AI智能体因复杂多轮交互而面临速度瓶颈，传统架构下数据读取效率低下。DeepSeek联合顶尖高校发布新研究，提出名为DualPath的创新推理系统，直击存储带宽这一核心痛点，为AI智能体的实际落地提供了高效且具突破性的工程解决方案。
智能速览
DeepSeek发布新论文，聚焦AI智能体推理速度优化。
提出DualPath系统，通过双路径读取机制解决存储瓶颈。
该系统将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。
市场传闻DeepSeek V4即将发布，或将支持百万上下文与多模态。
DeepSeek近期因模型“变冷淡”和上下文更新引发用户热议。
精华内容
随着AI智能体应用日益复杂，其推理性能瓶颈已从计算转向数据读取。DeepSeek的新研究直面这一核心挑战，探索如何在不增加硬件成本的前提下，通过系统架构创新释放现有算力潜能。
智能体的新瓶颈
大模型正从简单的对话机器人演变为能够自主规划、调用工具的智能体系统，交互轮次可达数百次，导致上下文急剧增长。这种范式转变使得工作负载从计算密集型转向I/O密集型，模型需要频繁从存储中读取历史上下文（KV-Cache）。
在现有推理架构中，负责预处理的引擎网卡带宽被占满，而负责生成内容的解码引擎网卡却基本闲置，形成了严重的资源失衡，拖慢了整个系统的运行速度。
双路径破局
为解决此问题，DualPath系统应运而生。其核心创新在于引入了“双路径读取KV-Cache”机制。它不仅保留了传统的从存储到预处理引擎的路径，还新增了一条从存储直通解码引擎的路径。
解码引擎直接加载数据后，再通过高效的RDMA（远程直接内存访问）技术，将数据快速传输给预处理引擎。这一设计有效利用了此前闲置的解码引擎带宽，相当于为数据读取开辟了第二条“高速公路”，从而打破了存储瓶颈。
性能显著跃升
通过在三个模型上进行真实智能体工作负载的评估，DualPath展现了卓越的性能优化效果。在离线推理场景下，系统吞吐量最高提升了1.87倍。
在需要遵守服务等级协议（SLO）的在线服务场景中，每秒可运行的智能体数量平均提升了1.96倍。这些提升得益于优化的数据路径和全局调度器，它在数十个引擎间动态平衡负载，避免了网络拥堵。
“脏活”与期待
有从业者认为，DeepSeek专注于此类工程化优化，是面对算力资源短缺的无奈之举，属于“脏活累活”，市场更期待其在模型算法层面的根本性创新。与此同时，关于其新一代旗舰模型DeepSeek V4的传闻甚嚣尘上。
爆料称，DeepSeek正在测试百万上下文窗口、原生支持多模态的V4 Lite模型，且已向华为等国内厂商提供V4的提前访问权限。面对种种猜测与期待，DeepSeek方面则保持沉默。
DeepSeek对DualPath的研究，展现了一种务实且深刻的创新路径：通过优化底层系统架构来解决AI应用落地中的实际工程难题，而非仅仅追求模型参数的堆砌。这项工作为提升AI智能体的运行效率提供了重要参考，其价值可能不亚于一个新模型的发布。这种“软”实力，能否为其在激烈的AI竞争中构筑更坚实的壁垒？
