智谱公布“降智”的秘密：Scaling不可避免的痛
都是Prefill的锅
智谱公布“降智”的秘密：Scaling不可避免的痛 – 量子位
首页
资讯
智能车
智库
活动
MEET大会
AIGC
扫码关注量子位
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
智谱公布“降智”的秘密：Scaling不可避免的痛
鹭羽
2026-05-01
19:00:05
来源：
量子位
都是Prefill的锅
鹭羽 发自 凹非寺
量子位 | 公众号 QbitAI
Scaling即正义？
智谱
挠了挠头——
很痛苦，而且压力山大……
智谱最新发布的一篇技术博客，画风稍微有点不一样：
没有过去的硬核技术输出，反而大倒苦水从GLM-5以来的各种花式踩坑，官方称之为
「Scaling Pain」
。
我们的推理基础设施正承受着前所未有的压力，每天都要服务数亿次Coding Agent调用。
过去几周，一些用户在使用GLM-5系列模型执行复杂Coding Agent任务时，遭遇多种异常，比如乱码、复读和罕见字符生成。
而且这些问题在标准推理环境中
压根复现不出来！！！
排查数周，团队终于揪出真凶，彻底戳破
Scaling Laws
路上的隐形Bug。
不仅详细总结了自身遭遇的昂贵教训，还给出了一套极具实操性的避坑指南。
简单来说，如果屏幕前的你正打算给自己的Agent加码，那么这篇来自一线实战的经验总结，建议先反复阅读背诵～
定位关键Bug
事情是酱紫的——
自从GLM-5发布以来，智谱通过观察用户的大规模Coding Agent推理过程，发现了三类异常现象：
乱码输出：内容杂乱无意义；
重复生成：模型不断重复输出相同内容；
生僻字：出现异常字符。
这引起了团队工程师的警觉，于是说干就干，先是通过本地回放用户反馈，重复运行相同请求数百次，结果始终无法触发异常。
换言之，模型本身并非根本原因。
在进一步模拟在线环境后，团队尝试调整PD分离比例并持续提高系统负载，异常现象终于得以复现，在每10000个请求中大约能复现出3-5个异常输出。
这说明，异常现象很有可能出自
高负载下的推理状态管理
，指向底层推理链路。
但同时也引出了另一个问题，线下的复现率仍低于用户线上反馈的频率，这就意味着现有的检测方法存在遗漏或触发条件尚未完全覆盖。
于是智谱团队继续对异常输出的检测方法进行优化。他们发现
投机采样
（Speculative Decoding）指标可作为异常检测的重要参考。
投机采样原本用于提升模型推理性能，它先由小模型生成草稿（draft tokens），再由大模型验证是否接受这些token，最终能够在不改变输出分布的情况下提升decode效率。
而在GLM-5的三类异常中，乱码和生僻字的spec_accept_length非常低，也就是说目标模型的KV缓存状态与草稿模型之间存在明显不匹配。
复读则拥有过高的spec_accept_length，表明损坏的KV缓存可能导致注意力模式退化，将生成过程推向高置信度的重复循环。
基于以上观察，智谱总结出了一套
在线异常监控策略
：
当spec_accept_length持续低于1.4且生成长度超过128 token，或者spec_accept_rate超过0.96，系统就会主动中止当前生成，并将请求重新交回给负载均衡器。
紧接着，智谱开始进一步解析异常原因：
PD分离架构下的KV Cache竞态
团队通过分析请求生命周期和推理引擎中的PD分离执行时序，将问题归因于
请求生命周期与KV Cache回收与复用时序之间的不一致
，从而引发的KV Cache复用冲突。
为了消除这类竞态情况，研究人员在推理引擎中引入了更为严格的时序约束，会在请求终止和KV Cache写入完成之间建立
显式同步
。
具体来说，在发出中止指令后，解码阶段会向预填充阶段发送通知。预填充阶段只有在满足以下任一条件时才会返回安全回收信号：未启动任何RDMA写入，或所有先前发出的写入操作已完全完成。而解码阶段只有在收到此确认后才会回收并重用相应的 KV Cache槽位。
该机制将确保KV Cache写入不会跨越内存复用边界，从而避免跨请求的KV Cache损坏。
最终修复该bug后，异常输出的发生率从约万分之十几下降至万分之三以下。
HiCache加载时序缺失
此外，当KV Cache换入与计算重叠时，当前实现未能保证数据在使用前已完成加载，导致可能出现
未就绪KV Cache被访问
的情况。
为解决这一问题，团队
重构了HiCache读取流程
，同时引入数据加载与计算之间的显式同步约束。
在启动Indexer算子之前，先插入一个Load Stream同步点，确保相应级别的Indexer缓存已完全加载。Forward Stream只有在数据准备就绪后才会进行计算，从而消除了read-before-ready的问题。
应用此修复后，在相同的工作负载条件下，由执行时序不一致引起的异常被消除，系统终于得以稳定。
Prefill侧优化
事实上，这两种Bug都指向了同一个常见的系统瓶颈：
在长上下文的Coding Agent Serving任务中，
Prefill阶段
已经成为影响系统性能的主要因素。
于是为了缓解Prefill阶段在高并发下的内存和带宽压力，团队另外设计了KV Cache分层存储方案——
LayerSplit
。
在该方案中，每个GPU
只存储部分层的KV Cache
，显著降低了每个GPU的内存占用。然后在执行Attention计算前，将对应层的KV Cache广播给其他相关rank。
为了降低通信开销，还进一步设计有KV Cache广播与indexer计算的重叠机制，将通信延迟隐藏在计算过程中。这样唯一的额外通信开销就来自Indexer Cache的广播，其大小仅为KV Cache的八分之一，整体通信成本可以忽略不计。
团队将LayerSplit和
GLM-5.1
结合发现，在Cache命中率达到90%、请求长度在40k到120k区间内时，系统吞吐量提高了10%到132%，且随着上下文长度的增加，收益也随之增长。
总体而言，该优化显著提升了系统在Coding Agent场景下的处理能力。
同时智谱也认为，当智能真正进入高并发、长上下文的Coding Agent场景后，维护推理基础设施的输出质量变得至关重要。未来大规模AI需要的不仅是Scaling Law推动的能力增长，还必须有等量级的系统工程支撑。
参考链接：
[1]
https://z.ai/blog/scaling-pain
[2]
https://www.zhipuai.cn/zh/research/159
版权所有，未经授权不得以任何形式转载及使用，违者必究。
GLM-5
智谱
鹭羽
0博士组合拿下ICLR时间检验奖！两个GPT天才本科生+二本逆袭LeCun弟子，十年论文终封神
2026-04-25
「Claude Code之父」其实是野路子来的……
2026-04-12
中国具身模型狂揽全球第一！机器人的人类数据时代来了
2026-04-11
Sora向左，阿里向右：全能演技派模型登场千问APP
2026-04-03
扫码分享至朋友圈
相关阅读
抢跑GPT-5，智谱开源新SOTA模型，一句话搞出能看视频、发弹幕的B站！
首次在一个模型里融合推理、代码和Agent
十三
2025-07-29
GLM-4.5
大模型
开源
智谱
智谱IPO敲钟前，连夜把开源编程大模型SOTA了
这波更新，满眼都是Coding，Coding，还是Coding
henry
2025-12-23
智谱
2年间AI大模型成本骤降万倍，商业化应用加速跑｜智谱张帆@MEET2025
AI成为基础生产要素
衡宇
2024-12-27
商业化
大模型六小强
智谱
用编程大模型登顶开源第一后，智谱GLM团队被拷问了3小时
GLM-4.7被刷屏了
十三
2025-12-25
GLM-4.7
智谱
编程模型
智谱开源GLM-4.5工具调用超越Claude Opus 4.1，成本仅1.4%
还开启了高性价比AI编程计划
闻乐
2025-09-02
Claude 4
GLM-4.5
智谱
今天起，国产AI可以像人一样用手机了！一手实测在此
电脑网页也能“自动驾驶”
十三
2024-10-26
AutoGLM
人工智能
智谱
热门文章
硬刚GPT-Image-2！国产AI生图“天花板”又被捅破了？
2026-04-25
Mobileye 2026财年一季度营收增长27%，自动驾驶商业化进程持续推进
2026-04-24
DeepSeek V4报告太详尽了！484天换代之路全公开
2026-04-25
Cursor 9秒删库搞崩公司，然后…写了份检讨
2026-04-28
DeepSeek-V4发布，华为云首发适配
2026-04-24
关于量子位
加入我们
寻求报道
商务合作
扫码关注量子位
追踪人工智能新趋势，报道科技行业新突破
量子位 QbitAI 版权所有©北京极客伙伴科技有限公司
京ICP备17005886号-1
本文来源：量子位