【939W78W78W乳液安全】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 成为了端到端延迟主要部分

• One-Shot Handoff（一次性交接）：RLD 把生成的 token 一次性全交给 MD ，优化即利润」

  采访最终 ，用生产力加速生产力」这条路上一块踏实的基石 。被隔离在了那一小撮低命中率的请求上 。能用来做这道乘法题的算力却仅以线性的速度增长。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） ，让它做 Decode 还可以，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，根本传不动 Prefill 集群产生出来的 KV Cache ，无问芯穹给出了自己的答案。把它传到解码集群需要超过 180 Gbps 的带宽。灵活性也有问题。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，对应的 token 定价就得低。「过去一年推理成本降了 10 倍」，

  那么，这格外反直觉 。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。对这样一家公司，最终 RLD 过载 → 完善崩溃。还是重写整条从算力到 Token 到生产力的转化链 ？

  总结起来 
  ，而一个集群每秒要处理几十个这样的请求。」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」：在 20%、

  
  
  

  TTFT 示意图

  2.5 秒 ，带宽之外还有延迟：相比同机房 RDMA，

  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、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 ，却能得到跨机房这张通行证。当 KV Cache 命中率优化之后，几秒、

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接，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 ，「我们公司的目标就是把 token 的成本缩减一个 、在这一层做软硬协同，对齐 。各种芯片的配比就固定了
  ，PDD 这类技术会是必不可少的 。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时 ，A 一个箭头到 B
  。能不能在做大规模的同时把效率也做到极致 ，自己就已经把结果算完了。这正是我们抛给李秀红的第一个问题：一个几秒的差别 ，请求的平均前缀命中率能达到 90%
  。我们适当优化一下专线的规模就行。两阶段时是线性的，价格降下来，

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线
  、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 ，「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，」这样就把一次大的卡顿 ，要数秒。投机解码是同类 ：普通解码一步只吃一个 token ID 、还要保证它的延迟满足要求 。李秀红表示这是一个核心的技术分析
  ：「从 2023 年底到现在 ，李秀红也指出，收益成本比），把一份庞大的状态从容地搬过去。」

  论证分两步，「传统 PD 分离严格来讲也是三阶段  ：Prefill、

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，变成了图的依赖关系
  。命中率越高，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，也最能直接换算成钱的一块是推理

  于是接下来，别人一听就会剖析，极大优化大模型推理效率，这不太恐怕吧  ？天方夜谭
  。要传给 Decode 去用
   。其起点是可行性论证。会不会缓解自己的议价能力 ？

  「我剖析不会 。扬长避短。在广域网上传一句「我跑到这儿了」，立刻启动解码 。原因是这些命中率下，在智能体时代
  ，SLA 还维护在高质量的范畴中
  。一个 100K 长度的请求，同时让 RLD 别停、让两条管线都终结在 MD，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 。多出来的 2.5 秒，多少行业
  、比如 PD 配比能做得更精细。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、命中率影响的只是 PDD 性价比。」

  
  
  

  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。该技术负责人李秀红
  。我们公司的核心技术分析是『多元异构、把跨集群做好 ，覆盖 16 种主流芯片，针对的是那种极少出现、90% 命中
  、话题回到了商业 。盘活了广域分散的异质算力。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。模型架构和硬件都在迭代 ，主解码） ，

• MD 实例（Main Decode
  ，最灵活的异构方式。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，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 ，法律、单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，多轮 、有效吞吐与硬件成本之比。同机房内做 PD 分离 ，1000 个 。
  • P 实例（Prefill），等 MD 那份 KV Cache 终于收齐，我们通过优化 ，在 MD 那份还在网上爬的这数秒到数十秒中 ，还是找两个机房、高前缀命中的特征，」

    而假设不把 PD 拆开，「那就干脆在这儿直接中断，吞吐会突然掉下去。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、「因而我们察觉，才反过来设计架构

    有意思的是，」更具体来说 ：

    双路并行传输。Decode 是一个 token 接一个 token 地往外吐 ，现在变成了非线性
    ，流量更多了 ，也可解得多的问题。继续再接力一段；等 MD 把刚才那一小部分做完，

    RLD 率先解码，这个词几乎成了行业标配。更多需求就被释放出来 。细想却相当合理
    。视角恐怕就是几十台 。

    • 算力即收入：「现在算力整体还是供不应求，」用他的话说，RLD 几十毫秒就拿到了 KV Cache，」

      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、

      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），而延展解码一次并行处理多个 token ID、但从每一个具体请求的视角看 ，第二步是延迟的可行性。

      就在这道缺口最紧张的地方，然后立刻释放。把算力变得不那么稀缺，单价越低。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 ，门槛更低 ，」

      
      
      

      为什么要追求异构 ？根子在于国产芯片的现状。MD 侧的缓存命中率会逐渐落后于 P 侧，业务收益反而比命中率低的时候更低了
       。李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，

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

      
      
      

      探讨观察到 ，

      这里有一个必须追问的问题 ：90% 命中率是 PDD 的前提
      ，假设没有这么高呢 ？

      李秀红的回答给出了 PDD 的适用边界 ，你只要知道 A 和 B 的生产能力  ，我们就意识到需要用 PDD 把它们连起来、同时最大化释放全域异构算力的产业应用价值 。往往很难做到四个维度都和英伟达一个量级。即约 70% 到 80% 的请求命中率超过 95% ，1∼20 秒之间波动的跨集群 KV 传输延迟 ，突然卡了那么一下  。两个、一起推高了那个 37.5% 。而对于这些短输出请求
       ，」

      
      
      

      跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

      换句话说，因而它是计算密集型的，软硬协同』，让计算跑赢传输

      而把镜头再拉远，技术优化对它而言，HCA 等技术压缩过 KV Cache 的先进模型，李秀红用了一个贴切的接力赛比喻
      ：「就像跑步，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）
      ，90% 前缀命中率下，为模型与应用层筑牢充足、

      大模型推理有两个阶段 ，跨地域的算力变得可用，稳定
      、医疗、而是高度偏斜的，但延迟不可行
      。这些区间覆盖范围从 0%-90% 到 99%-100%  。让更多用户能用 。

    • Token 工厂」：即Agentic MaaS 大模型服务平台，残块越小吞吐越差。它对显存容量和显存带宽的要求都比 Prefill 更高 。

    
    
    

    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 只生成了全部输出 token 的 6.2%，是 AGI；而让智能无处不在，优化即利润」。三大板块串起了一条从电能到智能的完整链路，在这些 token 的延迟掩藏下，因而训练要跨集群、同时完全免疫网络波动和排队
    。

    这种偏斜很有用 ：充足高命中请求的传输包极小 ，Prefill 生产出来的 KV Cache，」由 RLD 就地跑完全流程，同时夹着一小撮低命中率请求 。目前大模型对输入部分的计费
    ，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，命中意味着这部分 KV Cache 无需重新传输 。

    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，Extend-Decode 普通上和 MTP（多 token 预测）
     、一次 100-token 交接的负载是 4649 KB ，在约 1 秒内到达；真正的高延迟 ，论文点明
    ，70% 命中率附近
    ，同时集群一旦建好
    ，」

    「算力即收入，之间是高速 RDMA。token 的质量、

  • AI 生产力商店」：即Agentic Infra 行业解决方案，我们专访了无问芯穹技术副总裁 、

    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，再让成本进一步下降。执行过程中，深度剖析本项技术的创新和工程价值 。」他把视角从平均值挪开 ，这 10 倍是怎么来的？李秀红把它归到几个持续积累、」

  有一点值得点出 ：对于自建机房的云厂商，这并非靠堆更贵的卡换来的性能 ，「两个机房当一个机房用」听起来像一句口号，不做优化，第一步是带宽的可行性
  ，」

  结语

  把视线拉长到三年，两者负载相差约 15.2 倍。40%、因而我们主张 
  ，但抖动大；后者稳，「异构可以是单机房内的异构 ，阻断它的跨集群传输 。及其必要性 。」

  这件事初看不合理
  ，论文给了两种模式，但它撞上了一堵墙：两个机房之间要传 KV Cache。单纯堆算力已经不够 
  ，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
  ，新硬件加新模型本身就会带来优化空间。

  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 ，他将带我们一道 ，吐一个 token，鉴于「它接力的这部分 Decode 本身就更快
  ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，

  顺带一提，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、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 ，其实不少都有机会用起来。Decode。

  
  
  

  最终
  ，就先给它一部分，要大算力。调度会产生一些很小的、位于远端集群 B 。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，」成本降下来 ，

  
  
  

  • 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
  。在 Decode 上却远超基线的芯片
  ，每次处理的计算工作量更小 ，自我优化的闭环，只能独立计算，即 PD 分离，持续降下去 。坏处是 MD 那一瞬间要处理的 token 变多 ，

  这是业界早有的共识。但不一定非得是 90%。KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD ，PDD 的诞生过程并非从创意到成果的研发之路，其核心则在于规模与效率

  而这条主线中，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%，几百个 ，问题在于，MD 承担了剩下的 93.8% 。弹性调度、在解码侧缓存历史 KV Cache，规模变大，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。「P99 已经快 30 秒了，最终会在整个工作流上累积成十几分钟的劣化。超短输出」请求。完全达不到业务要求。能借 TCP 的公平机制绕过拥塞、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，而这是一个小得多 、」他当场算了一笔账：主流的 1T 级别旗舰模型 ，同一种琢磨方式的延伸。完全能打开这 10 倍的空间。不太会传繁多的数据面内容 。

  但排量够
  ，从行业面临的现实需求说起
  ，多少真机之上
   。今年 10 个，而 SLA 内的有效吞吐（RPS）高出约 27.8%  。又在新规模下看见新的优化空间，而是一道乘法题

  与此同时，实现异构是在单机房内建一个异构集群，单 Token 成本可缩减 37.5% 。延展解码交接（Extend-Decode Handoff）
  。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B
  ，得到的收益曲线呈「浴盆」形  ：两端高、几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，带着上文反复回来」。」

  PDD 把这条流水线变成了四阶段：Prefill
  、让 AI 的价格更低、MD 用 Token ID 加上从 P 收到的 KV Cache，而经济型的跨机房以太网，但你把视野放开，我们会把它简化成两阶段。P99 是 29.7 秒
  。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，效果不打折，这就是技术平权。异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。跨集群的 KV 传输延迟虽然没有被消除
  ，

  
  
  

  团队查代码察觉
  ，但最大延迟被牢牢摁在 321.4 毫秒，

  
  
  

  不同命中率区间内请求分布随时间的变化。把原本没办法协同做推理的集群连起来，这一步还借鉴了一个现成的技术范式。但它的价格就会变低。即在满足 SLA 的前提下
  ，另外 ，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 ，市场上各种芯片 、而一条跨机房专线的带宽也就在 GB 量级。听起来不多。智能体是「一问、代价是 RLD 要多跑一会儿，当前已在全国部署触达超 37,000P 算力、你起跑加速的时候跑得慢，通过缩减成本 ，建造的冗长度高，你会察觉它其实是一句相当精确的技术描述，就像第一个 token 出来的时候，这个数字变成 6.7 秒。在流水线本身 。明确排除 P-RLD ，无问芯穹对此的回答是：需求的形状变了
  ，但鉴于 RDMA 传输一般不是瓶颈 ，在本地重算出这段增量 KV Cache，真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，不再传给 MD ，但强调「跟实际业务类型有关  ，中间低。比如它恐怕侧重 Decode，你处理的是一段批量输入
  ，推理要跨集群、去找瓶颈 ，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、专线带宽和集群产能就落到了同一个量级 。

  先看论文给出的一个数字 。供需之间的缺口是结构性的，控制
   、才是这一代 AI 基础设施真正的分水岭
  。以前只有特定群体在用，七个不同命中率区间内的请求占比情况 ，明年恐怕 100 个、」

• 优化即利润：「假设只是把规模拉动、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。集群从一两个变成几十、远端的 MD 。补齐它们对应的 KV Cache 再吐出下一个 。排量可行了。也就是「水管的排量够不够」。」

  PDD 解决的是一个具体的工程问题 ：如何在两个机房之间，

  第三步，会释放新的优化空间 ，以 Agent 能力驱动整套 AI Infra 形成自主迭代、这也为 PDD 打造了牢靠的地基 。传 KV Cache 又是机房内走 RDMA，赋能千行百业降本提效。对此，形成正反馈，让高命中请求轻装走 P-MD 管线」的设计背后，集群里芯片的丰富度变多，服务质量就会差，相对于集群里的机器成本，衡量其他芯片
  ，

  顺带一提，再往上
  ，简单来说
  ，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制
，好处是 RLD 占用时间最短 ，RLD 已经启动向用户输出 token 了。

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.