2026年2月25日，中国AI初创企业DeepSeek在arXiv上正式发布论文《DualPath: Breaking the Storage Bandwidth Bottleneck in Agentic LLM Inference》（arXiv:2602.21548）。该论文由DeepSeek核心研究团队联合北京大学和清华大学团队完成，首次系统性地针对Agentic LLM（智能体大语言模型）多轮推理场景下的存储带宽瓶颈提出解决方案。DualPath通过引入“双路径KV‑Cache加载”机制和全局调度器，成功打破了当前解耦式（disaggregated）推理架构中的根本性不对称问题，在真实Agentic工作负载下实现了离线推理吞吐量最高提升1.87倍，在线服务吞吐量平均提升1.96倍，且不违反SLO（服务水平目标）。这一成果被视为Agentic AI时代高效推理技术的重大突破，也为DeepSeek V4即将发布的推理引擎提供了关键技术支撑。
Agentic LLM推理的存储带宽瓶颈
论文开篇指出，随着Agentic LLM从单轮问答转向多轮工具调用、长上下文规划和复杂决策，推理性能瓶颈已从计算转移到KV‑Cache的存储I/O。在当前主流的解耦式推理架构中：
- Prefill阶段（首次填充KV‑Cache）需要从外部持久化存储加载海量KV‑Cache，导致存储NIC带宽饱和（论文图1显示Prefill引擎存储NIC利用率接近100%）。
- Decode阶段（自回归生成）几乎不消耗存储带宽，存储NIC处于闲置状态。
这种不对称导致整体系统吞吐量严重受限：Prefill引擎成为瓶颈，Decode引擎空闲，GPU利用率难以超过40%。作者在真实Agentic工作负载上的测量数据（图2）显示，传统架构的GPU利用率长期徘徊在30–40%，远低于计算密集型任务的80%以上。
DualPath核心创新：双路径KV‑Cache加载 + 全局调度
DualPath提出了两个关键创新来彻底打破这一瓶颈：
- 双路径KV‑Cache加载机制 除了传统“存储→Prefill”路径，DualPath新增一条“存储→Decode”路径：
- KV‑Cache首先被加载到Decode引擎的本地内存（利用Decode阶段原本闲置的存储带宽）。
- Decode引擎通过RDMA over Compute Network（计算网络上的远程直接内存访问）将KV‑Cache高效传输给Prefill引擎。 这一设计充分利用了计算网络的高带宽（论文实验中使用8×400Gbps/node RDMA），避免了存储网络的拥塞，同时避免干扰模型执行的延迟关键通信路径。论文图3展示了这一双路径数据流的架构对比。
- 全局调度器 DualPath引入一个跨Prefill和Decode引擎的全局调度器，动态平衡两类引擎的负载：
- 当Prefill负载高时，优先将KV‑Cache加载到Decode引擎并转发；
- 当Decode负载高时，切换回传统路径。 论文表1显示，这种动态调度使系统整体吞吐量提升显著。
实验在DeepSeek自研推理系统上验证了三种不同规模的Agentic LLM（Llama‑3‑70B、Mixtral‑8x22B、DeepSeek系列模型），在真实多轮工具调用工作负载下：
- 离线推理吞吐量：最高提升1.87×
- 在线服务吞吐量：平均提升1.96×（不违反SLO）
- GPU利用率：从40%提升至接近80%（图4对比曲线）
与现有方法的对比与意义
DualPath与传统Speculative Decoding、PagedAttention、Medusa等方法的区别在于：它不依赖模型内部的加速技巧，而是从系统级数据路径和全局调度切入，直接解决了解耦式架构的根本不对称问题。论文表2对比显示，DualPath在带宽受限场景下的提升幅度远超现有方法。
这一工作对Agentic AI的实际落地具有深远意义：
- 在多轮复杂任务中，推理延迟和吞吐量是核心瓶颈，DualPath直接提升了系统整体效率。
- 对于企业级部署，DualPath大幅降低了对高端存储NIC的需求，减少了基础设施成本。
- 在边缘AI场景中，双路径机制为低带宽环境提供了可行方案。
DeepSeek的战略布局与未来展望
DualPath的发布时机恰逢DeepSeek V4即将亮相前夕，被视为V4推理引擎的核心技术预热。结合DeepSeek今年年初发布的另外两篇重要论文：
- 2026年元旦发布的《mHC: Manifold‑Constrained Hyper‑Connections》：通过流形约束超连接恢复残差恒等映射，显著抑制训练不稳定。
- 2026年1月12日发布的《Conditional Memory via Scalable Lookup》：提出Engram条件内存模块，作为LLM稀疏性的新轴，在27B规模实验中优于MoE。
这三篇论文形成了完整的逻辑链条：mHC优化训练稳定性、Engram扩展稀疏性、DualPath革新推理效率。DeepSeek通过连续的基础性突破，正从消费级多模态模型向高效、可扩展的大模型全链条能力跃升。
虽然论文未透露V4具体细节，但社区普遍推测V4将深度集成DualPath，作为其Agentic推理引擎的核心组件。DeepSeek团队表示，将在未来版本中逐步开源部分DualPath实现，以推动社区协作。
结语
《DualPath》以系统级视角重新定义了Agentic LLM推理的性能边界。它证明：在AI进入智能体时代的今天，单纯的模型优化已不足以突破瓶颈，系统级数据路径和全局调度的创新同样关键。DeepSeek的这一工作，不仅为V4的发布注入强劲技术支撑，也为全球高效推理技术提供了全新范式。
在2026年AI算力与效率竞赛白热化的今天，DualPath的出现提醒我们：真正决定胜负的，往往不是参数规模，而是对系统瓶颈的深刻洞察和优雅解决。Agentic AI的高效推理时代，或许正从这里开始加速。
▶️ 喜欢这篇内容？创作真的很辛苦！
欢迎关注我们的 YouTube 频道：
AI Rosetta
你的点赞、订阅和分享，是对我们最大的支持！🙏
更多AI新闻请访问：
https://www.airosetta.com