软件介绍

國產精品7777777使用指南

第一步：导入文件

打开软件，点击"?增长 國產精品7777777"按钮，从电脑当选择《國產精品7777777》文件，或直接将其拖拽至软件界面中。

第二步：配置解析

软件会自动鉴别并解析导入的文件，您可凭据界面提醒选择所需的保留蹊径或下载体式。

第三步：起头下载

确认无误后，点击"起头下载/处置"按钮。期待进度条读取结束，即可在设定的文件夹中查看下载好的正版文件。

颠覆二十年组网逻辑，智谱落地ZCube，让同样的GPU多干15%的活，國產精品7777777

编纂｜冷猫

在 AI 发展的过程中，我们仍在经历一个野蛮成长的阶段：规模，就是所有。

这条路的确管用。从千卡到万卡，算力规模的跃升支持了大模型从 GPT-4 到 DeepSeek V4、GLM-5 的一路狂飙。

不外我们都忽略了一个现实，在 GPU 硬件规模达到肯定水平的时辰，将算力相连的链路就成了不能忽视的机能变量。

2026 年 5 月 5 日，OpenAI 结合 NVIDIA、AMD、Intel、Microsoft、Broadcom 五家巨头，通过盛开推算项目（OCP）向全行业颁布了 MRC（Multipath Reliable Connection）和谈。这是一种专为超大规模 AI 集群设计的网络传输和谈，已部署在 OpenAI 最大的 NVIDIA GB200 超算集群中，用于训练 ChatGPT 等前沿模型。

技术博客链接：https://openai.com/index/mrc-supercomputer-networking/

MRC 的主题思路是：将数据传输分散到数百条蹊径上并发传输，在微秒级绕过链路故障，从底子上解决大规模 GPU 集群的网络通讯瓶颈。

而就在刚刚，智谱率先在 GLM-5.1 线上出产集群中实现了新一代组网架构 ZCube 的规；涞。

ZCube 颁发于网络领域顶会ACM SIGCOMM 2025，被评价为「significantly change the way we think about and understand networking/显著扭转整个行业对网络认知方式」。这是该技术初次大规模使用于出产推理集群中，智谱结合驭驯网络与掌管网络架构升级和优化工作，组网架构优化基于锐捷网络互换机。

论文标题：From ATOP to ZCube: Automated Topology OptimizationPipeline and A Highly Cost-Effective Network Topology for LargeModel Training论文链接：https://dl.acm.org/doi/epdf/10.1145/3718958.3750503技术博客：https://z.ai/blog/zcube

新一代组网架构下，在不新增任何 GPU、不批改任何利用代码的前提下，集群推理吞吐提升了 15%，首 Token 响应的尾延长（TTFT P99）降落了 40.6%，互换机与光
？橛布成本削减了三分之一

不加一块GPU，算力瞬间多出15%；蛐，在扩大 GPU 规模之表：网络，已经成为超大规模 AI 基础设施的下一个主战场。

ZCube 技术解读：架构层面解除拥塞

推理时期的流量，和训练时期截然分歧

传统互联网时期的数据中心流量是「统计均匀」的。数据中心普遍选取的 Fat-Tree / Clos 架构正是基于这一如果设计的：通过多层互换机堆叠来扩大规模，依赖 ECMP（等价多蹊径路由）在多条蹊径间分配流量，成效不错。AI 训练集群也根基沿用了这套架构，由于训练阶段的通讯模式相对固定和规整。

但大模型推理带来了一种全新的流量范式。随着 Prefill（处置用户输入高低文）与 Decode（逐 Token 天生输出）分离部署成为主流，集群内部的数据传输出现出高度的动态不合称性。Prefill 节点处置输入高低文，Decode 节点掌管持续天生 Token，两类节点之间必要频仍传递 KV Cache。分歧要求的高低文长度差距可达数十倍，处置功夫随之变动，KV Cache 数据在 GPU 之间的流向险些毫无法规可循。

ROFT架构中，Leaf互换机之间容易出现流量负载不均

在选取传统 ROFT 架构的集群中，统一台机械上分歧网卡承担的 KV Cache 传输负载差距巨大。这种源-主张不合称性让 ROFT 的 rail 映射不再天然等价于负载平衡，反而容易把流量集中推向少数 Leaf 互换机和链路。

统一台机械分歧网卡的 KV Cache 传输负载差距图

问题的本原在于，Clos / ROFT 架构对推理流量产生了一类特殊的拥塞，智谱钥浼术汇报中将其明确分辨为两类：

不成预防的拥塞：例如多个 GPU 同时向统一主张地发送数据，在最后一跳链路上必然产生竞争。这类拥塞是物理法规决定的，通常依赖拥塞节造、流量整形等机造来缓解
？稍し赖挠等河赏仄私峁购土髁坑成浞绞降贾，流量被拓扑关系天然地推向同几台互换机和同几条链路，即便总带宽充足，也会形成部门热点。某些 Leaf 互换机的部门出口队列深度持续高位，频仍触发 PFC（Priority Flow Control）反压，进一步将拥塞从部门扩散到整条链路，放大尾时延、压低整体吞吐。这类拥塞的性质是架构设计问题，靠调参和和谈优化都无法根治。

两类网络拥塞示意图

从前，业界应对网络拥塞的主流思路集中在和谈层：自适应路由（adaptive routing）、包喷洒（packet spraying），甚至 OpenAI 刚颁布的 MRC，性质上都是在拥塞发生后做补救或绕行。

ZCube 选择了从架构层面解除第二类拥塞产生的本原，让它「不该发生的就不发生」。

ZCube 的三重设计逻辑

从 ZCube 组网架构图来看，该架构突破了 Clos 架构中档次化堆叠互换机的传统组网思路，设计了一种齐全扁平的方式进行 GPU 服务器互联。

ZCube架构相比ROFT架构能够有效预防结构性网络拥塞

文中视频链接：https://mp.weixin.qq.com/s/Tf_ZJ5f_Ur00mofWuIBZZQ

第一层：取缔分层，全网扁平化。传统 Clos 架构由 Spine 层和 Leaf 层组成，数据在 GPU 之间传输必要「上行到 Spine，再下行到 Leaf」，跨层转发自身就引入了额表延长和拥塞风险。ZCube 取缔了 Spine 层互换机，将所有 Leaf 互换机按序号奇偶分为两组，两组之间选取齐全二部图互联（即每台奇数互换机与所有偶数互换机相连）。这意味着全网 GPU 仅经过两台互换机即可互达，网络直径为 2 跳，介于单层互换机组网（1 跳，规模受限）和双层 Clos（3 跳，延长高）之间。

第二层：单轨 + 多轨混合接入，实现梦想负载平衡。这是 ZCube 最精妙的设计。每张 GPU 网卡占有两个端口，别离以两种截然分歧的方式接入两组互换机：第一个端口选取「多轨」方式，即一样编号的 GPU 衔接到统一台奇数互换机；第二个端口选取「单轨」方式，即陆续编号的 GPU 衔接到统一台偶数互换机。

这种「一张网卡，两种接法」的拓扑设计带来了一个关键个性：全网肆意两张 GPU 之间有且仅有一条最优蹊径。多蹊径选路是传统架构拥塞的重要起源，由于多条蹊径意味着负载平衡战术必要做选择，选择就可能犯错，就可能导致流量集中。ZCube 用唯一蹊径解除了这一不确定性。

用更直白的话说：在 ROFT 架构下会在互换机之间发生矛盾的流量，在 ZCube 架构下能够独享整条网络蹊径。

第三层：更低成本，更强扩大性，更高容错。ZCube 在实现机能提升的同时，反而降低了硬件成本。由于取缔了 Spine 层，在一样集群规模下，ZCube 比 Clos / ROFT 架构削减约三分之一的互换机和光
？。

扩大性方面同样阐发杰出。以当前主流的 400Gb/s 网络配置推算，ZCube 仅用一层互换机即可构建衔接 16384 张 GPU 的扁平网络。而传统 ROFT 架构要实现一致规模，必要三层互换机。若是选取下一代 102.4Tbps 互换机和四端口 ConnectX-8 网卡，ZCube 可支持的 GPU 规模更可达 65536 张

容错性方面也有优势。由于 ZCube 全网 GPU 之间不存在硬性隔离平面，在给定链路故障率下，GPU 对不成达的概率比传统双平面 Clos 网络低 50% 以上。

ZCube架构下贱量负载平衡示意图

传统 Clos 架构像一座多层立交桥系统，车流必要频仍高低匝路，顶峰期特定匝路必然拥挤，且立交桥的某一层出故障会影响大量通畅。ZCube 则像一张经过精密数学优化的平面路网，每辆车都有一条唯一的最短蹊径直达主张地，任何路段的车流量都被均匀分摊，从规划层面解除了拥挤发生的前提。

尝试：同样的硬件，多出 15% 的算力

ZCube 真正引人瞩主张是它已经在智谱千卡级 GLM-5.1 coding 推理集群中实现了齐全的出产验证。

尝试设置极度干净：GPU 型号不变、软件栈不变、业务代码不变，唯一的变量是将传统 ROFT 架构代替为 ZCube。了局如下：

推理吞吐提升 15% 以上：同样的硬件投入，每秒多响应 15% 的 API 要求TTFT P99 降落 40.6%：首 Token 响应的尾延长大幅降低，用户体感更流畅互换机与光
？槌杀鞠骷跞种唬涸谕蚩ü婺＜褐，仅网络硬件一项即可节俭投资约 2.1 亿至 6.4 亿元

更关键的是，这项升级的边际成本很低，纯正是组网架构的代替。当 GPU 供给持续严重、价值居高不下时，一种不依赖硬件堆叠就能显著提升系统效能的规划，其产业价值不言而喻。

AI 基础设施的价值重心在迁徙

ZCube 的落地与 OpenAI MRC 和谈的颁布，放在 2026 年 AI 基础设施的大布景下审视，它们共同指向一个更深层的行业拐点：AI 基础设施的价值重心，在从「算力」向「系统效能」迁徙。

让 GPU 跑得更好

从前三年，大模型公司的基础设施战术能够用一个字概括：买。抢 GPU、抢算力卡、抢机柜、甚至抢能源。这套逻辑在模型从零到一的阶段是成立的，算力规模直接决定了能训练多大的模型、能支持几多用户。

但到了此刻，这个逻辑起头遇到阻力。

第一，GPU 的供给依然严重。只管英伟达持续扩产，但需要增速远超供给，尤其是高端推理卡的交付周期依然以季度计。第二，算力采购的经济模型在恶化。GPU 价值居高不下，而大模型 API 的定价竞争日趋强烈，Token 单价持续走低，毛利空间被两端挤压。第三，单纯堆 GPU 的边际收益在递减。当集群规模从千卡扩大到万卡，新增 GPU 的算力并不能被线性开释。

在这一趋向下，OpenAI 的 MRC 和智谱的 ZCube 代表了和谈层和架构层的两条互补的技术蹊径。两者高度互补，当推理集群规模持续向十万卡甚至更大规模演进时，这种「架构层无拥塞 + 和谈层强容错」的组合或许将成为标配。

产业链的结构性变动

英伟达 2019 年以 69 亿美元收购 Mellanox，将 InfiniBand 纳入自己的 AI 算力疆域。之后，数据中心网络市场险些被 InfiniBand 垄断了 AI 场景的高端需要。

在行业发展到一个新阶段后，多重力量在突破这一格局。

超以太网同盟（UEC）尺度急剧推动，从和谈层面为以太网补齐了 AI 场景所需的低延长和高靠得住能力。

此表，据 TrendForce 钻研汇报，全球 AI 专用光收发
？槭谐∫呀敫咚俪沙そ锥，全球 AI 光收发
？槭谐≡ぜ拼 2025 年的 165 亿美元增至 2026 年的 260 亿美元，增幅超过 57%。国金证券研报指出，随着推理需要驱动算力从通用 GPU 向专用 ASIC 演进，ASIC 芯片在网络接口设计上天然偏差于选取盛开的以太网尺度，也在推动网络架构从专有和谈向盛开尺度迁徙。

ZCube 的出现进一步加快了这一过程。它对互换机层级的要求从传统的三层降低到了一层，对高端 Spine 互换机的依赖大幅降低，转而对 Leaf 互换机的端口密度提出了更高要求。

这意味着集群组网的采购逻辑将发生结构性变动：需要从「少量高端互换机 + 大量中端互换机」的金字塔结构，转向「大量高密度互换机 + 更高速光
？椤沟谋馄浇峁。

网络架构创新的投入产出比，可能远超大无数人的直觉。

在 GPU 价值高企、算力供给偏紧的大环境下，无数公司确把稳力依然集中在「若何获得更多 GPU」上。但 ZCube 用真实的出产数据证明，在 GPU 资源不变的前提下，纯正通过网络架构升级就能开释 15% 的额表算力，同季节俭三分之一的网络成本。若是将这一比例表推到万卡甚至十万卡规模，网络优化所开释的价值将远超通常认知。

网络瓶颈还拥有一个被宽泛低估的个性：它随集群规模指数级加剧。集群规模翻倍，GPU 间通讯的复杂度可能增长数倍，拥塞发生的概率和影响也同步放大。这意味着 ZCube 这类架构级创新的价值，将随着推理集群的持续扩张而加快显露。

对于在加快扩建 AI 基础设施的云厂商、模型公司与智算中心而言，这或许是一个重新审视组网规划的关键时刻。AI 算力较量的下半场，输赢可能取决于那张「看不见的网」。

https://www.trendforce.cn/presscenter/news/20260420-13018.html

https://news.qq.com/rain/a/20260413A03IX100