2026年2月25日，中國 AI 初創公司 DeepSeek 喺 arXiv 正式發表論文《DualPath: Breaking the Storage Bandwidth Bottleneck in Agentic LLM Inference》（arXiv:2602.21548）。該論文由 DeepSeek 核心研究團隊聯合北京大學同清華大學嘅團隊完成，首次系統性針對 Agentic LLM（智能體大語言模型）多輪推理場景下嘅儲存帶寬瓶頸提出解法。DualPath 透過引入「雙路徑 KV‑Cache 載入」機制同全局調度器，成功打破現時解耦式（disaggregated）推理架構中嘅根本不對稱問題，喺真實 Agentic 工作負載下實現離線推理吞吐量最高提升 1.87 倍、在線服務吞吐量平均提升 1.96 倍，且符合 SLO（服務水平目標）。呢項成果被視為 Agentic AI 時代高效推理技術嘅重大突破，亦為即將發佈嘅 DeepSeek V4 提供關鍵技術支撐。
Agentic LLM 推理嘅儲存帶寬瓶頸
論文開首指出，隨住 Agentic LLM 由單輪問答轉向多輪工具調用、長上下文規劃同複雜決策，推理性能瓶頸已由計算轉向 KV‑Cache 嘅儲存 I/O。喺現時主流嘅解耦式推理架構中：
- Prefill 階段（首次填充 KV‑Cache）需要由外部持久化儲存載入大量 KV‑Cache，造成儲存 NIC 帶寬飽和（論文圖 1 顯示 Prefill 引擎嘅儲存 NIC 利用率接近 100%）。
- Decode 階段（自回歸生成）幾乎唔消耗儲存帶寬，儲存 NIC 處於閒置狀態。
呢種不對稱導致整體系統吞吐量嚴重受限：Prefill 引擎成為瓶頸，Decode 引擎閒置，GPU 利用率好難超過 40%。作者喺真實 Agentic 工作負載上嘅測量數據（圖 2）顯示，傳統架構嘅 GPU 利用率長期徘徊喺 30–40%，遠低於計算密集型任務通常超過 80% 嘅水平。
DualPath 核心創新：雙路徑 KV‑Cache 載入 + 全局調度
DualPath 提出兩項關鍵創新，徹底打破呢個瓶頸：
- 雙路徑 KV‑Cache 載入機制 除咗傳統「儲存→Prefill」路徑，DualPath 新增一條「儲存→Decode」路徑：
- KV‑Cache 會首先載入到 Decode 引擎嘅本地記憶體（利用 Decode 階段原本閒置嘅儲存帶寬）。
- Decode 引擎透過 RDMA over Compute Network（計算網絡上嘅遠端直接記憶體存取）將 KV‑Cache 高效傳輸俾 Prefill 引擎。呢個設計充分利用計算網絡嘅高帶寬（論文實驗中使用 8×400Gbps/node RDMA），避免儲存網絡擠塞，同時避免干擾模型執行嘅延遲敏感通訊路徑。論文圖 3 展示咗呢個雙路徑數據流嘅架構對比。
- 全局調度器 DualPath 引入一個跨 Prefill 同 Decode 引擎嘅全局調度器，動態平衡兩類引擎嘅負載：
- 當 Prefill 負載高時，優先將 KV‑Cache 載入到 Decode 引擎並轉發；
- 當 Decode 負載高時，則切換回傳統路徑。論文表 1 顯示，呢種動態調度令系統整體吞吐量顯著提升。
實驗喺 DeepSeek 自研嘅推理系統上驗證三種唔同規模嘅 Agentic LLM（Llama‑3‑70B、Mixtral‑8x22B、DeepSeek 系列模型），喺真實多輪工具調用工作負載下：
- 離線推理吞吐量：最高提升 1.87×
- 在線服務吞吐量：平均提升 1.96×（符合 SLO）
- GPU 利用率：由約 40% 提升至接近 80%（圖 4 對比曲線）
與現有方法嘅比較與意義
DualPath 同傳統嘅 Speculative Decoding、PagedAttention、Medusa 等方法最大分別係：佢唔依賴模型內部嘅加速技巧，而係由 系統級數據路徑 同 全局調度 切入，直接解決解耦式架構嘅根本不對稱問題。論文表 2 對比顯示，DualPath 喺帶寬受限場景下嘅提升幅度遠超現有方法。
呢項工作對 Agentic AI 實際落地有深遠意義：
- 喺多輪複雜任務中，推理延遲同吞吐量係核心瓶頸，DualPath 直接提升系統整體效率。
- 對於企業級部署，DualPath 大幅降低對高端儲存 NIC 嘅需求，減少基礎設施成本。
- 喺邊緣 AI 場景，雙路徑機制為低帶寬環境提供可行方案。
DeepSeek 嘅策略佈局與未來展望
DualPath 發表嘅時機正值 DeepSeek V4 即將亮相前夕，被視為 V4 推理引擎嘅核心技術預熱。配合 DeepSeek 今年年初發表嘅另外兩篇重要論文：
- 2026 年元旦發表嘅《mHC: Manifold‑Constrained Hyper‑Connections》：透過流形約束超連接恢復殘差恆等映射，顯著抑制訓練不穩定。
- 2026 年1月12日發表嘅《Conditional Memory via Scalable Lookup》：提出 Engram 條件記憶模組，作為 LLM 稀疏性嘅新軸，喺 27B 規模實驗中優於 MoE。
呢三篇論文構成完整嘅邏輯鏈：mHC 優化訓練穩定性、Engram 擴展稀疏性、DualPath 革新推理效率。DeepSeek 透過連串基礎性突破，正由消費級多模態模型向高效、可擴展嘅大模型全鏈條能力躍升。
雖然論文冇公開 V4 嘅具體細節，但社區普遍推測 V4 會深度整合 DualPath，作為其 Agentic 推理引擎嘅核心組件。DeepSeek 團隊表示，會喺未來版本逐步開源部分 DualPath 實現，以推動社區協作。
結語
《DualPath》以系統級視角重新定義咗 Agentic LLM 推理嘅性能邊界。佢證明：喺 AI 進入智能體時代，單靠模型優化已不足以突破瓶頸，系統級數據路徑同全局調度嘅創新同樣關鍵。DeepSeek 嘅呢項工作，唔單止為 V4 嘅發布注入強勁技術支撐，亦為全球高效推理技術提供全新範式。
喺 2026 年 AI 算力與效率競賽白熱化嘅時候，DualPath 嘅出現提醒我哋：真正決定勝負，往往唔係參數規模，而係對系統瓶頸嘅深刻洞察同優雅解決。Agentic AI 嘅高效推理時代，或者就由呢度開始加速。
▶️ 鍾意呢篇內容？創作真係好辛苦！
歡迎訂閱我哋嘅 YouTube 頻道：
AI Rosetta
你嘅讚好、訂閱同分享，係對我哋最大嘅支持！🙏
更多 AI 新聞請瀏覽：
https://www.airosetta.com