在人工智能技術(shù)迅猛發(fā)展的當(dāng)下，大模型的低成本與高性能成為各大科技企業(yè)競相追逐的焦點。

近期火爆的DeepSeek-R1模型憑借低成本、高性能優(yōu)勢引發(fā)市場波動，DeepSeek-R1實力驚人，擁有6710億參數(shù)，推理能力表現(xiàn)卓越，采用了慢思考+思維鏈，能對復(fù)雜問題深入分析和推理，得出準(zhǔn)確且有邏輯的結(jié)論，這使其在處理數(shù)學(xué)計算、代碼編寫、自然語言處理等各種任務(wù)時都游刃有余。

但是復(fù)雜推理的多輪對話和長序列需要緩存更多的KV Cache，導(dǎo)致GPU高帶寬內(nèi)存容量成為瓶頸，而通過增加DRAM解決問題又會讓推理成本激增。為了應(yīng)對上下文KV Cache緩存的問題，DeepSeek采用創(chuàng)新性的硬盤緩存技術(shù)，將GPU、DRAM中的緩存數(shù)據(jù)Offload到存儲陣列中，成功將大模型使用成本降低一個數(shù)量級。

在大模型推理過程中通過高性能分布式文件存儲以存代算，可以提升用戶體驗與推理效率，同時有效降低推理成本。這一技術(shù)趨勢在DeepSeek API服務(wù)中大范圍應(yīng)用，其上下文硬盤緩存技術(shù)不僅能降低服務(wù)延遲，還可大幅削減最終的使用成本。

DeepSeek API 模型&價格

(數(shù)據(jù)來源：https://api-docs.deepseek.com/zh-cn/quick_start/pricing)

從技術(shù)角度來看，在大模型API使用場景中，用戶輸入存在相當(dāng)比例的重復(fù)內(nèi)容，比如用戶的提問中常有重復(fù)引用部分，多輪對話中每一輪都需重復(fù)輸入前幾輪內(nèi)容。同時，在很多面向企業(yè)（ToB）的專業(yè)領(lǐng)域里，業(yè)務(wù)信息又多又復(fù)雜，常常是一長串地輸入。推理時需要從這些長上下文的內(nèi)容里找出有用的信息和關(guān)鍵主題，這就需要計算和存儲相互配合。為此，采用以存代算技術(shù)，將預(yù)計未來會重復(fù)使用的內(nèi)容緩存在存儲中，當(dāng)輸入有重復(fù)時，重復(fù)部分只需從緩存讀取，無需重新計算。這一技術(shù)不僅顯著降低服務(wù)延遲，還大幅削減最終使用成本。

以多輪對話場景為例，下一輪對話會命中上一輪對話生成的上下文緩存：

華為數(shù)據(jù)存儲OceanStor A800針對大模型推理具備Unified Cache多級緩存技術(shù)，與DeepSeek硬盤緩存技術(shù)采用相同的技術(shù)路線，簡單來說，就是提前把和你相關(guān)的歷史信息，比如你們之前聊過的內(nèi)容、你的喜好這些“記憶”，存到的存儲設(shè)備里。等你要用的時候，它能快速找到這些相關(guān)信息（相關(guān)KV Cache片段），不用每次都從頭開始推理計算。這樣一來，不僅能快速準(zhǔn)確地處理長對話內(nèi)容（長序列），成本也能降下來，而且還能根據(jù)你的獨特需求提供更貼心的個性化服務(wù)，讓模型就像專門為你定制的一樣。

華為OceanStor A800是基于數(shù)控分離全交換架構(gòu)的原生AI存儲，Unified Cache多級緩存技術(shù)可應(yīng)用于：

具有長預(yù)設(shè)提示詞的問答助手類應(yīng)用，如智能客服、智能運維；

具有角色設(shè)定與多輪對話的角色扮演類應(yīng)用，如電商&教培、英語口語陪練；

超長文本行業(yè)總結(jié)分析以及復(fù)雜推理等場景，如金融投研分析、法律卷宗分析；

針對固定文本集合進行頻繁詢問的數(shù)據(jù)分析類應(yīng)用；

代碼倉庫級別的代碼分析與排障工具。

為推理系統(tǒng)提供TB級性能、PB級容量、大規(guī)模共享的全局內(nèi)存擴展池，實現(xiàn)高效的上下文KV Cache保存、管理與加載策略，有效提升KV Cache加載效率，可支持的序列長度從百K擴展到無限長，實現(xiàn)推理首Token時延4+倍降低，E2E推理成本2+倍降低，為大模型提供終身記憶和無限上下文能力。

大模型推理使用華為OceanStor A800高性能分布式文件存儲，能夠?qū)崿F(xiàn)PB級容量的DRAM性能，進一步降低大模型推理服務(wù)的延遲，大幅削減最終使用成本，重新定義了AI服務(wù)的性價比，為大模型在各行業(yè)的廣泛普及與應(yīng)用注入強大動力，加速大模型普惠時代的到來。