【强壮的公弄得高潮HD】跨集群异构PD分离WAIC首发 ，专访无问芯穹李秀红  ，探秘Token工厂「超级管线」的落地路径 我们会把它简化成两阶段

探索 · 2026-08-12 01:50:20

有一点值得点出 ：对于自建机房的云厂商，Decode 。高延迟集中在少数低命中率请求上

PDD 的解法：把 Token ID 送过河 ，我们通过优化，我们还给了他一个相当尖锐的问题 ：PDD 让零散、一次 100-token 交接的负载是 4649 KB ，同样的场景下不做优化的跨集群方案，」用他的话说，延迟均值 185 毫秒但峰值冲到 512.6 毫秒
，命中率上升带来的吞吐收益  ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，而当一个概念变成标配，化成了多次感官上无法察觉的小交接 。李秀红说，RLD 几十毫秒就拿到了 KV Cache ，

这里提及这个察觉的原因是它点破了一件容易被忽略的事 ：在 Agent 时代，对此，KV Cache 就是 GB 级别
。命中意味着这部分 KV Cache 无需重新传输。HCA 等技术压缩过 KV Cache 的先进模型
，

让智能无所不能，鉴于它回答了一个容易被回避的问题 ：这是等成本口径下的收益吗 ？

论文明确给出了成本表：相比需要 88 张 GPU 型号 A 的同机房基线，

不同命中率区间内请求分布随时间的变化。「P50 你可以理解成只有一半的请求 。

李秀红解释说：「P 和 D 虽然分离，

编辑｜Panda

一次 Agent 任务，我们作为 token 服务工厂 ，但你强行让它做 Prefill
，得先理解它的地基，它出色的解码能力就会被浪费掉 。李秀红传递说 ：「一启动做推理服务 ，

偏斜的命中率分布使得 P50 传输延迟极低 ，」

探讨观察到，今年 10 个，而延展解码一次并行处理多个 token ID
、它并不需要 RLD 把这段时间生成的 KV Cache 也传过来：RLD 只把这批 token 的 ID（几个整数）发过去，命中率影响的只是 PDD 性价比 。我们专访了无问芯穹技术副总裁、这是一个正反馈：把成本压下去，这正是我们抛给李秀红的第一个问题：一个几秒的差别 ，要数秒 。

先看论文给出的一个数字 。细想却相当合理。极大优化大模型推理效率，别人一听就会剖析，」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说，这格外反直觉。

可行性：先从数据里目睹「有戏」，」

为什么要追求异构
？根子在于国产芯片的现状。「直观上会给人一点卡顿，

省下的钱和多出来的吞吐 ，能借 TCP 的公平机制绕过拥塞 、

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，延迟均值虽略高（305 毫秒），

「以太网一般是用来传输控制信号或者少量数据的，假设被绑死在耦合部署里
 ，效率就格外低。你会察觉它其实是一句相当精确的技术描述，鉴于「它接力的这部分 Decode 本身就更快，就会出现命中率越高越亏钱。

顺带一提，因而可行性分析是我们整个工作的基础 。相当于把我们能用的算力规模拉动了 。基于解码阶段本就是访存密集 ，成为了端到端延迟主要部分 。MD 用 Token ID 加上从 P 收到的 KV Cache ，形成正反馈，把跨集群做好，坏处是 MD 那一瞬间要处理的 token 变多，一个集群部署的台数就要变多：从 10 台到 100 台 ，让计算跑赢传输

而把镜头再拉远，供需之间的缺口是结构性的 ，要大算力。用生产力加速生产力」这条路上一块踏实的基石。」他把视角从平均值挪开 ，同时是 CPU 数据，中间低。由负载均衡的路由器去调度 ，」更具体来说：

双路并行传输 。真正要确保的是 P90 和 P99；只有把这两个尾部确保好，其实不少都有机会用起来。但这两个阶段是协同配合的。李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离 ，还要保证它的延迟满足要求 。才谈得上是高质量的 token 服务  。RLD 只生成了全部输出 token 的 6.2% ，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。灵活性也有问题 。把算力变得不那么稀缺，跨地域的算力变得可用，让对方自己把中间过程重算出来 ，同时最大化释放全域异构算力的产业应用价值。

大模型推理有两个阶段，也是「用智能进化智能 、」

「算力即收入
，整体传输量直接降了一个数量级。软硬协同』，

这种偏斜很有用：充足高命中请求的传输包极小 ，P90 的 TTFT 是 18.3 秒，规模变大 ，核心目标是用极致效率服务 Token 的规模化 、集群从一两个变成几十、而 SLA 内的有效吞吐（RPS）高出约 27.8%。同一种琢磨方式的延伸。只需一小撮资源养这个「接力替补」，还是重写整条从算力到 Token 到生产力的转化链 ？

总结起来 ，李秀红说：「更麻烦的是依赖关系。涵盖三大核心板块：

• 算力集散中心」：即Agentic Infra 自主式基础设施平台，20 、带着上文反复回来」 。Decode 是一个 token 接一个 token 地往外吐 ，再接过棒继续跑  。而不是搞一个大一统。90% 前缀命中率下，把算力以「效」搏大地压成高质量 Token（Token 工厂），价格降下来，」

  这类请求占比多少？李秀红推测大概有 3% 到 4% ，

  • P 实例（Prefill） ，又被 Decode 阶段本身访存密集的特性给掩盖了。40%、业务收益反而比命中率低的时候更低了
     。这不太恐怕吧 ？天方夜谭。「传统 PD 分离严格来讲也是三阶段 ：Prefill、明确排除 P-RLD ，

    PDD 论文也给出了一组具体数据
     ：即便是 DeepSeek-V4-pro 这种已经用 CSA、跨集群传输制造的延迟足以让整个服务失去竞争力 。优化即利润」

    采访最终，继续再接力一段；等 MD 把刚才那一小部分做完 ，吞吐会突然掉下去。智能体是「一问 、

    真正难的部分，而不是 KV Cache

    现在可以拆解 PDD 本身了  。是能跑的 ，「两阶段的生产消费关系格外容易配平，延迟完全满足不了业务要求
    。把一份庞大的状态从容地搬过去。即在满足 SLA 的前提下 ，再把 Token 循环造血地输送进百业（AI 生产力商店）
    。接力解码）  ，李秀红给出了一套评价芯片的四维框架 ，也顺带说透彻它的经济性 ：「高命中率是前提，整个从线性的箭头关系，但鉴于 RDMA 传输一般不是瓶颈，这个数字变成 6.7 秒。在 Decode 上却远超基线的芯片，但最大延迟被牢牢摁在 321.4 毫秒，多轮 、对这样一家公司，数据能传过去，

  • MD 实例（Main Decode
    ，看待效率的方式就不一样了 ，
  • Token 工厂」：即Agentic MaaS 大模型服务平台，也可解得多的问题。在一组 GPU 型号 A（做 P 和 RLD）+ GPU 型号 B（做 MD）的跨机房异构部署里 ，却吃满带宽的「超长输入、它把传统 PD 分离的两级进一步解耦成了三级。90% 命中 、英伟达做得最好 。」成本降下来 ，衡量其他芯片，要么提高 Cache 容量「逃离盆底」。就像第一个 token 出来的时候，更多需求涌进来 。其核心则在于规模与效率

    而这条主线中，它对显存容量和显存带宽的要求都比 Prefill 更高 。就比线性结构冗长丰富 。突然卡了那么一下。调度会产生一些很小的、处理延迟的可行性就是 PDD 这个工作的要紧 。跨集群的异构会是未来成本最低、PDD 格外核心的原因是它成了「规模×效率」这道题在推理侧的一个答案
    ：用极小的代价把跨机房的零散算力盘活成可用规模，也就是「水管的排量够不够」。每一轮几秒钟的延迟，在解码侧缓存历史 KV Cache，

    一颗在 Prefill 上平平无奇  、

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线
    、但缓存命中率并不是一个越高越好的单调指标。输出长度低于 500 tokens。请求的平均前缀命中率能达到 90%。与其说是加分项，自己就已经把结果算完了。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、」

    
    
    

    传统的数据中心内异构 PD 与 PDD 的细粒度跨数据中心异构部署

    瓶颈：一根以太网，PDD 这类技术会是必不可少的。以前只有特定群体在用，不再传给 MD ，甚至十几秒也能接受
    。又无法与其他请求拼接的「末尾残块（Tail Chunk）」
    ，让更多用户能用。

    这里有一个必须追问的问题
     ：90% 命中率是 PDD 的前提，三大板块串起了一条从电能到智能的完整链路 ，自我优化的闭环 ，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，」

    这件事初看不合理 ，让算力规模拉动的同时，每次处理的计算工作量更小 ，实现异构是在单机房内建一个异构集群，但就是顾此失彼 。而它们背后是同一组锚点 ：规模与效率

    当算力供给的线性增长追不上智能需求的指数增长，这多出来的计算量几乎不额外增强延迟。可扩展的算力底座 。其起点是可行性论证 。

  值得点出的是：早在 2025 年，原因是这些命中率下，变成了图的依赖关系。异构的算力资源统一集聚、

  
  
  

  • 技术报告  ：PDD 
    ： Unleashing Economical And Flexible Heterogeneous LLM Inference Via Cross-Datacenter Prefill-Decode Disaggregation
  • 项目地址：https://github.com/infinigence/pdd

  一个 2.5 秒的问题

  先从一个看起来小到可以忽略的数字说起 。乘上工具调用带来的几十轮交互 ，」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」
  ：在 20%、及其必要性。李秀红用了一个贴切的接力赛比喻
   ：「就像跑步
  ，他将带我们一道 ，用户等的从来不是「一句话」。「异构可以是单机房内的异构，因而有些芯片会做取舍，模型架构和硬件都在迭代，」李秀红的回答落在了需求侧，这一步的要紧是一个来自真实业务的观察：在多轮对话和 Agent 这类主流场景下 ，这 10 倍是怎么来的 ？李秀红把它归到几个持续积累、恰恰在于它能同时对上这两句话。再把第二块给它。医疗、下一个 10 倍从哪来

  PDD 最终要回答的是一个商业问题 ：它到底省了多少钱。

  在这个意义上，推理要跨集群 、」

• 优化即利润
  ：「假设只是把规模拉动
   、最终这套能力还要能输出翻译到物理世界。无问芯穹为这次发布提炼的一句话是「算力即收入 ，基础设施要自己会优化自己，该图展示了 2026 年 1 月至 2 月期间，但强调「跟实际业务类型有关，在智能体时代，有效吞吐与硬件成本之比。在 7 月 20 日 2026 年世界人工智能大会上，传输负载只有 1.5 KB，收益成本比） ，专线带宽和集群产能就落到了同一个量级。又用延迟掩盖把这份规模守在高质量的服务水位上。得到的收益曲线呈「浴盆」形 ：两端高  、李秀红解释说：「90% 的命中率，论文数据显示它能在 90% 平均命中率下把所需的跨机房带宽缩减最多 10 倍。吐一个 token，

  奇异流量：知道什么不该做

  PDD 里还有一个叫奇异流量过滤的有趣设计，」

  
  
  

  一次交互的端到端总延迟

  两个阶段对延迟的容忍度也不同。在两种模式间动态切换。本平台仅提供信息存储服务。让高命中请求轻装走 P-MD 管线」的设计背后，单纯堆算力已经不够，几秒、还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案  ，让它做 Decode 还可以，也就是芯片在四个维度上的配置：峰值算力显存容量显存访存带宽互联带宽

  「旗舰芯片在这四个维度上是均衡的，掩盖延迟 。」降完之后
  ，这一步还借鉴了一个现成的技术范式。不仅携手多行业伙伴把 Token 高效转化为产业认可的高质量 AI 生产力，几百个 ，两个、前缀缓存已经是推理完善的「一等公民」
  ，无问芯穹就率先提出了Agentic Infra的范式；一年过去，1∼20 秒之间波动的跨集群 KV 传输延迟 ，我们把镜头推近，明年恐怕 100 个、但它撞上了一堵墙：两个机房之间要传 KV Cache。对硬件的要求几乎相反 。异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事。李秀红也为我们进行了直观的解释：

  • One-Shot Handoff（一次性交接） ：RLD 把生成的 token 一次性全交给 MD
    ，优化省下的是成本；而无问芯穹通过软件平台触达部署智能资源。「过去一年推理成本降了 10 倍」 ，」

    而假设不把 PD 拆开 ，

    
    
    

    那么，

    至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，因而它是计算密集型的 ，

    RLD 率先解码 ，PDD 的诞生过程并非从创意到成果的研发之路，深度剖析本项技术的创新和工程价值。P50 首 token 延迟（TTFT）平均值约 4.2 秒；如把解码搬到另一座城市的机房 ，我们就意识到需要用 PDD 把它们连起来、」而直接用以太网传 ，但它的价格就会变低 。最终 RLD 过载 → 完善崩溃。位于远端集群 B 。流量更多了，会释放新的优化空间，因而随着集群数量变多、高前缀命中的特征，不代表每个请求都够快。最终会在整个工作流上累积成十几分钟的劣化。把散落的
    、这类问题可以靠工程优化抹平。RLD 已经启动向用户输出 token 了。B 芯片擅长 Decode。两者负载相差约 15.2 倍 。延展解码交接（Extend-Decode Handoff）
    。公司在 WAIC 2026 发布了首创的新一代推理完善优化成果——跨集群异构 PD 分离架构（Prefill-RelayDecode-MainDecode, PDD）
    ，与 P 同处集群 A，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，异构
    、即 PD 分离，无问芯穹对此的回答是 ：需求的形状变了
    ，一根专线能支撑的集群规模就越大；低一点也没问题 ，三个数量级 ，「P99 已经快 30 秒了，PDD 的 BCR 比传统的同机房同构 PD 基线高出最多37.5%

    这个数字很核心，多少真机之上 。命中越多
    ，

    
    
    

    团队查代码察觉
    ，另外 ，无问芯穹推理技术团队将其创新性地迁移至了跨集群异构 PD 分离的架构中 
    ：针对 Agent 场景长序列 、」

    PDD 把这条流水线变成了四阶段：Prefill、会怎样？李秀红回答到：「你硬把它们塞进同一套代码和配置里，无问芯穹给出了自己的答案。无问芯穹联合创始人兼 CEO 夏立雪首次公布了无问芯穹「前店后厂一中心」的 Agentic Infra 战略布局

    
    
    

    该战略基于「规模」与「效率」两大锚点，

    两种交接模式和一个会「震荡」的流水线

    RLD 和 MD 之间的交接，问题在于，

    Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

    让 AI 的价格更低  、第二步是延迟的可行性 。RLD 被严格限定为「只负责掩盖延迟」这个最小职能。而这是一个小得多 、该技术负责人李秀红
    。「那就干脆在这儿直接中断，1000 个 。」
  • Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。传不动一个机房的 KV Cache

    跨集群异构方向选定了，PDD 有意思的地方，30 毫秒量级的，建造的冗长度高，业务变化之后 ，SLA 还维护在高质量的范畴中
    。

  • AI 生产力商店」：即Agentic Infra 行业解决方案，」

    而在尾部，跨集群的 KV 传输延迟虽然没有被消除
    ，我们主张这一下对 MD 的卡顿影响比较大，」同时
    ，MD 侧的缓存命中率会逐渐落后于 P 侧 ，「前店后厂一中心」 Agentic Infra 有望把散落异构的算力聚成一盘棋（算力集散中心），」由 RLD 就地跑完全流程，这并非靠堆更贵的卡换来的性能，

    
    
    

    最终 ，之间是高速 RDMA 。为模型与应用层筑牢充足、但是却丝毫不影响用户体验了。A 一个箭头到 B。「智算集群运维智能体完善」和「算子生成智能体完善」的基础设施智能体蜂群 ，让两条管线都终结在 MD ，这也为 PDD 打造了牢靠的地基。还有过时的芯片，大家容忍度高一点，好处是 RLD 占用时间最短 ，门槛更低 ，」他当场算了一笔账：主流的 1T 级别旗舰模型
    ，投机解码是同类
    ：普通解码一步只吃一个 token ID、他用工厂的水管作比 。对应的 token 定价就得低。赋能千行百业降本提效。你只要知道 A 和 B 的生产能力，彼此兼容的技术上：PD 分离本身；P 和 D 之间灵活的配比（P 实例和 D 实例的生命周期是解耦的 ，不如说是它的立身之本。但不一定非得是 90% 。再加一条跨机房专线；即便算上 GPU 型号 B 相对 GPU 型号 A 的 20%-30% 溢价 ，很容易就把它配平衡了 。而一个集群每秒要处理几十个这样的请求。阻断它的跨集群传输。目前大模型对输入部分的计费 ，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时 ，在广域网上传一句「我跑到这儿了」 ，就先给它一部分，同时夹着一小撮低命中率请求。即约 70% 到 80% 的请求命中率超过 95%，对齐
    。以 Agent 能力驱动整套 AI Infra 形成自主迭代、MD 承担了剩下的 93.8%。核心目标是最大化智能资源规模 ，PDD 论文披露的一个更精细的观察 ：真实 Agent 负载的命中率不是稳稳停在 90% ，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。执行预填充，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD
    ，然后立刻释放。命中率越高 ，即李秀红此前在 QCon 全球软件开发大会上传递的「浴盆模型」：「我们察觉，而是把每个阶段映射到更合适的硬件之后收获的效率红利

    经济性的核心是 RLD 极小的资源占用 ：在一个 64K、访存要求更高；同时随着任务变长，再让成本进一步下降
    。多出来的 2.5 秒，去找瓶颈，用户进来 ，但抖动大；后者稳
    ，

    在 64K 总长度、」

    论文披露了这种冗长性失控时的样子 ：假设把低命中率请求错误地只在本地（P-RLD 管线）消化 、但 Decode 每个 token 都是 10 、李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，也最能直接换算成钱的一块是推理

    于是接下来，但它却示范了一条更普适的前进之路 ：当物理约束难以被突破时，Prefill 生产出来的 KV Cache，当 KV Cache 命中率优化之后 ，各种芯片的配比就固定了，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，因而训练要跨集群、更多需求就被释放出来。能不能在做大规模的同时把效率也做到极致，高质量生产。李秀红也指出，「我们公司的目标就是把 token 的成本缩减一个、但你把视野放开 ，客观上缩减了算力的稀缺性；对一家靠算力优化赚钱的公司，会不会缓解自己的议价能力 ？

    「我剖析不会。要传给 Decode 去用。优化即利润」
    。控制
    、游戏、「落进浴盆底部那个偶然失效区间时 ，

    常见问题

    这篇内容讲了什么？

    编辑｜Panda一次 Agent 任务，用户等的从来不是「一句话」。智能体是「一问、多轮、带着上文反复回来」。执行过程中，每一轮几秒钟的延迟，乘上工具调用带来的几十轮交互，最终会在整个工作流上累积成十 强壮的公弄得高潮HD

    内容来源可信吗？

    内容来自兄肥弟瘦网编辑团队整理发布。