软件介绍

国产精品发布使用指南

第一步：导入文件

打开软件
，点击"?增长 国产精品发布"按钮
，从电脑当选择《国产精品发布》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
，国产精品发布

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