機器之心編輯部

「DeepSeek V4 來了！」這樣的消息是不是已經(jīng)聽煩了？

我們也是。

不過 DeepSeek V4 雖然遲遲未發(fā)，但今天我們等來了其與清華、北大合作撰寫的一篇新論文。

總結(jié)來說，這篇新論文介紹了一個名為「DualPath」的創(chuàng)新推理系統(tǒng)，專門針對智能體工作負(fù)載下的大語言模型（LLM）推理性能進(jìn)行優(yōu)化。具體來講，通過引入「雙路徑 KV-Cache 加載」機制，解決了在預(yù)填充 - 解碼（PD）分離架構(gòu)下，KV-Cache 讀取負(fù)載不平衡的問題。

該推理系統(tǒng)帶來了顯著效果：在離線推理場景中實現(xiàn)了1.87 倍的吞吐量提升，在線服務(wù)場景下實現(xiàn)了1.96 倍的服務(wù)吞吐量提升。

• 論文標(biāo)題：DualPath: Breaking the Storage Bandwidth Bottleneck in Agentic LLM Inference
• arXiv 地址：https://arxiv.org/pdf/2602.21548

我們知道，如今智能體已經(jīng)成為主流 AI 開發(fā)范式。但是，智能體范式下出現(xiàn)了全新的瓶頸，即存儲帶寬。

在多輪互動的智能體場景中，上下文信息會隨輪次迅速累積，導(dǎo)致其呈現(xiàn)出 「長上下文、短追加」 的特征。研究指出，這類負(fù)載的 KV-Cache 命中率通常高于 95%。這意味著系統(tǒng)性能的決定性因素已不再是純粹的計算能力，而是從存儲中加載 KV-Cache 的效率。

在現(xiàn)有的預(yù)填充 - 解碼分離（PD-disaggregated）架構(gòu)中，所有的存儲 I/O 壓力都集中在預(yù)填充引擎（PE）的存儲網(wǎng)卡上，而解碼引擎（DE）的存儲帶寬則被閑置。這種帶寬利用的極度不平衡，成為了限制系統(tǒng)吞吐量的核心障礙。

針對這一痛點，DualPath 重新設(shè)計了數(shù)據(jù)加載路徑，核心創(chuàng)新在于引入了存儲到解碼（Storage-to-Decode）路徑，包括以下兩個特征：

一方面是雙路并行。KV-Cache 不僅可以直接讀入預(yù)填充引擎，還可以先加載到解碼引擎，隨后通過高帶寬 RDMA 計算網(wǎng)絡(luò)高效傳輸至預(yù)填充引擎。

另一方面是帶寬資源池化：通過動態(tài)分配兩條路徑的負(fù)載，DualPath 成功將集群中所有引擎的存儲網(wǎng)卡聚合為一個 全局容量池，徹底打破了單節(jié)點 I/O 的限制。

另外，為了確保大規(guī)模數(shù)據(jù)傳輸不干擾延遲極其敏感型的模型推理任務(wù)，DualPath 還采用了以下兩項關(guān)鍵技術(shù)：

一是以計算網(wǎng)卡（CNIC）為中心的流量管理：系統(tǒng)將所有 GPU 相關(guān)的流量（包括本地內(nèi)存拷貝）統(tǒng)一通過計算網(wǎng)卡進(jìn)行管理，同時利用網(wǎng)絡(luò)的服務(wù)質(zhì)量（QoS）機制，將推理通信設(shè)為高優(yōu)先級，確保加載 KV-Cache 的流量僅利用閑置帶寬，不影響延遲 SLO。

二是自適應(yīng)請求調(diào)度：調(diào)度器實時監(jiān)控各引擎的磁盤讀取隊列長度和計算負(fù)載，動態(tài)決定每個請求的最優(yōu)路徑。同時，通過計算配額機制優(yōu)化引擎內(nèi)調(diào)度，最大限度減少 GPU 執(zhí)行過程中的氣泡。

研究團(tuán)隊在包含 1152 個 GPU 的大規(guī)模生產(chǎn)集群上對 DualPath 進(jìn)行了評估，并驗證了離線與在線服務(wù)場景下吞吐量的顯著提升。

接下來解析 DualPath 系統(tǒng)細(xì)節(jié)。

DualPath 系統(tǒng)概覽

為了打破 Prefill 側(cè)存儲 I/O 的瓶頸，DeepSeek 提出了一種雙路徑加載架構(gòu)，重新設(shè)計了在 Prefill–Decode 解耦（PD-disaggregated）推理架構(gòu)中 KV-Cache 的讀取方式。傳統(tǒng)做法是所有 KV-Cache 都從存儲直接讀入 Prefill 側(cè) GPU，導(dǎo)致 Prefill 側(cè)存儲網(wǎng)卡成為單點瓶頸。DualPath 則在此基礎(chǔ)上增加了一條新的加載路徑，從而緩解這一不平衡問題。

DualPath 仍然建立在兩項已有技術(shù)之上：

P/D 解耦（PD Disaggregation），將 prompt 處理與 decode 處理分離，以提高整體效率；

Layerwise Prefill，通過按層加載 KV-Cache，避免了 LayerKV 和 PrefillOnly 指出的 Prefill 引擎上的 HBM 顯存瓶頸問題，從而提升 GPU 利用率。

DualPath 整個系統(tǒng)由三部分組成：

• 推理引擎（Inference Engines）。每個引擎管理一張 GPU。引擎分為兩類：用于執(zhí)行 prefill 的 Prefill Engine（PE），以及用于執(zhí)行 decode 的 Decode Engine（DE）。
• 流量管理器（Traffic Manager）。每個引擎內(nèi)部都包含一個流量管理器，負(fù)責(zé)：（1）主機與設(shè)備之間的內(nèi)存拷貝（H2D 與 D2H）；（2）PE 與 DE 之間的 KV-Cache 傳輸；（3）通過存儲網(wǎng)卡進(jìn)行 KV-Cache 的讀寫操作。DeepSeek 采用以 CNIC 為中心的流量管理方案，以防止 KV-Cache 相關(guān)流量干擾模型推理過程中的通信。
• 請求調(diào)度器（Request Scheduler）。一個中心化調(diào)度器，負(fù)責(zé)接收客戶端請求并將其分配到不同引擎。同時，它還負(fù)責(zé)在兩條加載路徑之間動態(tài)分配數(shù)據(jù)流量（如圖 4 所示）。

雙路徑加載（Dual-Path Loading）

傳統(tǒng)系統(tǒng)中，KV-Cache 只能從存儲直接讀入 Prefill 引擎，因此所有存儲帶寬壓力都集中在 Prefill 側(cè)，形成單點瓶頸。DualPath 在此基礎(chǔ)上增加了一條新的加載路徑：KV-Cache 可以先從存儲讀入 Decode 引擎，再通過高速 RDMA 計算網(wǎng)絡(luò)傳回 Prefill 引擎。這樣，系統(tǒng)就可以同時利用 Prefill 和 Decode 兩側(cè)的存儲網(wǎng)卡帶寬，而不是只依賴 Prefill 一側(cè)，從而消除帶寬不均衡問題。

為了實現(xiàn)雙路徑加載，DualPath 在每個 Prefill Engine（PE）和 Decode Engine（DE）上分配少量 DRAM 作為緩沖區(qū)，分別稱為 PE buffer 和 DE buffer。

Prefill 側(cè)讀取路徑。首先，將命中 token 的 KV-Cache 從持久化存儲中讀取到 PE buffer（如圖 4a 中標(biāo)注 1 和 2）。在某一注意力層開始計算之前，該層對應(yīng)的 KV-Cache 會從 PE buffer 傳輸?shù)?PE 的 HBM（3 和 4），用于計算未命中（cache-miss）的 prompt token 的 KV-Cache。隨后，命中和未命中 token 的所有 KV-Cache 都會被傳輸?shù)?DE buffer，以組成完整的 prompt KV-Cache（ 5–7）。步驟 3–7 的流程會重復(fù) n_layer 次。在 prefill 前向計算過程中，數(shù)據(jù)傳輸與計算是重疊執(zhí)行的。

預(yù)填充 DE 讀取路徑。首先，命中 token 的 KV-Caches 會被讀取到 DE 緩沖區(qū)中（如圖 4b 中的標(biāo)簽 1 和 2 ）。在 PE 預(yù)填充期間，相應(yīng)層的 KV-Cache 會從 DE 緩沖區(qū)中讀取，這同樣與計算過程相重疊（ 3-5）。此過程會重復(fù) n_layer 次。當(dāng)每一層的計算完成后，只有缺失 token 的 KV-Caches 會被傳輸?shù)?DE 緩沖區(qū)，并與現(xiàn)有的命中 token KV-Cache 進(jìn)行合并。

解碼階段。在 DE 緩沖區(qū)接收到完整的提示 KV-Cache（包括通過 PE 讀取路徑加載的 KV-Cache 以及新追加 token 的 KV-Cache）后，解碼階段正式開始。DE 首先分配 HBM 并執(zhí)行主機到設(shè)備（H2D）傳輸（如圖 4a 中的標(biāo)簽 8 和 9；圖 4b 中的標(biāo)簽 6 和 7 ），隨后在開始解碼前釋放 CPU 內(nèi)存。

DE 緩沖區(qū)的設(shè)計雖然給 DRAM 和 CNIC 帶來了額外的帶寬壓力（因為增加了一次額外的 H2D 拷貝），這本可以通過 GPU Direct RDMA 直接繞過來避免。然而，由于在此類智能體場景下生成的長度通常較短，首 token 延遲在整個端到端請求時間中占據(jù)了不可忽視的比例。引入 DE 緩沖區(qū)有助于減少 GPU 內(nèi)存占用。在解碼過程中，每當(dāng)累積一個完整的 token 塊（例如 64 個 token）時，系統(tǒng)會立即將其持久化到磁盤中。

不同的數(shù)據(jù)塊布局。DualPath 采用了兩種不同的數(shù)據(jù)塊布局：完整塊和層級塊，它們分別包含所有層的信息和單個層的信息。對于所有與存儲系統(tǒng)的交互，均采用完整塊。在 PE 讀取的情況下，KV-Cache 加載到 PE HBM 以及傳輸?shù)?DE 緩沖區(qū)的過程是以層級流式方式進(jìn)行的，兩者都使用層級塊。同樣地，對于 DE 讀取路徑，從 DE 緩沖區(qū)到 PE HBM 的傳輸也使用層級塊。

無瓶頸（Bottleneck-Free）分析

比例（預(yù)填充 / 解碼比例）下證明了，該系統(tǒng)可以完全打滿所有存儲網(wǎng)卡（NIC）的帶寬，且不會引入計算網(wǎng)卡或 DRAM 的瓶頸。

假設(shè) PCIe 拓?fù)渑渲昧己茫疵恳粚?GPU - NIC 都位于同一個 PCIe 交換機下）、任務(wù)調(diào)度負(fù)載均衡、計算網(wǎng)絡(luò)無擁塞，且存儲讀取帶寬得到了充分利用。

首先是 PE CNIC 帶寬分析。對于 PE CNIC，由于存在回環(huán)流量（即不經(jīng)過交換機的 H2D 和 D2H 拷貝），因此無論讀或?qū)懖僮?，PCIe 側(cè)的總流量始終大于或等于交換機方向的流量。因此，只需要計算 PCIe 側(cè)的壓力。讀取操作包括 PE 路徑 (3) 和 (5)，其在所有配對上的總流量為：

其次是 DRAM 壓力分析。DRAM 是半雙工的，因此將讀取和寫入壓力相加。對于 PE 內(nèi)存，其壓力為 2sB，這通常不會超過內(nèi)存帶寬。對于 DE 內(nèi)存，遵循上述類似的分析，可以得出其壓力為 (3 + 2P / D) Bs。要求 DE 內(nèi)存壓力小于或等于 M，得到如下：

更多公式請參考原論文。

實際挑戰(zhàn)

雙路徑架構(gòu)從根本上重新定向了數(shù)據(jù)移動方式：KV-Cache 既可以直接從存儲加載到預(yù)填充引擎，也可以通過解碼引擎間接加載 。通過這種方式，系統(tǒng)聚合了所有引擎的存儲帶寬，從而打破了預(yù)填充側(cè)的 I/O 瓶頸 。然而，在實際系統(tǒng)中實現(xiàn)這一高層設(shè)計引入了三個相互關(guān)聯(lián)的挑戰(zhàn) 。

一是細(xì)粒度數(shù)據(jù)傳輸。層級執(zhí)行范式雖然對于克服 HBM 容量限制至關(guān)重要，但它會將 KV-Cache 碎片化為海量的細(xì)粒度數(shù)據(jù)塊。為了實現(xiàn)吞吐量增益，在存儲、主機 DRAM 和 GPU HBM 之間傳輸這些海量的細(xì)粒度數(shù)據(jù)塊時，必須確保產(chǎn)生極低的開銷，并與計算任務(wù)無縫重疊。

二是流量隔離。DualPath 中復(fù)雜的數(shù)據(jù)路徑在計算網(wǎng)絡(luò)和 PCIe 鏈路上都引入了額外的 KV-Cache 傳輸流量。一個主要的顧慮是，這些流量可能會干擾模型執(zhí)行中至關(guān)重要的、對延遲敏感的現(xiàn)有集合通信操作 —— 例如專家并行中的 AllToAll，以及張量 / 上下文并行中的 ReduceScatter 和 AllGather。由于這些集合通信直接決定了端到端的推理延遲，因此在不降低模型推理性能的前提下利用空閑 I/O 帶寬是一個關(guān)鍵挑戰(zhàn)。

三是動態(tài)負(fù)載均衡。由于采用了兩種不同的 KV-Cache 加載路徑，系統(tǒng)必須及時決定每個請求使用哪條路徑。過于簡單的策略可能會導(dǎo)致某條路徑過載，從而重新產(chǎn)生原始瓶頸。流量調(diào)度器必須實時平衡多個因素：存儲網(wǎng)卡隊列長度、GPU 上的計算負(fù)載以及請求的工作負(fù)載特性。

評估結(jié)果

在評估部分，論文核心任務(wù)只有一個：證明 DualPath 在真實 agent 工作負(fù)載下，確實能解決存儲帶寬瓶頸，并帶來穩(wěn)定、可擴展的性能提升。

論文在自研推理框架上實現(xiàn) DualPath，核心改動約 5000 行代碼。底層使用 FlashMLA、DeepGEMM、DeepEP 等高性能算子，存儲后端采用 3FS 分布式存儲。

評測模型包括：DS 660B（MoE + 稀疏注意力）、DS 27B（縮小版實驗?zāi)Ｐ停?，Qwen 32B（稠密模型）。

離線批量推理

這一部分模擬 RL rollout 場景：n 個 agent 同時啟動，測整體完成時間（JCT）。

不同 Agent 批量規(guī)模與最大 Agent 長度（MAL）的影響。 隨著批量規(guī)模增大以及 MAL 變長，DualPath 的優(yōu)勢更加明顯。圖 7 展示了在不同 batch size 與 MAL 組合下的 JCT 表現(xiàn)。SGL (MC) 出現(xiàn)錯誤，未能完成部分大規(guī)模配置（圖中 token 為 N/A）。在 DS 660B 模型上，DualPath 相比 Basic 最高實現(xiàn)了 1.87× 的加速，并展現(xiàn)出接近 Oracle 的性能，這表明 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 架構(gòu)下存儲帶寬受限，其性能仍比 Oracle 慢 1.09–1.85×（見圖 8）。對于 Qwen 32B，趨勢與 DS 27B 類似。

不同追加長度（Append Length）與生成長度（Generation Length）的影響。如圖 9 所示，隨著追加長度增加，Basic 的性能逐漸接近 DualPath 和 Oracle，而 DualPath 與 Oracle 的性能變化較小，這表明系統(tǒng)瓶頸始終主要來自 GPU 計算壓力。與 Basic 相比，DualPath 在不同追加規(guī)模下實現(xiàn)了 1.82–1.99× 的加速。生成長度擴展時的趨勢類似。

Online Serving（在線推理服務(wù)）

在線服務(wù)實驗部分則模擬真實生產(chǎn)環(huán)境下 agent 按泊松分布持續(xù)到達(dá)的場景，設(shè)置 TTFT ≤ 4 秒、TPOT ≤ 50 毫秒為服務(wù)等級目標(biāo)。結(jié)果表明，DualPath 顯著提高系統(tǒng)可承載的到達(dá)率上限：在 DS 27B 上提升 1.67 倍，在 DS 660B 上提升 2.25 倍。

與此同時，DualPath 的 TTST 與 Basic 基本持平，TPOT 也未引入額外解碼開銷，說明其優(yōu)化集中在 KV-Cache 讀取與排隊階段，而不會影響解碼階段效率。更重要的是，在負(fù)載升高時，DualPath 能保持 TTFT 結(jié)構(gòu)穩(wěn)定，而 Basic 的排隊時間會因存儲帶寬不足迅速上升，成為延遲惡化的主要來源。

最后，論文還做了大量消融實驗，感興趣的讀者，可以參考原論文，查看更多內(nèi)容。