在 2025 年，DeepSeek 将其高性能分布式文件系统 3FS 开源，标志着存储技术在 AI 场景下的一次重要突破。3FS 以极简架构打破了传统存储系统的路径依赖，通过客户端直连元数据和数据服务、链式复制协议和 FFRecord 格式的协同设计，为 AI 场景提供了高吞吐、低冗余的存储解决方案。其创新性不仅体现在硬件性能的释放——如绕过 FUSE 内核的零拷贝 RDMA 传输，更在于对存储范式本质的重新思考：通过放弃通用文件系统的“大而全”设计，转而聚焦 AI 业务的大文件、高带宽特性，3FS 以“用专注换取性能突破”的工程哲学，实现了存储效率的跃迁。正如其代码中隐含的“No Cache， No Lock”宣言，这一系统既是对全闪存时代硬件特性的精准响应，也是对深度学习场景中数据流本质的深刻洞察。

　　 场景拆解:

　　AI 存储的三大“战役”与 IO 模型

　　在实测 3FS 前，需要首先理解 3FS 在 AI 领域的三大场景——大模型训练、长上下文推理、云数仓交互——究竟对存储施加了何种压力。我们基于业务负载特征与 3FS 架构特性，将抽象场景转化为可复现的 IO 测试模型：

　　 1、训练场景：Checkpoint 风暴与数据并发的双重验证

压力锚点 1：千卡训练下的 Checkpoint 写入

　　模拟千卡训练任务每小时生成超百 GB 级模型快照，触发 3FS 的链式复制极限：通过 fio 构造 1MB 大块对齐写，验证其副本流水线机制能否维持线性带宽增长。

压力锚点 2：高纬度数据并行读取

　　使用 FFRecord 加载百万级图像样本，以 128 线程并发随机读取 4KB 记录块，实测 RDMA 多路径复用对 QPS 与延迟抖动的影响。

　 　2、推理场景：KV Cache 热加载的带宽冲击

压力锚点 1：模型参数突发加载

　　模拟推理集群扩容时百 GB 级模型文件热加载，通过 fio 构造 1MB 大块对齐读，验证链式复制协议的读访问优化。

压力锚点 2：长上下文 KV Cache 持久化

　　构造 128KB token 上下文窗口的 KV Cache 持久化流，测试 FFRecord 按 Attention Head 分块存储策略对随机大块读带宽的放大效应。

　 　3、数仓场景：分析型负载的吞吐密度

压力锚点 1：列存文件向量化扫描

　　模拟验证 SmallPond 对 128KB 随机读的整流效率。

　　测试设计逻辑：以上模型均以大块连续、高并发、高随机性为核心特征，与 3FS“端到端无缓存”架构的优化靶点高度契合。若实测数据符合预期，则可量化评估其设计目标（大块连续、高并发优化）的实现程度。