DeepSeek联合北大清华发布DualPath推理系统，大幅提升智能体场景下大模型推理效率

在业界热切期待新一代旗舰模型DeepSeek V4之际，DeepSeek团队联合北京大学、清华大学悄然发布一项重要研究成果。该研究聚焦于影响大模型实际落地的核心瓶颈——推理速度，旨在为日益复杂的AI智能体提供高效、可扩展的底层推理系统支持。

论文提出名为DualPath的创新推理架构，专为智能体工作负载下的大语言模型（LLM）推理性能优化而设计。其核心突破在于引入‘双路径读取KV-Cache’机制（即并行访问键值缓存，类比人类的双重记忆调用），通过重构存储与计算协同逻辑，显著缓解内存带宽压力。实验表明：该方案使离线推理吞吐量最高提升1.87倍，在线服务场景下每秒可支撑的智能体运行数量平均提升1.96倍。

论文指出，当前大模型正加速从单轮问答式对话助手，演进为具备自主规划、工具调用与多轮环境交互能力的AI智能体系统。

这一范式跃迁带来推理负载的根本性变化：交互流程由传统‘人→模型’单向模式，升级为‘人→模型→环境’闭环链路，单任务交互轮次常达数十乃至上百轮，对低延迟、高并发、长上下文推理能力提出全新挑战。DualPath正是针对此类真实智能体工作负载所构建的系统级解法。