想象一个使用大模型的任务，需要一次处理百万字符的文档，例如从百科全书中获取信息，或是分析数百页的法律卷宗，异或追踪持续数月的对话记录，都需要越来越长的上下文。

而大模型生成的每个词都需要扫描存储在所谓的KV缓存中存储的过去标记。

反复读取这个缓存会消耗GPU内存带宽。大模型还需要从内存中重新加载大量的前馈网络（FFN）权重来处理每个新词。

这个过程会减慢效应速度，从而导致用户与大模型对话时出现卡顿。

传统的解决方案，是使用张量并行（Tensor Parallelism, TP）将此负载分散到多个GPU上。但这仅能起到一定作用。

当规模超过一定限度后，GPU开始复制KV缓存，导致内存压力进一步增大。

而Helix这一英伟达针对其最新的Blackwall开发的并行策略，通过将模型Transformer层的注意力机制和前馈网络部分分开处理来解决卡顿问题。

Helix受DNA双螺旋结构的启发，Helix将KV、张量和专家等多个维度的并行性交织到一个统一的执行循环中。

每个阶段在其自身的瓶颈配置下运行，同时复用相同的GPU池。

论文链接：https://d1qx31qr3h6wln.cloudfront.net/publications/Helix_0.pdf

在注意力阶段，Helix使用一种名为KV并行（KVP）的新方法，将庞大的KV缓存分散到多个GPU上。

当TP超过KV头的数量时，张量并行会进行复制，从而增加了内存和带宽开销，如图1a到c描述的过程。

Helix通过将TP=2与KVP=2相结合，形成2D布局来避免内存和带宽开销的增加，对应图1d。

图1：传统的张量并行（TP）与Helix的不同注意力分片策略KVP的对比示意图

同时，由于KVP GPU持有与其本地KV头相关联的所有查询头，并冗余地计算QKV投影。

这使得每个KV分片能够进行完全本地的FlashAttention，确保了模型的推理精度。

之后KVP GPU之间沿着查询头维度进行单对单的全连接通信，通信的成本和KV缓存的大小无关，因此大模型的上下文长度即使扩展到百万token，也不会影响查询效率。

此外，Helix还通过重叠通信和计算，一旦计算出一个token的注意力输出，Helix就会启动该token的全对全交换，同时计算下一个token的注意力。

这种紧密的重叠将通信延迟隐藏在有用的工作之后，保持GPU利用率高，并进一步加速实时解码。

图2中上图的八个请求会同步执行注意力计算。随后进行顺序的全对全通信。

图2表底部对应使用HOP-B时，一个请求的通信与下一个请求的计算重叠，通过细粒度流水线减少了token间的延迟。

图2：Helix通过细粒度流水线技术加速大模型的响应

根据英伟达官网给出的计算，使用DeepSeek-R1 671B模型，在给定延迟下，当并发的用户数增大时，Helix相比传统方法体现出优势。

而到了图中第一个箭头标注的点时，其单GPU产出的token数是传统方法的32倍，这意味着可以将并发用户数量提高高达32倍。

图3：使用100万上下文长度的DeepSeek-R1，评估使用经过最新NVIDIA GB200 NVL72（Blackwell）在固定延迟下的并发能力

在低并发设置下，Helix可以通过减token与token间的最低延迟时间，来提高用户交互体验，如图3右下方的对比所示。

该研究的参与者St-Maurice指出「Helix正在重塑我们处理LLM交互和设计的方式。」

他指出，Helix并行处理和优化的KV缓存分片正在为大模型提供可扩展的显存外挂，这与开发者改进旧处理器（如奔腾）的方式高度相似。

该技术能允许大模型应用扩展其用户规模的同时，保证其快速响应。

对于虚拟助手、法律机器人以及AI Copolit等应用，Helix的引入可以做到既处理大量工作负载，同时还保持低延迟响应能力。

对于这项技术突破，西北人工智能咨询公司的首席执行官兼联合创始人Wyatt Mayham表示：「英伟达的数百万个token的上下文窗口是一项令人印象深刻的工程里程碑，但对于大多数公司来说，它是一个寻找问题的解决方案，它解决了现有模型如长上下文推理和二次扩展等真实限制，但技术可能性和实际实用性之间存在差距。」

Mayham承认Helix在特定领域中很有用，例如需要完整文档保真度的合规性强的行业，或医疗系统一次性分析患者终身病史。

但这只是部分特例，大多数组织最好是构建更智能的流水线，而不是购买helix所需的Blackwell架构下的GB200机架。

且通常情况下，检索增强生成（RAG）系统能够在百万个token的范围内，表现的比将上下文长度提升到100k更好。

而Info-Tech研究集团技术顾问Justin St-Maurice则指出：在当今世界，为人类生成百科全书大小的回答并不是胜利。

相反，关键在于使大模型的输出对其他人工智能相关且可用。

这种能力可能成为未来智能体进步的推手。

有了当大模型的输出能具有对应的认知框架，智能体可以保持更丰富的内部状态，参与更复杂、更长时间的聊天，并执行更深入文档分析。

St-Maurice指出：Helix带来的长上下文窗口，能够支持context engineer（上下文工程）在庞大的上下文窗口中管理和优化信息，以最大限度地提高智能体的有效性和可靠性。

凭借在扩展的上下文窗口中处理和交换更大数据量的能力，AI智能体可以以以前不切实际的方式沟通和协作，从而改变多智能体应用的设计框架。