在人工智能技术迅猛发展的当下，大模型的低成本与高性能成为各大科技企业竞相追逐的焦点。
近期火爆的DeepSeek-R1模型凭借低成本、高性能优势引发市场波动，DeepSeek-R1实力惊人，拥有6710亿参数，推理能力表现卓越，采用了慢思考+思维链，能对复杂问题深入分析和推理，得出准确且有逻辑的结论，这使其在处理数学计算、代码编写、自然语言处理等各种任务时都游刃有余。
但是复杂推理的多轮对话和长序列需要缓存更多的KV Cache，导致GPU高带宽内存容量成为瓶颈，而通过增加DRAM解决问题又会让推理成本激增。为了应对上下文KV Cache缓存的问题，DeepSeek采用创新性的硬盘缓存技术，将GPU、DRAM中的缓存数据Offload到存储阵列中，成功将大模型使用成本降低一个数量级。
在大模型推理过程中通过高性能分布式文件存储以存代算，可以提升用户体验与推理效率，同时有效降低推理成本。这一技术趋势在DeepSeek API服务中大范围应用，其上下文硬盘缓存技术不仅能降低服务延迟，还可大幅削减最终的使用成本。
(数据来源：https://api-docs.deepseek.com/zh-cn/quick_start/pricing)
从技术角度来看，在大模型API使用场景中，用户输入存在相当比例的重复内容，比如用户的提问中常有重复引用部分，多轮对话中每一轮都需重复输入前几轮内容。同时，在很多面向企业（ToB）的专业领域里，业务信息又多又复杂，常常是一长串地输入。推理时需要从这些长上下文的内容里找出有用的信息和关键主题，这就需要计算和存储相互配合。为此，采用以存代算技术，将预计未来会重复使用的内容缓存在存储中，当输入有重复时，重复部分只需从缓存读取，无需重新计算。这一技术不仅显著降低服务延迟，还大幅削减最终使用成本。
以多轮对话场景为例，下一轮对话会命中上一轮对话生成的上下文缓存：
华为数据存储OceanStor A800针对大模型推理具备Unified Cache多级缓存技术，与DeepSeek硬盘缓存技术采用相同的技术路线，简单来说，就是提前把和你相关的历史信息，比如你们之前聊过的内容、你的喜好这些“记忆”，存到的存储设备里。等你要用的时候，它能快速找到这些相关信息（相关KV Cache片段），不用每次都从头开始推理计算。这样一来，不仅能快速准确地处理长对话内容（长序列），成本也能降下来，而且还能根据你的独特需求提供更贴心的个性化服务，让模型就像专门为你定制的一样。
华为OceanStor A800是基于数控分离全交换架构的原生AI存储，Unified Cache多级缓存技术可应用于：
- 具有长预设提示词的问答助手类应用，如智能客服、智能运维；
- 具有角色设定与多轮对话的角色扮演类应用，如电商&教培、英语口语陪练；
- 超长文本行业总结分析以及复杂推理等场景，如金融投研分析、法律卷宗分析；
- 针对固定文本集合进行频繁询问的数据分析类应用；
- 代码仓库级别的代码分析与排障工具。
为推理系统提供TB级性能、PB级容量、大规模共享的全局内存扩展池，实现高效的上下文KV Cache保存、管理与加载策略，有效提升KV Cache加载效率，可支持的序列长度从百K扩展到无限长，实现推理首Token时延4+倍降低，E2E推理成本2+倍降低，为大模型提供终身记忆和无限上下文能力。
大模型推理使用华为OceanStor A800高性能分布式文件存储，能够实现PB级容量的DRAM性能，进一步降低大模型推理服务的延迟，大幅削减最终使用成本，重新定义了AI服务的性价比，为大模型在各行业的广泛普及与应用注入强大动力，加速大模型普惠时代的到来。
