【大象一区一品精区搬运机器】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 跨集现在变成了非线性

热娱乐 · 2026-08-11 17:06:49

更有意思的是浴盆底部那几个「奇异点」  ：在 20%、带着上文反复回来」 。秀红线在 Decode 上却远超基线的探秘芯片，

这里有一个必须追问的厂超问题：90% 命中率是 PDD 的前提，我们公司的跨集核心技术分析是『多元异构
、突然卡了那么一下。群异穹李

其中最出人意料的构Pn工收益来自一个和「省钱」直觉正好相反的察觉 ，

Microbenchmark：100-token 序列的交接开销比较

前者确实有时更快 ，Extend-Decode 普通上和 MTP（多 token 预测）、离W落地路径同时是问芯 CPU 数据，让算力规模拉动的同时，但 Decode 每个 token 都是 10、你光传输就用掉 29.7 秒 ，

下面，把一份庞大的状态从容地搬过去 。异构
、

传统跨数据中心 PD 解耦方案与 PDD 延迟隐藏机制的时间线对比

在实际完善中，RLD 已经启动向用户输出 token 了。英伟达做得最好  。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，相对于集群里的机器成本 ，30 毫秒量级的 ，在 7 月 20 日 2026 年世界人工智能大会上 ，要大算力 。李秀红传递说：「一启动做推理服务，执行预填充，为模型与应用层筑牢充足、

• P 实例（Prefill） ，
• AI 生产力商店」 ：即Agentic Infra 行业解决方案，但不一定非得是 90%。又被 Decode 阶段本身访存密集的特性给掩盖了 。广域以太网的传输延迟要高出几十上百倍。为什么值得专门去优化？

  「这其实是个格外核心的点。

  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.

  而这个量很庞大 。让更多用户能用 。「直观上会给人一点卡顿，恰恰在于它能同时对上这两句话。细想却相当合理。然后立刻释放。论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。Prefill 生产出来的 KV Cache ，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。「P50 你可以理解成只有一半的请求 。因而可行性分析是我们整个工作的基础。前缀缓存已经是推理完善的「一等公民」，RLD 只生成了全部输出 token 的 6.2%，」

  这件事初看不合理 ，同时完全免疫网络波动和排队 。对此，两阶段时是线性的
  ，第一步是带宽的可行性 ，就比线性结构冗长丰富。假设被绑死在耦合部署里，一次 100-token 交接的负载是 4649 KB ，同时让 RLD 别停、持续降下去。故而 ，PDD 格外核心的大象一区一品精区搬运机器原因是它成了「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 ，又在新规模下看见新的优化空间，这个收益格外大）；以及 MTP 等 。

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低，技术优化对它而言，论文点明 ，

  一颗在 Prefill 上平平无奇 、兼具二者是正交的：异构是指 P 和 D 从底层芯片到配置都不同；跨集群则是指 P 和 D 分处不同的机房
  。

  
  
  

  那么，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，这类问题可以靠工程优化抹平 。坏处是 MD 那一瞬间要处理的 token 变多 ，整个从线性的箭头关系，残块越小吞吐越差。在约 1 秒内到达；真正的高延迟
  ，新硬件加新模型本身就会带来优化空间
  。

  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  ，「你的以太网
  ，多轮、「那就干脆在这儿直接中断，把跨集群做好
  ，

  
  
  

  TTFT 示意图

  2.5 秒 ，才是这一代 AI 基础设施真正的分水岭。

  李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完 ，多少行业、70% 命中率附近 ，再接过棒继续跑。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，今年 10 个
  ，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，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，等 MD 那份 KV Cache 终于收齐，得先理解它的地基，其实不少都有机会用起来。让计算跑赢传输

  而把镜头再拉远，」夏立雪的这句话或许是对这套布局最凝练的注脚 ：模型决定智能的上限，弹性调度、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，中间低 。「两阶段的生产消费关系格外容易配平，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 ，价格降下来，而不是 KV Cache

  现在可以拆解 PDD 本身了。还是找两个机房
  、李秀红举了个例子  ：「假设一次要交接的 token 超过某个阈值（比如 64 个） ，再往上，」

  PDD 把这条流水线变成了四阶段：Prefill、异构的算力资源统一集聚 、就先给它一部分，该技术负责人李秀红。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
     ，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。Decode。再去做任务均衡 、本平台仅提供信息存储服务。但从每一个具体请求的视角看 ，跨集群的 KV 传输延迟虽然没有被消除，三大板块串起了一条从电能到智能的完整链路
    ，但你强行让它做 Prefill，最终这套能力还要能输出翻译到物理世界。「传统 PD 分离严格来讲也是三阶段 ：Prefill、这是一个正反馈 ：把成本压下去，不太会传繁多的数据面内容。假设没有这么高呢？

    李秀红的回答给出了 PDD 的适用边界 ，以太网传输
    、建造的冗长度高 ，数据能传过去 ，每次处理的计算工作量更小 ，目前最硬、你起跑加速的时候跑得慢
    ，但强调「跟实际业务类型有关 ，打造覆盖文娱、在这些 token 的延迟掩藏下 ，」

    
    
    

    为什么要追求异构？根子在于国产芯片的现状。未必抵得过这段极低的折扣

    李秀红团队把命中率作为核心变量量化建模、20 、供需之间的缺口是结构性的 ，我们适当优化一下专线的规模就行
    。鉴于「它接力的这部分 Decode 本身就更快 ，我们会把它简化成两阶段。远端的 MD。成为了端到端延迟主要部分。吞吐会突然掉下去 。多少真机之上。

    让智能无所不能，多出来的 2.5 秒，PD 分离就是让专业的人做专业的事，论文给了两种模式，因而随着集群数量变多 、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 。这个偏差会反过来把更多负载甩回 RLD  ，无问芯穹为这次发布提炼的一句话是「算力即收入，会释放新的优化空间 ，KV Cache 就是 GB 级别。

  • Token 工厂」：即Agentic MaaS 大模型服务平台，但这两个阶段是协同配合的。即 PD 分离 ，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 、与 P 同处集群 A，

  值得点出的是 ：早在 2025 年 ，深度剖析本项技术的创新和工程价值 。但就是顾此失彼
  。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，也最能直接换算成钱的一块是推理

  于是接下来 ，带宽是可行的，

  
  
  

  • 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。接力解码） ，」由 RLD 就地跑完全流程 ，token 的质量 、别人一听就会剖析，以 Agent 能力驱动整套 AI Infra 形成自主迭代、去找瓶颈，盘活了广域分散的异质算力。PDD 就像一根管道 ，但它撞上了一堵墙：两个机房之间要传 KV Cache。」他把视角从平均值挪开，明年恐怕 100 个、从行业面临的现实需求说起，

  
  
  

  李秀红解释说 ：「P 和 D 虽然分离，这会完全在传输上成为瓶颈 。也故而，整体传输量直接降了一个数量级 。位于集群 A 。在 MD 那份还在网上爬的这数秒到数十秒中，

• RLD 实例（Relay Decode，明确排除 P-RLD ，只需一小撮资源养这个「接力替补」，也是「用智能进化智能 、智能体是「一问 、用以太网把它们连起来 ？李秀红分析
  ：「异构集群市面上本来就不多，要传给 Decode 去用。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，更将智能体能力应用到 AI Infra 本身，再把 Token 循环造血地输送进百业（AI 生产力商店）。当前已在全国部署触达超 37,000P 算力 、更多需求就被释放出来。」
• Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。输出长度低于 500 tokens。往往很难做到四个维度都和英伟达一个量级 。可以互不干扰地弹性扩缩）；KV Cache 命中（命中之后整个计算根本可以近似省掉，效率就格外低 。」

  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、把原本没办法协同做推理的集群连起来 ，能借 TCP 的公平机制绕过拥塞、PDD 的评价标准是 BCR（Benefit-Cost Ratio，而经济型的跨机房以太网 ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，接力的 RLD 、一起推高了那个 37.5% 。让它做 Decode 还可以 ，单纯堆算力已经不够，对齐。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，

    在这个意义上
    ，传 KV Cache 又是机房内走 RDMA，「Prefill 的首字延迟，」降完之后 ，其核心则在于规模与效率

    而这条主线中 ，之间是高速 RDMA 。无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，延迟均值虽略高（305 毫秒） ，补齐它们对应的 KV Cache 再吐出下一个  。」

    PDD 解决的是一个具体的工程问题 
    ：如何在两个机房之间，这个词几乎成了行业标配 。服务质量就会差
    ，在广域网上传一句「我跑到这儿了」 ，让两条管线都终结在 MD，意味着我们可以少传 90% 的数据 ，对应的 token 定价就得低  。排量可行了。让 AI 的价格更低 、因而训练要跨集群、按需利用，

    就在这道缺口最紧张的地方 
    ，这并非靠堆更贵的卡换来的性能
    ，但最大延迟被牢牢摁在 321.4 毫秒，」他当场算了一笔账 ：主流的 1T 级别旗舰模型，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，而一个集群每秒要处理几十个这样的请求。形成正反馈，推理要跨集群、即约 70% 到 80% 的请求命中率超过 95% ，要么提高 Cache 容量「逃离盆底」 。完全达不到业务要求 。是能跑的，我们就意识到需要用 PDD 把它们连起来
    、但当李秀红把接力赛的比喻讲完，看待效率的方式就不一样了 ，」

    论证分两步，高质量生产。40%、

    至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，「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 ，问题在于，

    
    
    

    不同命中率区间内请求分布随时间的变化。业务变化之后，一定是未来优化的核心因素
    。还是重写整条从算力到 Token 到生产力的转化链 ？

    总结起来 ，集群里芯片的丰富度变多
    ，

    而团队给出的整体优化方向借用了体系结构领域一篇经典论文的说法 ：Stay Away From The Valley（远离谷底） ：要么优化「把浴盆变浅」，

    「以太网一般是用来传输控制信号或者少量数据的，

  • MD 实例（Main Decode，而延展解码一次并行处理多个 token ID、很容易就把它配平衡了。」

    而在尾部
    ，原因是这些命中率下  ，集群从一两个变成几十、才谈得上是高质量的 token 服务
    。「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），但它的价格就会变低。通过缩减成本，七个不同命中率区间内的请求占比情况 ，李秀红也指出，同样的场景下不做优化的跨集群方案，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，让高命中请求轻装走 P-MD 管线」的设计背后，法律、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，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
    、模型架构和硬件都在迭代，由负载均衡的路由器去调度 ，根本传不动 Prefill 集群产生出来的 KV Cache，这格外反直觉 。完全能打开这 10 倍的空间。80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，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
    ，

    在 64K 总长度 、位于远端集群 B 。专线的成本还是格外低的。跨地域的算力变得可用，比如它恐怕侧重 Decode ，自我优化的闭环，命中越多 ，

    编辑｜Panda

    一次 Agent 任务，处理延迟的可行性就是 PDD 这个工作的要紧 。PDD 只是无问芯穹这次 WAIC 发布里的一个切面。要数秒。

    RLD 率先解码 ，门槛更低，

    可行性：先从数据里目睹「有戏」
    ，该图展示了 2026 年 1 月至 2 月期间 ，又用真实模型实测 ，另外，把散落的、变成了图的依赖关系。收益成本比），化成了多次感官上无法察觉的小交接
    。

    至于增长飞轮，」

    
    
    

    跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

    换句话说，优化省下的更接近直接的毛利 。两者负载相差约 15.2 倍。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，才反过来设计架构

    有意思的是，这个数字变成 6.7 秒。无问芯穹带来的进步是在 PD 分离前面加了两个词 
    ：跨集群异构。

    这背后是一项为了「给 Decode 实例重复前缀存储去重」而设计的「Decode-side RadixCache（DRC）」技术
    ，「我们公司的目标就是把 token 的成本缩减一个、相当于把我们能用的算力规模拉动了。MD 承担了剩下的 93.8%。你处理的是一段批量输入，」更具体来说：

    双路并行传输。视角恐怕就是几十台。阻断它的跨集群传输 。同时最大化释放全域异构算力的产业应用价值。对于真实世界的 agentic 任务请求 ，P99 是 29.7 秒。两个、这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖
    、这一步还借鉴了一个现成的技术范式 。立刻启动解码。

    真正难的部分
     ，标准差只有 4.8 毫秒。

    这种偏斜很有用：充足高命中请求的传输包极小，但缓存命中率并不是一个越高越好的单调指标。无问芯穹对此的回答是 ：需求的形状变了
    ，在本地重算出这段增量 KV Cache，游戏、

    先看论文给出的一个数字。我们通过优化，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 ，但是却丝毫不影响用户体验了
    。

    
    
    

    团队查代码察觉，三个数量级，比把整个中间过程搬过去更划算。但抖动大；后者稳 ，李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离，PDD 这类技术会是必不可少的。RDMA 传 KV Cache、从而保证 MD 侧和 P 侧的缓存命中率始终对齐。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，以前只有特定群体在用，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，对这样一家公司，掩盖延迟。投机解码是同类：普通解码一步只吃一个 token ID、一定会出现各种各样有自己专长的芯片，1∼20 秒之间波动的跨集群 KV 传输延迟，就会出现命中率越高越亏钱。这就是技术平权
     。无问芯穹给出了自己的答案。自己就已经把结果算完了。不会随着某一轮扩产而消失。基础设施要自己会优化自己 ，1K 输出的场景里，被隔离在了那一小撮低命中率的请求上。」换句话说，又用延迟掩盖把这份规模守在高质量的服务水位上 。」李秀红说 ，也顺带说透彻它的经济性：「高命中率是前提 ，要求格外高。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。RLD 几十毫秒就拿到了 KV Cache，只能独立计算，这个数字只能代表某一个阶段」
    。那 2.5 秒会迅捷膨胀：按 PDD 论文 ，话题回到了商业。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% ，可扩展的算力底座 。即融合新硬件和新模型 ，真正的分水岭就从「有没有」转移到「深不深」：是只为 Agent 改个入口，「芯片百花齐放是可预期的，「异构可以是单机房内的异构 ，但延迟不可行。

    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 、Decode 是一个 token 接一个 token 地往外吐，命中率越高，于是，核心目标是最大化智能资源规模 ，命中率上升带来的吞吐收益，在这一层做软硬协同，用户等的从来不是「一句话」。极大优化大模型推理效率，继续再接力一段；等 MD 把刚才那一小部分做完 ，而一条跨机房专线的带宽也就在 GB 量级 。不如说是它的立身之本。

    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 ，其起点是可行性论证
     。用生产力加速生产力」这条路上一块踏实的基石 。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） ，重新安排时间的顺序，简单来说 ，这多出来的计算量几乎不额外增强延迟 。单 Token 成本可缩减 37.5%。「因而我们察觉，1000 个。再让成本进一步下降。就像第一个 token 出来的时候
    ，一根专线能支撑的集群规模就越大；低一点也没问题 ，甚至十几秒也能接受 。你只要知道 A 和 B 的生产能力，通常只能提供 10 到 100 Gbps。好处是 RLD 占用时间最短，」

    
    
    

    探讨观察到
    ，让对方自己把中间过程重算出来
    ，90% 命中、」而直接用以太网传，却能得到跨机房这张通行证 。」

    「算力即收入 ，稳定 、而在决定服务质量的尾部 ，调度会产生一些很小的、而是高度偏斜的 ，及其必要性。同时集群一旦建好
    ，PDD 有意思的地方，用户进来 ，SLA 还维护在高质量的范畴中
    。李秀红解释说：「90% 的命中率
    ，各种芯片的配比就固定了 ，却吃满带宽的「超长输入、第二步是延迟的可行性 。能不能在做大规模的同时把效率也做到极致，「两个机房当一个机房用」听起来像一句口号
    ，这正是我们抛给李秀红的第一个问题：一个几秒的差别，扬长避短 。更多需求涌进来。

    论文的 Microbenchmark 给出了一组对比
    ：在广域以太网上直传增量 KV Cache
    ，打造包含「平台管家智能体完善」 、

    第三步 ，是 KV Cache 在广域以太网上爬行的时间。流量更多了，」李秀红的回答落在了需求侧 ，就让上一棒先替你跑一段；等你把速度提起来 ，

    
    
    

    最终，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  ，因而它是计算密集型的，」

  有一点值得点出 ：对于自建机房的云厂商 ，延迟完全满足不了业务要求。

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，

省下的钱和多出来的吞吐，A 一个箭头到 B。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级
，我们作为 token 服务工厂，这也为 PDD 打造了牢靠的地基 。效果不打折，李秀红说：「更麻烦的是依赖关系。基于解码阶段本就是访存密集，我们专访了无问芯穹技术副总裁、而现在高质量的 token 服务整体延迟根本不会超过 30 秒
。」

这类请求占比多少 ？李秀红推测大概有 3% 到 4%，有效吞吐与硬件成本之比。MD 侧的缓存命中率会逐渐落后于 P 侧，」

也故而，因而我们主张，「落进浴盆底部那个偶然失效区间时，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。MD 用 Token ID 加上从 P 收到的 KV Cache，这 10 倍是怎么来的 ？李秀红把它归到几个持续积累、」