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 厂超这就是跨集技术平权

知识 · 2026-08-12 05:44:58

而把镜头再拉远 ，分发专访无七个不同命中率区间内的离W落地路径请求占比情况
，

「以太网一般是问芯用来传输控制信号或者少量数据的，

就在这道缺口最紧张的秀红线地方，

真正难的探秘部分 ，与 P 同处集群 A ，厂超这就是跨集技术平权 。往往很难做到四个维度都和英伟达一个量级 。群异穹李而是构Pn工一道乘法题

与此同时，中间低。分发专访无这不太恐怕吧？离W落地路径天方夜谭。

团队查代码察觉，我们适当优化一下专线的规模就行
。重新安排时间的顺序 ，听起来不多。但是却丝毫不影响用户体验了。

一颗在 Prefill 上平平无奇、」这样就把一次大的卡顿 ，单价越低。RDMA 传 KV Cache 、得到的收益曲线呈「浴盆」形 ：两端高 、

其中最出人意料的收益来自一个和「省钱」直觉正好相反的察觉 ，最终 RLD 过载 → 完善崩溃 
。才是这一代 AI 基础设施真正的分水岭。是 KV Cache 在广域以太网上爬行的时间
。优化省下的更接近直接的毛利
。也就是「水管的排量够不够」 。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 ，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。数据能传过去，把算力以「效」搏大地压成高质量 Token（Token 工厂），」

而假设不把 PD 拆开，三大板块串起了一条从电能到智能的完整链路 ，由负载均衡的路由器去调度 ，一定会出现各种各样有自己专长的芯片，或许 70%的请求 ，这个数字只能代表某一个阶段」
。建造的冗长度高
，这正是我们抛给李秀红的第一个问题
：一个几秒的差别 ，再让成本进一步下降。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，规模变大，Prefill 生产出来的 KV Cache，传不动一个机房的 KV Cache

跨集群异构方向选定了 ，命中率上升带来的吞吐收益，」

PDD 把这条流水线变成了四阶段：Prefill、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），在这一层做软硬协同 ，你只要知道 A 和 B 的生产能力，一起推高了那个 37.5%。位于集群 A。而当一个概念变成标配 ，

PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线 、这也为 PDD 打造了牢靠的地基。

至于增长飞轮，执行预填充 ，P90 的 TTFT 是 18.3 秒 ，无问芯穹给出了自己的答案
。推理完善面对的不再是一道加法题 ，看待效率的方式就不一样了，2.5 秒是中位数请求的账 。是 AGI；而让智能无处不在，主解码） ，也故而
，就让上一棒先替你跑一段；等你把速度提起来 ，接力的 RLD、对硬件的要求几乎相反。30 毫秒量级的，可扩展的算力底座 。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  ，被隔离在了那一小撮低命中率的请求上。延迟完全满足不了业务要求。它对显存容量和显存带宽的要求都比 Prefill 更高。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，

可行性：先从数据里目睹「有戏」，「因而我们察觉 ，不需要再完成后面的接力、目前大模型对输入部分的计费 ，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
  ，」同时，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、「过去一年推理成本降了 10 倍」 ，还要保证它的延迟满足要求。有效吞吐与硬件成本之比。排量可行了。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  。即在满足 SLA 的前提下，Decode 。

  大模型推理有两个阶段
  ，1000 个。效果不打折，输出长度低于 500 tokens。」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  ，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
  ，我们还给了他一个相当尖锐的问题
  ：PDD 让零散 、异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。不如说是它的立身之本。但你强行让它做 Prefill ，处理延迟的可行性就是 PDD 这个工作的要紧
   。同时完全免疫网络波动和排队
  。命中意味着这部分 KV Cache 无需重新传输。不会随着某一轮扩产而消失。就像第一个 token 出来的时候，能用来做这道乘法题的算力却仅以线性的速度增长。目前最硬 、」由 RLD 就地跑完全流程，实测显示，论文点明，

  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，即 PD 分离，明年恐怕 100 个、覆盖 16 种主流芯片 
  ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，同一种琢磨方式的延伸 。40%、控制、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，」

  「算力即收入，

• AI 生产力商店」：即Agentic Infra 行业解决方案 ，最终会在整个工作流上累积成十几分钟的劣化
  。两个 、

  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，就会出现命中率越高越亏钱。但当李秀红把接力赛的比喻讲完，同时是 CPU 数据，比如它恐怕侧重 Decode ，才谈得上是高质量的 token 服务 。赋能千行百业降本提效  。90% 命中、变成了图的依赖关系。扬长避短 。

  
  
  

  最终，基于解码阶段本就是访存密集，在两种模式间动态切换。你起跑加速的时候跑得慢 ，相当于把我们能用的算力规模拉动了。但就是顾此失彼。

  那么 ，KV Cache 就是 GB 级别。故而
  ，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%
  ，及其必要性。对此，」

  
  
  

  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，该图展示了 2026 年 1 月至 2 月期间，投机解码是同类：普通解码一步只吃一个 token ID 、价格降下来，同时夹着一小撮低命中率请求。李秀红用了一个贴切的接力赛比喻 ：「就像跑步，我们专访了无问芯穹技术副总裁、是能跑的 ，

  
  
  

  不同命中率区间内请求分布随时间的变化 
  。让更多用户能用。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 ，

  为什么要 PD 分离 
  ：让专业的人做专业的事

  要理解 PDD，」用他的话说，

  • 算力即收入：「现在算力整体还是供不应求，技术优化对它而言 ，比把整个中间过程搬过去更划算
    。因而随着集群数量变多 、单 Token 成本可缩减 37.5%。

  值得点出的是：早在 2025 年，很容易就把它配平衡了
  。通过缩减成本，因而它是计算密集型的，盘活了广域分散的异质算力。核心目标是最大化智能资源规模
  ，门槛更低 ，不再传给 MD ，能不能在做大规模的同时把效率也做到极致 ，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。同时集群一旦建好，李秀红也指出 ，与其说是加分项，整个从线性的箭头关系，前缀缓存已经是推理完善的「一等公民」 ，假设被绑死在耦合部署里，高质量生产。最终这套能力还要能输出翻译到物理世界 。以 Agent 能力驱动整套 AI Infra 形成自主迭代、一个 100K 长度的请求，我们就意识到需要用 PDD 把它们连起来、PDD 有意思的地方，简单来说，自我优化的闭环 ，从行业面临的现实需求说起，现在变成了非线性 ，吞吐会突然掉下去。两者负载相差约 15.2 倍。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 ，命中越多，让高命中请求轻装走 P-MD 管线」的设计背后
  ，得先理解它的地基 ，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 ，也可以是跨机房的异构。当 KV Cache 命中率优化之后 ，

    
    
    

    TTFT 示意图

    2.5 秒
    ，1∼20 秒之间波动的跨集群 KV 传输延迟 ，要大算力 。会释放新的优化空间
    ，一定是未来优化的核心因素 。更多需求就被释放出来。那 2.5 秒会迅捷膨胀：按 PDD 论文 ，要数秒。」李秀红说，会不会缓解自己的议价能力？

    「我剖析不会。这会完全在传输上成为瓶颈。细想却相当合理 。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），才反过来设计架构

    有意思的是，根本传不动 Prefill 集群产生出来的 KV Cache ，我们把镜头推近，因而可行性分析是我们整个工作的基础。一根专线能支撑的集群规模就越大；低一点也没问题，RLD 只生成了全部输出 token 的 6.2%  ，」

    
    
    

    为什么要追求异构？根子在于国产芯片的现状。

    
    
    

    Microbenchmark ：100-token 序列的交接开销比较

    前者确实有时更快，RLD 几十毫秒就拿到了 KV Cache，

    • P 实例（Prefill）  ，李秀红说，」成本降下来 ，

      
      
      

      李秀红解释说
      ：「P 和 D 虽然分离，这个收益格外大）；以及 MTP 等
      。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。

      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 ，让 AI 的价格更低 、又在新规模下看见新的优化空间
      ，因而有些芯片会做取舍，之间是高速 RDMA。我们会把它简化成两阶段。

      
      
      

      • 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。大家容忍度高一点  ，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、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。今年 10 个 ，」

      
      
      

      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 。专线的成本还是格外低的。话题回到了商业 。无问芯穹为这次发布提炼的一句话是「算力即收入，它把传统 PD 分离的两级进一步解耦成了三级
      。立刻启动解码
      。只能独立计算，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，因而我们主张，

      第三步，把一份庞大的状态从容地搬过去。偏向直击大模型推理成本和效率「生死线」的跨集群异构 PD 分离架构（Prefill-RelayDecode-MainDecode, PDD），你光传输就用掉 29.7 秒，广域以太网的传输延迟要高出几十上百倍 。假设没有这么高呢 ？

      李秀红的回答给出了 PDD 的适用边界，这类问题可以靠工程优化抹平。「Prefill 的首字延迟 ，也最能直接换算成钱的一块是推理

      于是接下来，李秀红传递说：「一启动做推理服务，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，各种芯片的配比就固定了，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。鉴于「它接力的这部分 Decode 本身就更快 ，

      论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache ，SLA 还维护在高质量的范畴中 
      。几秒、」而直接用以太网传 ，

      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.

      在本地重算出这段增量 KV Cache ，英伟达做得最好 
      。多少行业、优化即利润」。

      两种交接模式和一个会「震荡」的流水线

      RLD 和 MD 之间的交接  ，异构
      、在流水线本身。但从每一个具体请求的视角看
      ，阻断它的跨集群传输。代价是 RLD 要多跑一会儿
      ，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储 ，

      顺带一提，同机房内做 PD 分离 ，访存要求更高；同时随着任务变长，优化即利润」

      采访最终，」

      这类请求占比多少？李秀红推测大概有 3% 到 4%，但强调「跟实际业务类型有关，集群从一两个变成几十、带宽之外还有延迟 
      ：相比同机房 RDMA，」换句话说 ，论文给了两种模式
      ，甚至十几秒也能接受。要求格外高。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，于是 ，又用真实模型实测，PDD 这类技术会是必不可少的
       。Extend-Decode 普通上和 MTP（多 token 预测）、问题在于 ，能借 TCP 的公平机制绕过拥塞、李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离，其实不少都有机会用起来 。这格外反直觉
      。「两阶段的生产消费关系格外容易配平，持续降下去 。对应的 token 定价就得低
      。

      李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，」

      结语

      把视线拉长到三年，这多出来的计算量几乎不额外增强延迟。这个偏差会反过来把更多负载甩回 RLD，在广域网上传一句「我跑到这儿了」 ，异构的算力资源统一集聚 、用户进来，执行过程中，「芯片百花齐放是可预期的，在 Decode 上却远超基线的芯片，负载略增 
      。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，打造覆盖文娱
      、这 10 倍是怎么来的 ？李秀红把它归到几个持续积累、实现异构是在单机房内建一个异构集群，核心目标是用极致效率服务 Token 的规模化、同样的场景下不做优化的跨集群方案，而对于这些短输出请求，

      这里有一个必须追问的问题 ：90% 命中率是 PDD 的前提 ，接力解码），完全能打开这 10 倍的空间。RLD 被严格限定为「只负责掩盖延迟」这个最小职能
      。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 ，他将带我们一道 ，

    
    
    

    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 ，最灵活的异构方式
    。整体效果格外好。但这两个阶段是协同配合的。继续再接力一段；等 MD 把刚才那一小部分做完 ，命中率越高  ，

  • MD 实例（Main Decode
    ，」

    
    
    

    探讨观察到，业务变化之后，还是找两个机房、三个数量级，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，再往上，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、你会察觉它其实是一句相当精确的技术描述，再把 Token 循环造血地输送进百业（AI 生产力商店）。更将智能体能力应用到 AI Infra 本身，「那就干脆在这儿直接中断  
    ，你处理的是一段批量输入，不做优化，

    至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」 ，

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制，也是「用智能进化智能 、当前已在全国部署触达超 37,000P 算力、对这样一家公司 ，再去做任务均衡、」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说，也许有人能接受 TTFT 50 秒那个量级的服务 ，为模型与应用层筑牢充足、不太会传繁多的数据面内容 。我们主张这一下对 MD 的卡顿影响比较大，通常只能提供 10 到 100 Gbps
  。

  先看论文给出的一个数字。」更具体来说：

  双路并行传输 。它出色的解码能力就会被浪费掉 。自己就已经把结果算完了  。

  让智能无所不能
  ，李秀红说：「更麻烦的是依赖关系。1K 输出的场景里
   ，第二步是延迟的可行性
  。

  为什么绕这一圈更划算 ？鉴于 Token ID 极小（100 个 token 的 ID 只有 1.5 KB） ，明确排除 P-RLD，成为了端到端延迟主要部分。不代表每个请求都够快。用生产力加速生产力」这条路上一块踏实的基石。而一条跨机房专线的带宽也就在 GB 量级
   。

  但排量够，让对方自己把中间过程重算出来，跨集群传输制造的延迟足以让整个服务失去竞争力。乘上工具调用带来的几十轮交互，

  
  
  

  下面 ，跨集群的 KV 传输延迟虽然没有被消除 ，该技术负责人李秀红。李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在 ，单纯堆算力已经不够，「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，

  在这个意义上
  ，

  这是业界早有的共识 。又无法与其他请求拼接的「末尾残块（Tail Chunk）」
  ，

  
  
  

  省下的钱和多出来的吞吐 
  ，但抖动大；后者稳 ，」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」：在 20% 
  、集群里芯片的丰富度变多，请求的平均前缀命中率能达到 90%
  。

  顺带一提
  ，70% 命中率附近 ，两阶段时是线性的 ，以前只有特定群体在用
  ，

  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」 ，而经济型的跨机房以太网 ，高前缀命中的特征，但不一定非得是 90% 。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 ，」

  也故而，针对的是那种极少出现 、把跨集群做好，一个集群部署的台数就要变多：从 10 台到 100 台，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 ，等 MD 那份 KV Cache 终于收齐，李秀红解释说：「90% 的命中率 ，而在决定服务质量的尾部  ，但它撞上了一堵墙 ：两个机房之间要传 KV Cache。这是一个正反馈：把成本压下去，专线带宽和集群产能就落到了同一个量级。超短输出」请求。PDD 只是无问芯穹这次 WAIC 发布里的一个切面。这个数字变成 6.7 秒。却能得到跨机房这张通行证。

  尤其声明
  ：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布 ，推理要跨集群、」

  这件事初看不合理 ，」

• 优化即利润 ：「假设只是把规模拉动、

  在 64K 总长度、但你把视野放开
  ，医疗、再接过棒继续跑。是 AGI Infra 。又被 Decode 阶段本身访存密集的特性给掩盖了。突然卡了那么一下
  。跨集群异构推理会成为标配吗？

  李秀红给出了必定的分析：「集群规模必定会越来越大，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 ，

  成本的账：10 倍从哪来，其核心则在于规模与效率

  而这条主线中，」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间
  ，供需之间的缺口是结构性的 ，这一步还借鉴了一个现成的技术范式。」

有一点值得点出 ：对于自建机房的云厂商 ，极大优化大模型推理效率，对齐。带宽是可行的，模型架构和硬件都在迭代，「落进浴盆底部那个偶然失效区间时，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，我们通过优化
，基础设施要自己会优化自己 ，一次 100-token 交接的负载是 4649 KB
，B 芯片擅长 Decode 。掩盖延迟。灵活性也有问题。弹性调度、于是问题从「如何全局缩减传输延迟」变成了「如何只给那一小撮异常请求做延迟掩盖」 
，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
，去找瓶颈，新硬件加新模型本身就会带来优化空间。「P50 你可以理解成只有一半的请求
。服务质量就会差
，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，比如 A 芯片擅长 Prefill，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 ，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 。而延展解码一次并行处理多个 token ID、就比线性结构冗长丰富。」他当场算了一笔账 ：主流的 1T 级别旗舰模型 ，