在 AI 工程界，长文本推理一直是个“富贵病”。
为了让大模型回话快一点，厂商们不得不把数千颗昂贵的GPU塞进同一个机房，并配上天价的 InfiniBand 交换机。
原因只有一个：KVCache（键值缓存）太重了。 只要跨出机房、跨过普通网线，传输延迟就会瞬间拖垮系统，让推理变成“慢动作”。
难道算力只能在昂贵的“孤岛”上跳舞？
近日，月之暗面发表重磅论文，提出 PrfaaS（Prefill-as-a-Service，预填充即服务） 架构。他们用一组惊人的数据证明：即便没有天价网络，靠普通的以太网线，也能实现万亿参数模型的跨中心调度！
剑指大规模LLM推理挑战：KVCache带宽瓶颈
相信关注AI圈的朋友现在都已经知道了这个概念：PD 分离。
而月暗的这篇论文，简单理解，就是将剑锋指向了大规模 LLM 服务中非常实际的问题：
如何在不同数据中心之间、异构硬件环境下，高效地将 Prefill 和 Decode 分离，而不被 KVCache 传输带宽所限制。
过去，跨数据中心推理被视为“工程自杀”，是因为传统模型的 KVCache 像海啸一样，会瞬间挤爆带宽。
论文中指出了原因所在：传统的 PD 分离架构虽然把计算密集的 Prefill 和内存带宽密集的 Decode 分开，但 Prefill 阶段产生的大量 KVCache 必须通过高带宽网络（如 RDMA）快速传输给 Decode 节点，否则会阻塞推理。这导致：
-
Prefill 和 Decode 必须部署在同一个高带宽网络域内（如单数据中心）。
-
异构硬件（如 H100 用于 Prefill，H20 用于 Decode）很难独立扩展，因为无法跨低带宽网络高效传输 KVCache。
-
资源弹性差：一旦硬件比例固定，难以适应请求长度、缓存命中率的变化。
单数据中心设计问题大，跨数据中心又难存在各种诸如带宽等软硬件扩展的瓶颈，如何解决呢？
关键观察：混合注意力模型能大幅降低 KVCache
论文指出，新型混合注意力模型（如 Kimi Linear、SWA + GQA）中，只有少数全注意力层产生随序列长度增长的 KVCache，多数线性复杂度层只产生固定大小的状态。
通过建模分析，团队发现：
KV Throughput（单位时间产生的 KVCache 大小）仅仅是稠密模型1/4，甚至最低可以达到 1/36。
这种数量级级别的 KVCache 减少，就好比：以前传输数据像是在搬运一整座山，现在只需快递一张光盘。堪比对 KVCache 来了一场算法级的“物理瘦身”。
这使得 KVCache 通过普通以太网跨数据中心传输成为可能。
除了这一观察，论文中 Kimi 团队还提出了一个构建跨数据中心的万亿模型的核心思路：
跨数据中心 KVCache 的核心思路，并不是把所有 prefill 都外包，而是在“远程 prefill 加速收益大于传输成本”时，有选择地将解耦后的 LLM 服务扩展到单一集群之外。
PrfaaS 的核心思路：
如何把推理“海啸”变成“溪流”？
那么，理论上可行之外，实际工程方面，PrfaaS 是怎么实现的呢？不得不说，团队确实是做到了“算法+系统”的双重创新。
PrfaaS-PD 架构的整体思路很清晰，即将本地 PD 集群和 PrfaaS 集群的处理职责区分开：
专用的 PrfaaS 集群：在高吞吐、成本更优的加速器上执行计算密集型长上下文 prefill（未命中前缀的缓存），并通过通用以太网将生成的 KVCache 流式传输到本地 PD 集群；
本地 PD 集群：处理短请求或已命中缓存等对带宽不友好的请求，负责 Decode。
注意：两者是通过普通以太网（如 VPC、专线）来传输 KVCache 的。
而专用 PrfaaS 集群的灵魂设计就在于： 混合前缀缓存池（Hybrid Prefix Cache Pool）的设计。
虽然混合注意力模型的 KVCache 变小了，但类型却也多元了。
在混合模型中，线性注意力或 SWA 层的循环状态是请求级别的：它们的大小与输入长度无关，并且只有当缓存长度完全匹配时才能被复用。
相比之下，全注意力层的 KVCache 是块级别的：它们随输入长度线性增长，并支持部分前缀匹配。
这种异构性对传统的全层统一 KVCache 存储范式提出了挑战。
显然，混合前缀缓存池的设计解决的正是这个问题，同时也可以做到跨集群、跨数据中心的 KVCache 高效传输与复用。
篇幅关系，这里用简单一点的话来解释如何做到的：分开管理，内存统一。缓存池将线性状态和全注意力 KVCache 分开管理，但这些组具有对齐的块大小，允许所有组从一个共享的 KVCache 池中分配和释放块。
多说一嘴，这个缓存池是 Kimi 团队基于 vLLM 的混合 KVCache 管理器发明的。感兴趣的朋友可以翻阅相关的论文。
内置双尺度调度，避免推理卡顿
解决了这个问题之后，还要解决的则是调度问题。PrfaaS 并非天真地外发所有任务。对此，研究团队内置了聪明的“分流”逻辑：
-
选择性卸载：只有增量长度 > 阈值的请求才发往 PrfaaS，避免短请求浪费跨集群带宽。“短请求本地消化，长请求异地处理”。系统会自动识别：只有当文本足够长（比如超过 19.4K token），才派发给远端的高算力中心。
-
带宽感知：实时监控 egress 带宽和队列深度，动态调整路由。考虑缓存亲和性：如果某集群已有部分前缀缓存，优先使用，必要时跨集群传输缓存。
就像手机导航会避开拥堵路段，调度器会监控网速。如果两地之间的网线“堵车”了，它会自动调整路由，优先保证本地推理不卡顿。
此外，调度策略上，团队还给出了一种双时间尺度调度策略：
-
短时：根据带宽和缓存分布动态路由请求。
-
长时：根据流量变化调整 PD 集群内的 Prefill/Decode 实例比例，重新优化阈值 t。
硬件解构：让 H200 专心“冲刺”
不仅如此，在实测中，Kimi 团队用 H200 组成 PrfaaS 集群（专攻计算，负责 Prefill），而用 H20 集群负责 Decode（解码）。
这种“跨机房合体”让每颗芯片都跑在自己的舒适区，可以说为业界解决了“算力够、带宽不够”的尴尬问题。
实测数据：1T模型的“降维打击”
在这项针对 1 万亿参数级混合架构模型（类似 Kimi Linear）的实测中，PrfaaS 交出了一份足以重塑行业逻辑的成绩单！
具体部署如下：
PrfaaS 集群：32 × H200（高算力）
本地 PD 集群：64 × H20（带宽优化）
跨集群带宽：100 Gbps 以太网
首先，相比传统部署，PrfaaS 系统吞吐量提升了 54%。比无调度的异构 PD 提升 32%。
这还没完，结果显示，如果在同等成本下，PrfaaS 系统吞吐量仍提升约 15%。
其次，延迟也大幅降低： 代表用户体验的 P90 首字延迟（TTFT）大幅降低 64%。
更重要的是，成功实现了跨城市级别顶级算力调度。据介绍，PrfaaS 处理万亿模型时，跨中心带宽占用仅为 13 Gbps（占 100 Gbps 的 13%），远低于稠密模型的需求。
这意味着，你用一根最普通的 100G 网线，就能在两座城市之间调度顶级算力。
终结“唯显卡论”：普通网线也能调度全球算力
大模型迎来“东数西算”时代
这是大模型狂奔的第四个年头。在推理算力日益紧缺的语境之下，Kimi团队 之一 PrfaaS 架构的出现，恰逢其时。
这篇论文不止是提出了跨城市跨数据中心的分布式算力AI框架，还给出了许多关于未来AI推理的想象空间。
小编看来，有这样几点值得讨论：
首先，Kimi 这篇研究让“异地推理”的真正落地更近了一步。大模型领域的“东数西算”被它证明完全在工程上是可行的：以后 Prefill 可以放在电费便宜的西北，Decode 放在靠近用户的北上广。这一点就足够 amazing。
其次，异构芯片也终于有了大规模采用的希望。推理非得全用 H100？当然不是。
大家同样可以用国产大算力芯片做 Prefill 中心，用高带宽芯片做 Decode 中心。而 PrfaaS 就像“粘合剂”，让不同品牌、不同地域的芯片也可以很好地协同。
最后，则是二阶影响。大家或许看到“吞吐量提升”、“延迟降低”这样的术语感觉不深，但这背后其实都会真实反映到大家的“钱袋子”上。
因为这些指标的改进，折射到模型侧，就意味着 1T 模型的处理效率翻倍，意味着处理千万级上下文的成本将大幅下降，而折射到用户侧，则意味着 API 价格的实打实的下降！
总之，不难预见，模型圈很快将会经历“单体机房”向“分布式算力云”的转变。
而月之暗面的 PrfaaS 也再一次用实际效果向外界证明：通过算法和工程的协同进化，用普通网线也可以调度全球算力！而大家的模型订阅价格降下来的希望也更大了！
从这个维度上看，AI 的普及才真正开始。
论文地址：
https://arxiv.org/pdf/2604.15039v1
本文来自转载51CTO技术栈 ，不代表发现AI立场，如若转载，请联系原作者；如有侵权，请联系编辑删除。
