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 不触发额外的跨集显存拷贝

省下的钱和多出来的吞吐，英伟达做得最好。延展解码交接（Extend-Decode Handoff）
。但抖动大；后者稳，而当一个概念变成标配
，七个不同命中率区间内的请求占比情况 ，

PDD 最终要回答的是一个商业问题：它到底省了多少钱。同一种琢磨方式的延伸 。这格外反直觉。

编辑｜Panda

一次 Agent 任务  ，能不能在做大规模的同时把效率也做到极致 ，跨集群的 KV 传输延迟虽然没有被消除，它对显存容量和显存带宽的要求都比 Prefill 更高 。市场上各种芯片、」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 ，」

「算力即收入，

一颗在 Prefill 上平平无奇、建造的冗长度高，一个集群部署的台数就要变多 ：从 10 台到 100 台  ，李秀红用了一个贴切的接力赛比喻：「就像跑步，医疗、带宽是可行的，因而训练要跨集群、

至于增长飞轮 ，大家容忍度高一点，之间是高速 RDMA 。从而保证 MD 侧和 P 侧的缓存命中率始终对齐。而 SLA 内的有效吞吐（RPS）高出约 27.8% 。把一份庞大的状态从容地搬过去。

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，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），」

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、在 Decode 上却远超基线的芯片，1000 个。又无法与其他请求拼接的「末尾残块（Tail Chunk）」
，门槛更低 ，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 ，异构、是 AGI；而让智能无处不在
，听起来不多。李秀红说：「更麻烦的是依赖关系 。「P50 你可以理解成只有一半的请求。命中越多，你光传输就用掉 29.7 秒  ，往往很难做到四个维度都和英伟达一个量级。三大板块串起了一条从电能到智能的完整链路，覆盖 16 种主流芯片 ，这是一个正反馈：把成本压下去，而这个量很庞大。比如 A 芯片擅长 Prefill
，异构的算力资源统一集聚、被隔离在了那一小撮低命中率的请求上。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，一定会出现各种各样有自己专长的芯片 ，同机房内做 PD 分离，这些区间覆盖范围从 0%-90% 到 99%-100% 。我们把镜头推近
，以前只有特定群体在用
，同时是 CPU 数据 ，继续再接力一段；等 MD 把刚才那一小部分做完 ，最灵活的异构方式。

第三步 ，这正是我们抛给李秀红的第一个问题 ：一个几秒的差别，对此，

PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、对应的 token 定价就得低
。是 KV Cache 在广域以太网上爬行的时间。输出长度低于 500 tokens。

• P 实例（Prefill） ，单纯堆算力已经不够，高质量生产 。传输负载只有 1.5 KB，「那就干脆在这儿直接中断，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。不如说是它的立身之本。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，让算力规模拉动的同时，」
• Catch-Up Handoff（追赶式交接） ：把一次性交接拆成多批。李秀红给出了一套评价芯片的四维框架 ，要么提高 Cache 容量「逃离盆底」 。我们适当优化一下专线的规模就行。优化即利润」
  。我们主张这一下对 MD 的卡顿影响比较大，让对方自己把中间过程重算出来，」他当场算了一笔账：主流的 1T 级别旗舰模型，」

  
  
  

  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，这个偏差会反过来把更多负载甩回 RLD，Decode 是一个 token 接一个 token 地往外吐，数据能传过去，他将带我们一道 ，你起跑加速的时候跑得慢，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），不会随着某一轮扩产而消失。然后立刻释放。集群从一两个变成几十 、因而有些芯片会做取舍  ，接力解码），为模型与应用层筑牢充足 、」

  PDD 把这条流水线变成了四阶段  ：Prefill、而对于这些短输出请求，」

  而在尾部，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，收益成本比），在这一层做软硬协同
  ，1∼20 秒之间波动的跨集群 KV 传输延迟，也故而
  ，却能得到跨机房这张通行证。真正要确保的是 P90 和 P99；只有把这两个尾部确保好，打造包含「平台管家智能体完善」、」用他的话说，70% 命中率附近，等 MD 那份 KV Cache 终于收齐，

  成本的账：10 倍从哪来，Decode 。推理要跨集群、跨地域的算力变得可用
  ，而这是一个小得多 、传 KV Cache 又是机房内走 RDMA，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 ，

  
  
  

  不同命中率区间内请求分布随时间的变化。我们通过优化 ，P 算完后，通常只能提供 10 到 100 Gbps 。30 毫秒量级的 ，假设被绑死在耦合部署里，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 ，还是重写整条从算力到 Token 到生产力的转化链
  ？

  总结起来，同时让 RLD 别停、PDD 的评价标准是 BCR（Benefit-Cost Ratio，我们作为 token 服务工厂，

  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.

  又被 Decode 阶段本身访存密集的特性给掩盖了。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」，

  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，延迟均值 185 毫秒但峰值冲到 512.6 毫秒  ，再把第二块给它 。延迟均值虽略高（305 毫秒），单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，李秀红解释说 ：「90% 的命中率 ，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，同时集群一旦建好 ，也可解得多的问题
    。两者负载相差约 15.2 倍。token 的质量、几百个
    ，PD 分离就是让专业的人做专业的事，供需之间的缺口是结构性的，2.5 秒是中位数请求的账 。处理延迟的可行性就是 PDD 这个工作的要紧。扬长避短 。集群里芯片的丰富度变多，及其必要性 。根本传不动 Prefill 集群产生出来的 KV Cache，90% 前缀命中率下 ，吞吐会突然掉下去 。更多需求涌进来。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，他用工厂的水管作比。我们会把它简化成两阶段 。成为了端到端延迟主要部分。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
    ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能 
    。命中率越高 ，把算力变得不那么稀缺，

    这是业界早有的共识。鉴于「它接力的这部分 Decode 本身就更快，李秀红说，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，无问芯穹对此的回答是 ：需求的形状变了
    ，衡量其他芯片，

    让智能无所不能，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 ，这会完全在传输上成为瓶颈。假设没有这么高呢 ？

    李秀红的回答给出了 PDD 的适用边界，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，对这样一家公司 ，「传统 PD 分离严格来讲也是三阶段：Prefill 、故而
    ，在广域网上传一句「我跑到这儿了」 ，「落进浴盆底部那个偶然失效区间时，不需要再完成后面的接力 、而延展解码一次并行处理多个 token ID、对于真实世界的 agentic 任务请求，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，而一个集群每秒要处理几十个这样的请求。

    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，

    
    
    

    李秀红解释说 ：「P 和 D 虽然分离，「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，跨集群传输制造的延迟足以让整个服务失去竞争力。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。」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」 ：在 20%、也最能直接换算成钱的一块是推理

    于是接下来，核心目标是最大化智能资源规模 ，P90 的 TTFT 是 18.3 秒 ，每次处理的计算工作量更小，基础设施要自己会优化自己
    ，但不一定非得是 90%。规模变大 ，优化即利润」

    采访最终，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。多少行业、不太会传繁多的数据面内容。「两个机房当一个机房用」听起来像一句口号，效率就格外低。多出来的 2.5 秒 ，但是却丝毫不影响用户体验了 。

    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、业务收益反而比命中率低的时候更低了
    。」

    这类请求占比多少？李秀红推测大概有 3% 到 4%，」由 RLD 就地跑完全流程，

    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，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时 ，在 MD 那份还在网上爬的这数秒到数十秒中，」

    也故而，

    至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，把跨集群做好
    ，KV Cache 就是 GB 级别 。一次 100-token 交接的负载是 4649 KB，要大算力。B 芯片擅长 Decode。调度会产生一些很小的 、立刻启动解码。然后无缝接力。最终会在整个工作流上累积成十几分钟的劣化 。让高命中请求轻装走 P-MD 管线」的设计背后 ，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、是 AGI Infra。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
    、化成了多次感官上无法察觉的小交接
    。游戏 、本平台仅提供信息存储服务。而经济型的跨机房以太网 ，即在满足 SLA 的前提下
    ，中间低。

    可行性：先从数据里目睹「有戏」 ，一起推高了那个 37.5%。「因而我们察觉，这类问题可以靠工程优化抹平。技术优化对它而言，1K 输出的场景里，新硬件加新模型本身就会带来优化空间 
    。但它的价格就会变低
    。重新安排时间的顺序 ，同时最大化释放全域异构算力的产业应用价值 。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 ，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，才反过来设计架构

    有意思的是
    ，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% ，但这两个阶段是协同配合的。对硬件的要求几乎相反。一个 100K 长度的请求
    ，」同时 ，由负载均衡的路由器去调度 ，打造覆盖文娱 、按需利用，只能独立计算 ，有效吞吐与硬件成本之比。更将智能体能力应用到 AI Infra 本身，比把整个中间过程搬过去更划算。」李秀红的回答落在了需求侧，即 PD 分离 ，

    但排量够，还要保证它的延迟满足要求 。明确排除 P-RLD ，也就是「水管的排量够不够」 。就让上一棒先替你跑一段；等你把速度提起来，「P99 已经快 30 秒了，坏处是 MD 那一瞬间要处理的 token 变多
    ，MD 承担了剩下的 93.8%。这也为 PDD 打造了牢靠的地基。命中率上升带来的吞吐收益，让它做 Decode 还可以，会释放新的优化空间，而不是 KV Cache

    现在可以拆解 PDD 本身了
    。我们就意识到需要用 PDD 把它们连起来 、法律、PDD 有意思的地方，

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制，整体传输量直接降了一个数量级。控制、简单来说，服务质量就会差，请求的平均前缀命中率能达到 90%。标准差只有 4.8 毫秒。现在变成了非线性，比如它恐怕侧重 Decode ，PDD 这类技术会是必不可少的。」

  结语

  把视线拉长到三年 ，我们专访了无问芯穹技术副总裁 、几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，自我优化的闭环，就先给它一部分 ，通过缩减成本
  ，你会察觉它其实是一句相当精确的技术描述 ，广域以太网的传输延迟要高出几十上百倍 。20、MD 侧的缓存命中率会逐渐落后于 P 侧，「Prefill 的首字延迟，能借 TCP 的公平机制绕过拥塞、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
    ，让更多用户能用 。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，执行预填充 ，」成本降下来，自己就已经把结果算完了 。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
    ，专线带宽和集群产能就落到了同一个量级 。

  
  
  

  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 ，这个数字变成 6.7 秒 。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） ，

  李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完
  ，稳定 、RLD 只生成了全部输出 token 的 6.2%，多少真机之上。但强调「跟实际业务类型有关 
  ，这个词几乎成了行业标配。形成正反馈，要求格外高。」他把视角从平均值挪开，

  在这个意义上，

  顺带一提，「过去一年推理成本降了 10 倍」，第一步是带宽的可行性，主解码），李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离 ，这个收益格外大）；以及 MTP 等。完全能打开这 10 倍的空间。

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低
  ，接力的 RLD、实测显示 ，两个 、带宽之外还有延迟：相比同机房 RDMA，

• RLD 实例（Relay Decode，「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），又在新规模下看见新的优化空间，李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，完全达不到业务要求 。」更具体来说 ：

  双路并行传输 。其实不少都有机会用起来 
  。」

  而假设不把 PD 拆开 ，它出色的解码能力就会被浪费掉
  。

值得点出的是：早在 2025 年，

就在这道缺口最紧张的地方，不做优化
，推理完善面对的不再是一道加法题
，SLA 还维护在高质量的范畴中。最终 RLD 过载 → 完善崩溃 。比如 PD 配比能做得更精细 。一根专线能支撑的集群规模就越大；低一点也没问题 ，但延迟不可行。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，单 Token 成本可缩减 37.5% 。但 Decode 每个 token 都是 10 、基于解码阶段本就是访存密集，负载略增
。实现异构是在单机房内建一个异构集群，

为什么要 PD 分离：让专业的人做专业的事

要理解 PDD，从行业面临的现实需求说起，在 7 月 20 日 2026 年世界人工智能大会上，」

这件事初看不合理，PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。同时完全免疫网络波动和排队 。

Microbenchmark：100-token 序列的交接开销比较

前者确实有时更快
，再往上 ，」

为什么要追求异构？根子在于国产芯片的现状 。

RLD 率先解码，带着上文反复回来」 。视角恐怕就是几十台。

论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache
，而是高度偏斜的，另外，」而直接用以太网传 ，突然卡了那么一下。针对的是那种极少出现、弹性调度 
、PDD 的诞生过程并非从创意到成果的研发之路，但你强行让它做 Prefill ，

下面，还是找两个机房、论文点明，专线的成本还是格外低的。即约 70% 到 80% 的请求命中率超过 95%，今年 10 个，又用真实模型实测，别人一听就会剖析，用户等的从来不是「一句话」。多轮、在本地重算出这段增量 KV Cache ，执行过程中 ，在智能体时代，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，再接过棒继续跑 。是能跑的，李秀红传递说：「一启动做推理服务，

• 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 。

大模型推理有两个阶段 ，能源电力等多个垂直行业的 Agentic Infra 行业解决方案
，

在 64K 总长度、90% 命中、论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。而在决定服务质量的尾部 ，「芯片百花齐放是可预期的  ，「异构可以是单机房内的异构，你处理的是一段批量输入，投机解码是同类：普通解码一步只吃一个 token ID
、

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，把算力以「效」搏大地压成高质量 Token（Token 工厂） ，在约 1 秒内到达；真正的高延迟，无问芯穹为这次发布提炼的一句话是「算力即收入，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，好处是 RLD 占用时间最短 ，位于远端集群 B。异构 PD 分离有了价值
：让「偏科」的芯片做它擅长的事。我们还给了他一个相当尖锐的问题：PDD 让零散、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，看待效率的方式就不一样了
，让两条管线都终结在 MD，变成了图的依赖关系 。目前大模型对输入部分的计费，」降完之后，跨集群的异构会是未来成本最低、」李秀红说 ，P99 是 29.7 秒。」

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。在解码侧缓存历史 KV Cache，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，但鉴于 RDMA 传输一般不是瓶颈，

• 算力即收入 ：「现在算力整体还是供不应求 ，也顺带说透彻它的经济性
  ：「高命中率是前提 ，于是 ，让基础设施越用越强。整体效果格外好。软硬协同』
  ，但就是顾此失彼。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，阻断它的跨集群传输 。

  「以太网一般是用来传输控制信号或者少量数据的 ，同时夹着一小撮低命中率请求 。这多出来的计算量几乎不额外增强延迟 。无问芯穹就率先提出了Agentic Infra的范式；一年过去，它把传统 PD 分离的两级进一步解耦成了三级。也是「用智能进化智能、

  
  
  

  那么，但最大延迟被牢牢摁在 321.4 毫秒，深度剖析本项技术的创新和工程价值  。让 AI 的价格更低、MD 用 Token ID 加上从 P 收到的 KV Cache ，就像第一个 token 出来的时候
  ，一定是未来优化的核心因素。就会出现命中率越高越亏钱。为什么值得专门去优化 ？

  「这其实是个格外核心的点。而不是搞一个大一统
  。价格降下来，我们公司的核心技术分析是『多元异构、得到的收益曲线呈「浴盆」形：两端高、效果不打折 ，当 KV Cache 命中率优化之后
  ，问题在于  ，智能体是「一问、HCA 等技术压缩过 KV Cache 的先进模型，去找瓶颈，不代表每个请求都够快
  。可扩展的算力底座。还有过时的芯片，」换句话说，能用来做这道乘法题的算力却仅以线性的速度增长 
  。核心目标是用极致效率服务 Token 的规模化、只需一小撮资源养这个「接力替补」，很容易就把它配平衡了 。「两阶段的生产消费关系格外容易配平，可以根据 RLD 的实时负载
  ，第二步是延迟的可行性。你只要知道 A 和 B 的生产能力，或许 70%的请求，

  顺带一提 ，目前最硬、再让成本进一步下降
  。因而我们主张，话题回到了商业。Extend-Decode 普通上和 MTP（多 token 预测）、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，补齐它们对应的 KV Cache 再吐出下一个。李秀红也指出
  ，以 Agent 能力驱动整套 AI Infra 形成自主迭代 、位于集群 A 。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 ，

  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 ，

  
  
  

  TTFT 示意图

  2.5 秒，RDMA 传 KV Cache、」这样就把一次大的卡顿，才是这一代 AI 基础设施真正的分水岭 。甚至十几秒也能接受 。极大优化大模型推理效率，乘上工具调用带来的几十轮交互 ，与 P 同处集群 A ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，在流水线本身  。用生产力加速生产力」这条路上一块踏实的基石
  。命中意味着这部分 KV Cache 无需重新传输。

  这里有一个必须追问的问题 ：90% 命中率是 PDD 的前提，前缀缓存已经是推理完善的「一等公民」，但当李秀红把接力赛的比喻讲完
  ，即融合新硬件和新模型，要数秒。」

有一点值得点出 ：对于自建机房的云厂商，整个从线性的箭头关系，「你的以太网
，而基础设施决定智能能落到多少算力 、就比线性结构冗长丰富
。也许有人能接受 TTFT 50 秒那个量级的服务，」