。

DeepSeek设计了两条独立的流水线：

1. 存储路径（Access Path）：负责疯狂地从SSD/DRAM中搬运KV Cache数据块。

2. 计算路径（Compute Path）：负责利用已经搬运好的数据块立刻开始计算。

他们将Prefill GPU定义为PE（Prefill Engines，预填充引擎），Decode同理；而SNIC表示存储网卡，CNIC表示计算型网卡

就像你看网剧一样，不需要等电影下完，只要缓冲好前5秒，你就可以开始看了。

后台的下载和前台的播放同时进行，互不干扰。

Inter-Engine PE调度示意图。八张GPU均属于同一个PE引擎组，调度器会从中选择最优的一个（或一组）进行调度

Intra-Engine Schedule示意图。左：基于计算配额的批次选择。右：应用计算配额前后的 GPU 时间线对比

在技术实现上，DualPath利用了Chunk-based Streaming（块式流处理）技术，将庞大的KV Cache切分成一个个小块。

当计算单元在处理「第N块」记忆时，存储单元已经悄悄地把「第N+1块」预加载好了。

DRAM缓冲区（PE缓冲区和DE缓冲区）用于从层块构建完整块

具体而言，DeepSeek的GPU显存只需容纳单层的KV向量即可处理一个请求，内部是这样进行推理的：

你发送一个请求（并缓存命中了一堆token），在推理过程中，当执行LLM的一层时：下一层的KV向量从CPU加载，以滑动窗口的方式从磁盘加载之后那一层的KV。

而且，该架构专为适配其基础设施而设计。

他们分析网络接口卡（NIC）与DRAM带宽，以找出实际可行的Prefill:Decode配置范围。

P表示预填充节点数；D表示解码节点；g表示每个节点的GPU数量；B表示网卡的带宽；s表示每台机器的存储网卡数量；M表示每台机器的DRAM带宽

最佳结果是所有P:D从1:7到7:2。

效果惊人：近2倍效果提升！

在标准的代理推理基准测试中，DualPath将系统的吞吐量直接提升了1.96倍。

请注意，这不是10%或20%的微调，而是近乎200%的性能暴涨。

在半导体日益逼近物理极限的今天，纯软件架构的优化能带来这种幅度的提升，堪称神迹。

这意味着，同样的硬件成本，Agent的反应速度快了一倍；或者说，维持同样的体验，推理成本腰斩。

他们使用一个智能体轨迹数据集，对DeepSeek V3.2的660B和27B版本以及Qwen 2.5-32B进行了评估。

并在其推理框架中对比启用与未启用DualPath的性能，以及与SGLang（带HiCache和Mooncake）的对比。

基本上，DualPath能带来近2倍的性能提升；下图灰色条代表理论上限；JCT是离线场景（即强化学习rollout）下的作业完成时间。

结果显示，在在更大的批大小和更长的MAL下，DualPath的优势更加明显。图 7 展示了不同批大小和MAL配置下的JCT。

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

在DS 27B上，DualPath相比Basic最高提升1.78×，但由于1P1D配置下存储带宽受限（见图8），其性能仍比Oracle慢 1.09–1.85×。

当追加token和生成token较短时，DualPath的优势更加明显。

如图9所示，随着追加长度增加，Basic的性能逐渐接近DualPath和Oracle。

与Basic相比，在不同追加比例下，DualPath实现了1.82–1.99×的加速。

此外，如图8所示，DualPath在所有配置下平均实现1.64倍的加速（最高可达2.46倍）。

这进一步验证了：在智能体场景中，存储带宽是主要瓶颈。

他们还调整了预填充与解码（P:D）的比例，分别为1:2,1:1,2:1，看起来差别并不大，在这三种场景下性能大约提升了2倍。

对于在线服务来说，似乎在更大模型上性能提升更显著：

APS表示每秒代理到达率；有SLO限制：TTFT<4秒，TPOT<50毫秒；用InferenceX的术语来说，交互性表示1/TPOT；所以50毫秒的TPOT等于每位用户每秒20个token

团队还进行了消融研究，以将TTFT的改进和JCT归因于所采用的不同技术。

第一张图是在不同APS下的堆叠柱状图，左侧为使用DualPath的情况，右侧为未使用的情况。时间按百分比分配给：

Sch.表示调度

A.表示分配

R.表示读取KV缓存

PF.表示预填充

因此你可以看到分配所花费的时间消失了，prefill所花费的时间减少了，而（相对而言）读取KV和调度所花费的时间增加了

第二张图逐次加入三种技术时，对JCT的对比的总性能提升：

• 分层预填充（layerwise prefill）占45%

• 双路径加载贡献了39%

• 而调度算法负责最后的16%

当这三种技术全部应用时，总体性能提升使得平均作业完成时间（JCT）加快了45%。

他们最后提到，其系统在由1,152块GPU组成的集群上支持4.8万个并发智能体，配置为48P:96D。

这是从2P:4D上的2000个智能体线性扩展而来的；还测试了44P:88D，也观察到了同样的线性扩展。

一个有意义的限制在于未考虑工具调用的延迟。

如果智能体在工具调用期间处于空闲状态，理论上你可以提高APS（并发数）

但这也会导致工作集（KV缓存的大小）呈平方级增长，由于命中率降低，进一步加大了对DRAM和存储的压力

也让人质疑他们早前提出的缓存-计算比率，很可能会提高GB:PFLOPs表中的GB数值（再次附上截图）

从「算力为王」到「带宽决胜」

DualPath的诞生，不仅仅是一个技术优化，它是一个信号。它宣告了Pre-filling（预填充）时代的终结，和Agentic Serving（智能体式服务）时代的正式确立。

在过去，我们迷信算力。仿佛只要堆足够多的H100、B200，AI就会无限变强。

但DeepSeek用DualPath狠狠地打醒了行业：当参数量不再是瓶颈，IO（输入输出）才是阿喀琉斯之踵。

实际上，DeepSeek就是在构建AGI的高效「海马体」。

通过彻底榨干PCIe 6.0/7.0的带宽，通过极致的软硬件协同，DeepSeek正在把AI从「在线计算」的束缚中解放出来。

如今，我们离真正的AGI，又近了一步。

参考资料：

https://arxiv.org/pdf/2602.21548