头部大模型，已经在用国产算力卡了

国产GPU这两年最难受的地方，是总被拉到同一张考卷上比。

单卡多少TFLOPS、显存带宽多高、能跑多大的模型。这张卷子上，国产卡和国际旗舰之间确实有差距，短期也追不平。但生产环境从来不出这张卷子。

9月3日摩尔线程与趋境科技达成战略合作，公开信息里最有分量的不是签约本身，而是一句容易被划过去的话：联合方案已正式投入生产，并开始承接头部大模型厂商官方业务的真实Token流量。

注意这几个关键词：正式投产、头部大模型、官方业务。

翻一翻历史不难发现，趋境科技是AI Token生产服务商，客户名单里早已有智谱、Kimi、国家级实验室这样的头部玩家。

了解这个背景后，再来看这次合作，逻辑就完全闭环了：当给头部大模型扛流量的“主力工厂”开始把设备切入摩尔线程，哪怕台前没有挑明客户的名字，海量真实用户的调用流量，也已经结结实实跑在国产算力卡了。

这不是实验室演示，是生产排班表。

能进生产，说明它过的不是跑分那关。那它过的是哪关？

1. 推理其实是两种完全不同的活

大模型推理，一个请求里塞了两件性质相反的活。

Prefill（输入处理）：把你输入的整段prompt一次性读进去，做大规模矩阵计算，生成KV Cache。计算密集，吃的是算力密度，几乎不等显存。

Decode（生成输出）：一个Token一个Token往外吐。每一步都要把模型权重和KV Cache从显存里过一遍，算的量反而很小。访存密集，卡在带宽上，算力在空转。

传统做法是把两件事塞在同一张卡上跑。结果就是跑Prefill的时候带宽闲着，跑Decode的时候算力闲着。

国际旗舰之所以强，是因为它算力和带宽两头都拉满，一张贵卡把两段全扛下来。但这是"一张卡解决所有问题"的思路，代价是贵。

2. 拆开，各干各的

趋境这次落地的方案，走的是另一条路——异构PD分离。

让摩尔线程MTT S5000组成资源池，专注承担Prefill；访存密集的Decode，交给更擅长高带宽访问的芯片。

这是一种很朴素的工程思路：让合适的芯片干合适的活。

图 1 · PD分离：把一次推理拆成两半，各交给擅长的芯片

S5000有原生FP8和充沛的稠密算力，高算力密度是它的长板，那就让它干算力密集的那一段；Decode吃带宽，就让带宽高的上。两类卡各在自己擅长的区间里跑满，谁也不用迁就谁。

中间KV Cache在两个资源池之间传输，调度和协同由软件层兜住。这是工程活，不难理解，难的是在万卡规模上稳定跑住。

3. 国模在用，经济账划算

此前硅基流动公开过一组实测数据：在Prefill场景中，2台MTT S5000可实现对1台国际主流旗舰GPU的等效替代。

单卡Prefill吞吐大约是国际旗舰的46%到54%，差不多一半。但两张卡组成一个资源池，缺口刚好补上。

很多人看到"两台抵一台"的第一反应是：那不是花两倍的力气？

账不是这么算的。

一颗国际旗舰GPU的采购成本、供货周期、合规门槛，和两颗国产卡完全不是一个量级。当单卡成本本身就存在明显差距时，2:1的数量比反而可能变成成本优势。

所以国产卡不必在单卡指标上全面追平国际旗舰。它通过资源池扩展和异构协同，把自身算力优势集中释放出来，换一个更现实的结果：每生产一个Token，花的钱更少。

比单卡跑分，更重要的是每生产一个Token到底要花多少钱。

图 2 · 等效替代：单卡只到一半，两台刚好补齐，数量之外还有三笔账

4. 头部大模型，真的在用

再看一眼客户名单：智谱、Kimi、国家级实验室，以及正在持续接入的国内一线大模型厂商。这次不是"国产卡能跑了"的内部演示，而是头部大模型把线上一线流量切了过来。

对大模型厂商来说，切流量不是表态，是算账。线上流量验证要过稳定性、时延SLO、成本这三关，哪一关不过都不敢上生产。硅基流动的实测就发生在Kimi K2.6模型部署——2台S5000等效替代1台英伟达高端GPU，全链路服务质量不打折，这才敢把真业务放上去。

图 3 · 谁在用：智谱、国家级实验室与一线大模型厂商的真实流量

对摩尔线程来说，这一步比任何跑分都有说服力：国产头部大模型，真正在用国产算力卡。

结语

国产GPU的这几年，其实一直在追赶的赛道上跑。

生产环境是最诚实的裁判。它不问你跑分多少，只问你每个Token报价多少。而这一次，头部大模型已经把真业务放上来了。