月之暗面（Moonshot AI）和清华大学最新研究：推理吞吐量暴涨54%

紧跟Kimi K2.6，推一篇有点脑洞的论文，来自月之暗面（Moonshot AI）和清华大学的最新联合研究

一句话说清楚：这论文在搞什么？

把 Prefill（预填充）变成一种跨数据中心的云服务。

听起来有点抽象？我换个说法：以前大模型推理的 Prefill 和 Decode 两个阶段必须待在同一个机房里，因为中间传输的 KVCache 太大了，跨机房根本搬不动

而这篇论文说，新一代混合注意力模型的 KVCache 缩小了十几倍甚至几十倍，我们可以把 Prefill 拆出去、放到另一个机房的高算力集群上跑，然后用普通以太网把 KVCache 传回来做 Decode

这个架构叫做Prefill-as-a-Service（PrfaaS），实测吞吐量比同构 PD 部署高 54%，比朴素异构方案高 32%

地址 arxiv.org/abs/2604.15039 为什么要搞跨数据中心？

先说背景

PD 分离（Prefill-Decode Disaggregation）已经是大规模 LLM 推理的标准范式了

Moonshot AI 自家的 Mooncake 系统就是这个方向的先行者，后来跟 vLLM、SGLang、Dynamo 都做了深度合作，把 KVCache 当成 vip 来管理

PD 分离的原理很简单：Prefill 是计算密集型的，Decode 是内存带宽密集型的，两者对硬件的需求完全不同

理论上，我们应该用算力强的芯片专门跑 Prefill，用带宽大的芯片专门跑 Decode——这就是所谓的异构推理

但现实很骨感，问题出在 KVCache 传输上

下图展示了传统单集群 PD 推理（左）和 PrfaaS 跨数据中心推理（右）的对比：

传统PD架构 vs PrfaaS架构

在传统的 Dense Attention 模型里，一个 32K token 的请求，单个 MiniMax-M2.5 实例产生的 KVCache 传输速率高达约 60 Gbps。这什么概念？一台机器的跨数据中心以太网带宽都扛不住。所以 Prefill 和 Decode 必须共享同一个高带宽 RDMA 网络，被死死绑在同一个机房里

下图展示了 MiniMax-M2.5 在不同输入长度下的 KV 吞吐量，可以看到带宽需求有多恐怖：

MiniMax-M2.5 KV吞吐量

这就导致了一个尴尬局面：你想搞异构推理？可以，但你得把不同类型的芯片塞进同一个 RDMA 集群里。这在运维上极其僵化——你连 Prefill 和 Decode 的硬件比例都没法灵活调整

混合注意力模型改变了游戏规则

这篇论文指出了一个关键的转折点：新一代的混合注意力架构，正在从根本上改变 KVCache 的大小

什么是混合注意力？简单说就是在模型里只保留少量的全注意力层（Full Attention），大部分层用线性注意力（Linear Attention）或滑动窗口注意力（SWA）替代。这些层产生的 KVCache 大小是固定的，不会随输入长度线性增长

论文里列出了一组最新的混合注意力模型：

模型

架构比例

KV 吞吐量@32K

MiniMax-M2.5（Dense）

全 GQA

~60 Gbps

Qwen3-235B（Dense）

全 MLA

~33 Gbps

Qwen3.5-397B

3:1 线性:全注意力

~8 GbpsMiMo-V2-Flash

5:1 SWA:全注意力

~4.7 GbpsRing-2.5-1T

7:1 线性:全注意力

更低

看到了吗？从 60 Gbps 直接降到 4.7 Gbps，降了 13 倍！Ring-2.5-1T 更是靠 MLA + 7:1 混合比例实现了约36 倍的 KV 内存节省。

这个数量级的变化意味着：KVCache 终于可以用普通以太网跨数据中心传了。

但是！光靠模型架构还不够

论文强调得很清楚：实际工作负载是突发的，请求长度严重不均，前缀缓存分布不平衡，跨集群带宽还会波动。如果傻乎乎地把所有 Prefill 都扔到远端集群，照样会拥塞、排队、利用率低下

模型让跨数据中心传输变得"可能"，但要让它"实用"，还需要系统层面的精心设计

PrfaaS 的核心设计

PrfaaS 的架构相当优雅，核心思想是 **"选择性卸载"**——只把值得的请求送到远端。

下图是 PrfaaS-PD 的部署拓扑：

PrfaaS-PD 架构部署图

整个系统分为三个子系统：

1. 计算子系统

• PrfaaS 集群：高算力硬件（如 H200），专门处理长上下文 Prefill

• 本地 PD 集群：常规硬件（如 H20），负责短请求的 Prefill + 所有请求的 Decode

2. 网络子系统

• 集群内部：RDMA 高带宽互联

• 集群之间：普通以太网（VPC 对等连接或专线）

3. 存储子系统：混合前缀缓存池

这个设计很巧妙。混合注意力模型里有两种不同的 KVCache：

• 线性注意力层的递归状态：大小固定，只能精确匹配复用

• 全注意力层的 KVCache：随长度线性增长，支持前缀部分匹配

PrfaaS 把这两类 KVCache 分组管理，但共享底层的内存池。缓存块分为两类：前缀缓存块（可跨请求复用）和传输缓存块（传完即丢）。全局 KVCache 管理器维护所有集群的缓存元数据，调度器据此决定请求路由。

关键调度策略：双时间尺度调度

这是论文最硬核的部分。PrfaaS 的调度器分两个层面运作：

短期调度：带宽感知 + 缓存感知路由

设一个长度阈值t，请求的增量 Prefill 长度（去掉缓存命中的前缀后）超过t的，发到 PrfaaS 集群；不超过的，留在本地 PD 集群处理。

为什么这样做？因为短请求的 Prefill 通常是内存瓶颈（不是计算瓶颈），送到高算力集群反而浪费；而且短请求的 KV 吞吐量相对更高，会更快吃满跨集群带宽。

调度器还会实时监控 PrfaaS 集群的出口链路利用率和队列深度：

• 带宽紧张时：各集群的前缀缓存独立评估，尽量减少跨集群传输

• 带宽充裕时：全局最优缓存匹配，甚至允许跨集群缓存迁移

长期调度：流量驱动的资源再分配

本地 PD 集群内的 Prefill/Decode 实例比例可以动态调整。当流量模式变化时，调度器会重新计算最优的Np/Nd比例和路由阈值t。

实验结果：54% 吞吐量提升

论文用内部一个 1T 参数的混合架构模型（基于 Kimi Linear 架构，3:1 KDA:MLA 层比例）做了案例研究。

硬件配置：

• PrfaaS 集群：32 个 H200 GPU（高算力，专跑长上下文 Prefill）

• 本地 PD 集群：64 个 H20 GPU（常规 PD 模式，800 Gbps RDMA）

• 跨集群带宽：约 100 Gbps VPC 网络

• 对比基线：96 个 H20 GPU 的同构 PD 集群

工作负载：

• 输入长度：截断对数正态分布，均值约 27K tokens，范围 128~128K

• 输出长度：固定 1024 tokens

• SLO：40 tokens/s

下图展示了最优参数搜索过程——找到最佳的 Prefill/Decode 分配比和路由阈值：

参数搜索过程路由阈值搜索

最优配置：

• 路由阈值 t = 19.4K tokens

• 本地 PD 集群：3 个 Prefill 实例 + 5 个 Decode 实例

• 约 50% 的请求（长请求）被卸载到 PrfaaS 集群

核心结果：

指标

PrfaaS-PD

同构 PD

朴素异构 PD

吞吐量提升

基准

低 54%

低 32%

P90 TTFT

基准

高 64%

跨集群带宽消耗

13 Gbps

不适用

更高

最让我惊艳的数字：PrfaaS 集群的平均出口带宽仅 13 Gbps，只占 100 Gbps 以太网链路的 13%。这说明混合注意力模型的 KVCache 跨数据中心传输不仅可行，而且还有巨大的余量！

而朴素异构方案（不做选择性卸载，所有 Prefill 都扔到 H200）只提升了 16% 吞吐量，被 PrfaaS-PD 的 54% 远远甩在身后。这充分说明了调度策略的重要性——光有异构硬件不够，得有聪明的调度。

对未来的影响

这篇论文背后的信号非常明确：

1. 模型架构正在重塑推理系统设计

Kimi Linear、Qwen3.5、MiMo-V2-Flash、Ring-2.5-1T……新一代模型几乎都在走混合注意力路线。KVCache 的急剧缩小，让跨数据中心推理从"不可能"变成了"值得优化"。

2. 硬件专用化趋势加速

NVIDIA 的 Rubin CPX 专攻 Prefill 吞吐，Groq 的 LPU 专攻 Decode 带宽，Taalas HC1 主打超高内存带宽。PrfaaS 架构让这些异构硬件可以各自独立部署、独立扩缩容，不用硬塞进同一个 RDMA 集群。

3. 大规模部署的成本优化空间巨大

论文指出，即使是万卡级别的部署，PrfaaS 集群的跨数据中心带宽需求也就在 Tbps 量级，现代数据中心完全能承载。这意味着企业可以在算力便宜的地方部署 Prefill 集群，在离用户近的地方部署 Decode 集群。

总结

这篇论文的核心洞察其实很简单：下一代模型的 KVCache 够小了，小到可以跨数据中心传输了。但光"够小"还不行，还需要选择性卸载、带宽感知调度、缓存感知路由这一套系统设计配合。模型架构和系统设计双管齐下，才能让跨数据中心的异构推理真正落地。

作为 Mooncake 的延续之作，这篇论文继续体现了 Moonshot AI 在推理系统领域的深厚积累。而且论文明确提到了跟 vLLM、SGLang 的合作，说明这些想法很可能会逐步落地到开源推理框架中。

制作不易，如果这篇文章觉得对你有用，可否点个关注。给我个三连击：点赞、转发和在看。若可以再给我加个，谢谢你看我的文章，我们下篇再见！