觀點網訊：2月27日，DeepSeek團隊釋出了一篇新的學術論文論文。
這篇論文由DeepSeek聯合北大、清華共同撰寫，將研究方向投向了決定大模型實際應用落地的關鍵一環——推理速度，為日益複雜的AI智慧體，提供一套高效的底層系統解決方案論文。
具體來說，新論文介紹了一個名為DualPath的創新推理系統，專門針對智慧體工作負載下的大模型（LLM）推理效能進行最佳化論文。透過引入“雙路徑讀取KV-Cache（類似記憶快取）”機制，重新分配儲存網路負載，將離線推理吞吐量最高提升1.87倍，線上服務的每秒智慧體執行數平均提升1.96倍。
論文在引言部分提到，大模型正從單輪對話機器人和獨立推理模型，快速演進為智慧體系統 ——能夠自主規劃、呼叫工具，並透過多輪互動解決實際任務論文。這種應用正規化的轉變，推動大模型推理工作負載發生重大變革：從傳統的人類-大模型互動，轉向人類-大模型-環境互動，互動輪次可達數十甚至數百輪。
免責宣告：本文內容與資料由觀點根據公開資訊整理，不構成投資建議，使用前請核實論文。
