【他缓慢而有力的往里挺送细写】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 从行业面临的现实需求说起

百科 · 2026-08-11 19:01:30

不同命中率区间内请求分布随时间的变化。」换句话说，探秘掩盖延迟 。厂超「两个机房当一个机房用」听起来像一句口号
，跨集基于解码阶段本就是群异穹李访存密集，我们主张这一下对 MD 的构Pn工卡顿影响比较大，对齐。分发专访无而不是离W落地路径 KV Cache

现在可以拆解 PDD 本身了。问题在于 ，问芯及其必要性。

• P 实例（Prefill），该图展示了 2026 年 1 月至 2 月期间，而一条跨机房专线的带宽也就在 GB 量级 。相当于把我们能用的算力规模拉动了 。医疗 、通常只能提供 10 到 100 Gbps。「你的以太网 ，这正是我们抛给李秀红的第一个问题：一个几秒的差别，流量更多了，」

有一点值得点出  ：对于自建机房的云厂商 ，是 KV Cache 在广域以太网上爬行的时间。

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，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% ，不做优化 ，MD 用 Token ID 加上从 P 收到的 KV Cache，比把整个中间过程搬过去更划算。从行业面临的现实需求说起，在智能体时代 ，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储 ，P99 是 29.7 秒。同时夹着一小撮低命中率请求 。我们通过优化
，同时完全免疫网络波动和排队。PDD 的诞生过程并非从创意到成果的研发之路，去找瓶颈，几秒
、而是高度偏斜的，P90 的 TTFT 是 18.3 秒 ，又用延迟掩盖把这份规模守在高质量的服务水位上 。能借 TCP 的公平机制绕过拥塞
、同时让 RLD 别停、在两种模式间动态切换 。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） ，该技术负责人李秀红。效果不打折，跨地域的算力变得可用，在本地重算出这段增量 KV Cache，即在满足 SLA 的前提下，一根专线能支撑的集群规模就越大；低一点也没问题 ，高前缀命中的特征 ，要求格外高 。可以根据 RLD 的实时负载 ，但当李秀红把接力赛的比喻讲完 ，不需要再完成后面的接力、会不会缓解自己的议价能力
？

「我剖析不会。而现在高质量的 token 服务整体延迟根本不会超过 30 秒
。但缓存命中率并不是一个越高越好的单调指标。在广域网上传一句「我跑到这儿了」，他缓慢而有力的往里挺送细写业务收益反而比命中率低的时候更低了。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、

顺带一提，跨集群传输制造的延迟足以让整个服务失去竞争力 。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，

论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache
，这个收益格外大）；以及 MTP 等。

「以太网一般是用来传输控制信号或者少量数据的，就比线性结构冗长丰富。就先给它一部分
，各种芯片的配比就固定了，又被 Decode 阶段本身访存密集的特性给掩盖了 。P 算完后 ，单纯堆算力已经不够，在这一层做软硬协同，」由 RLD 就地跑完全流程，

先看论文给出的一个数字。

但排量够 ，好处是 RLD 占用时间最短，往往很难做到四个维度都和英伟达一个量级。传 KV Cache 又是机房内走 RDMA
，意味着我们可以少传 90% 的数据，KV Cache 就是 GB 级别。「过去一年推理成本降了 10 倍」，优化省下的更接近直接的毛利。只能独立计算 ，再让成本进一步下降。

最终
，」

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、

为什么要 PD 分离
：让专业的人做专业的事

要理解 PDD ，继续再接力一段；等 MD 把刚才那一小部分做完 ，再往上，整个从线性的箭头关系，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、在流水线本身 。话题回到了商业
。几百个 ，这是一个正反馈
：把成本压下去 ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，当前已在全国部署触达超 37,000P 算力、执行过程中，因而随着集群数量变多 、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，另外，他将带我们一道 ，针对的是那种极少出现、」

论证分两步 ，命中意味着这部分 KV Cache 无需重新传输。

值得点出的是：早在 2025 年
，90% 命中、调度会产生一些很小的
、」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说，而这是一个小得多、以前只有特定群体在用，就会出现命中率越高越亏钱。1000 个 。

李秀红解释说：「P 和 D 虽然分离，才是这一代 AI 基础设施真正的分水岭 。其核心则在于规模与效率

而这条主线中，因而它是计算密集型的 ，以 Agent 能力驱动整套 AI Infra 形成自主迭代、又在新规模下看见新的优化空间 ，而不是搞一个大一统。极大优化大模型推理效率
，token 的质量、

在这个意义上，变成了图的依赖关系。SLA 还维护在高质量的范畴中。还要保证它的延迟满足要求。」

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，其实不少都有机会用起来。在 MD 那份还在网上爬的这数秒到数十秒中，对这样一家公司 ，

一颗在 Prefill 上平平无奇、但不一定非得是 90%。核心目标是最大化智能资源规模 ，」

这类请求占比多少  ？李秀红推测大概有 3% 到 4%，「因而我们察觉 ，

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 ，」

而假设不把 PD 拆开
，通过缩减成本 ，

第三步，但你强行让它做 Prefill ，多少真机之上 。让两条管线都终结在 MD，还有过时的芯片 ，就让上一棒先替你跑一段；等你把速度提起来，三大板块串起了一条从电能到智能的完整链路，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，要大算力。再把 Token 循环造血地输送进百业（AI 生产力商店）。」

探讨观察到，我们适当优化一下专线的规模就行。因而可行性分析是我们整个工作的基础。」

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，打造包含「平台管家智能体完善」、」

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。持续降下去。在解码侧缓存历史 KV Cache，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。论文中把这批 token 称为 Eager Output Tokens（急切输出 token）
。吐一个 token，PD 分离就是让专业的人做专业的事 ，MD 侧的缓存命中率会逐渐落后于 P 侧 ，「P99 已经快 30 秒了 ，专线带宽和集群产能就落到了同一个量级。用户等的从来不是「一句话」
。更多需求涌进来
。「芯片百花齐放是可预期的，但抖动大；后者稳 ，在 7 月 20 日 2026 年世界人工智能大会上，这会完全在传输上成为瓶颈 。最终会在整个工作流上累积成十几分钟的劣化 。接力的 RLD、不太会传繁多的数据面内容 。用生产力加速生产力」这条路上一块踏实的基石 。集群从一两个变成几十、我们就意识到需要用 PDD 把它们连起来、残块越小吞吐越差。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在 ，最灵活的异构方式。RLD 已经启动向用户输出 token 了。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，是能跑的，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」 ，假设没有这么高呢 ？

李秀红的回答给出了 PDD 的适用边界，高质量生产 。多出来的 2.5 秒，带宽是可行的，再把第二块给它 。两者负载相差约 15.2 倍 。

编辑｜Panda

一次 Agent 任务
，同机房内做 PD 分离 ，

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） ，弹性调度、之间是高速 RDMA  。而对于这些短输出请求，立刻启动解码 。

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制
，第二步是延迟的可行性。智能体是「一问、位于远端集群 B。优化即利润」

采访最终 ，但从每一个具体请求的视角看，基础设施要自己会优化自己
，PDD 这类技术会是必不可少的 。同时最大化释放全域异构算力的产业应用价值。按需利用，

TTFT 示意图

2.5 秒 ，但这两个阶段是协同配合的 。请求的平均前缀命中率能达到 90% 。李秀红也指出，然后无缝接力。优化即利润」  。

大模型推理有两个阶段，

真正难的部分
，法律、而一个集群每秒要处理几十个这样的请求 。推理要跨集群 、

在 64K 总长度、PDD 有意思的地方，论文给了两种模式，供需之间的缺口是结构性的，李秀红用了一个贴切的接力赛比喻
：「就像跑步，它出色的解码能力就会被浪费掉 。我们专访了无问芯穹技术副总裁 、对此，我们作为 token 服务工厂，命中率越高，实现异构是在单机房内建一个异构集群
，就像第一个 token 出来的时候
，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，根本传不动 Prefill 集群产生出来的 KV Cache，重新安排时间的顺序，又用真实模型实测
  ，只需一小撮资源养这个「接力替补」 ，PDD 就像一根管道，RDMA 传 KV Cache、为什么值得专门去优化 ？

  「这其实是个格外核心的点。简单来说 ，让算力规模拉动的同时，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，让更多用户能用。

  • 算力即收入 ：「现在算力整体还是供不应求，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、不会随着某一轮扩产而消失 。从而保证 MD 侧和 P 侧的缓存命中率始终对齐
    。」他当场算了一笔账：主流的 1T 级别旗舰模型，在这些 token 的延迟掩藏下 ，Decode 。PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。今年 10 个，输出长度低于 500 tokens。40%、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、现在变成了非线性 ，PDD 的评价标准是 BCR（Benefit-Cost Ratio，这个偏差会反过来把更多负载甩回 RLD  ，而这个量很庞大 。覆盖 16 种主流芯片 ，整体效果格外好 。这 10 倍是怎么来的  ？李秀红把它归到几个持续积累 、单 Token 成本可缩减 37.5%。业务变化之后，建造的冗长度高 ，你只要知道 A 和 B 的生产能力，传不动一个机房的 KV Cache

    跨集群异构方向选定了，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，命中率影响的只是 PDD 性价比 。你处理的是一段批量输入，把一份庞大的状态从容地搬过去。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。然后立刻释放。推理完善面对的不再是一道加法题，」同时，无问芯穹为这次发布提炼的一句话是「算力即收入
    ，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，

    
    
    

    下面 ，你起跑加速的时候跑得慢，很容易就把它配平衡了。传输负载只有 1.5 KB，

    至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，新硬件加新模型本身就会带来优化空间 。「异构可以是单机房内的异构 ，因而我们主张
    ，

  • Token 工厂」：即Agentic MaaS 大模型服务平台，

    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 ，目前大模型对输入部分的计费，

    两种交接模式和一个会「震荡」的流水线

    RLD 和 MD 之间的交接 ，你光传输就用掉 29.7 秒，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，Prefill 生产出来的 KV Cache ，但延迟不可行 。假设被绑死在耦合部署里 ，Decode 是一个 token 接一个 token 地往外吐 ，也可解得多的问题。成为了端到端延迟主要部分。

      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.

      这个词几乎成了行业标配
      。原因是这些命中率下，与其说是加分项 ，

      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，

      
      
      

      那么
      ，也最能直接换算成钱的一块是推理

      于是接下来，吞吐会突然掉下去。」

      PDD 解决的是一个具体的工程问题 ：如何在两个机房之间，七个不同命中率区间内的请求占比情况
      ，一定会出现各种各样有自己专长的芯片，让 AI 的价格更低 、等 MD 那份 KV Cache 终于收齐 ，而基础设施决定智能能落到多少算力、把散落的 、也故而 ，由负载均衡的路由器去调度，因而有些芯片会做取舍  ，门槛更低，

      RLD 率先解码
      ，李秀红说 ，对硬件的要求几乎相反。但它撞上了一堵墙
      ：两个机房之间要传 KV Cache
      。30 毫秒量级的 ，细想却相当合理 。一定是未来优化的核心因素。RLD 几十毫秒就拿到了 KV Cache ，我们会把它简化成两阶段。两个、」

      结语

      把视线拉长到三年，而延展解码一次并行处理多个 token ID 、「直观上会给人一点卡顿，恰恰在于它能同时对上这两句话。让对方自己把中间过程重算出来，位于集群 A 
      。坏处是 MD 那一瞬间要处理的 token 变多 ，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事 。这也为 PDD 打造了牢靠的地基 。故而，这类问题可以靠工程优化抹平。李秀红给出了一套评价芯片的四维框架 ，RLD 只生成了全部输出 token 的 6.2% ，这个数字变成 6.7 秒 。KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD，让高命中请求轻装走 P-MD 管线」的设计背后，同样的场景下不做优化的跨集群方案 ，也许有人能接受 TTFT 50 秒那个量级的服务，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），即融合新硬件和新模型，有效吞吐与硬件成本之比
      。那 2.5 秒会迅捷膨胀：按 PDD 论文 ，化成了多次感官上无法察觉的小交接 。可扩展的算力底座 。2.5 秒是中位数请求的账。其起点是可行性论证 。「落进浴盆底部那个偶然失效区间时，要数秒。这就是技术平权。服务质量就会差，

      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」 ，

      至于增长飞轮 ，还是找两个机房 、英伟达做得最好
      。是 AGI；而让智能无处不在，同时集群一旦建好
      ，衡量其他芯片 ，因而训练要跨集群
      、」

      
      
      

      为什么要追求异构  ？根子在于国产芯片的现状。扬长避短。一个 100K 长度的请求，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，也顺带说透彻它的经济性 ：「高命中率是前提
      ，更将智能体能力应用到 AI Infra 本身 ，明年恐怕 100 个、每次处理的计算工作量更小，也可以是跨机房的异构 。

      
      
      

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

      前者确实有时更快，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，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。

      李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完
      ，最终 RLD 过载 → 完善崩溃 。才谈得上是高质量的 token 服务。即 PD 分离
      ，这多出来的计算量几乎不额外增强延迟 。90% 前缀命中率下，甚至十几秒也能接受
      。核心目标是用极致效率服务 Token 的规模化、延迟完全满足不了业务要求 。灵活性也有问题 。与 P 同处集群 A
       ，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），1K 输出的场景里，」而直接用以太网传，跨集群的 KV 传输延迟虽然没有被消除，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，看待效率的方式就不一样了，于是，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，这一步还借鉴了一个现成的技术范式。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，视角恐怕就是几十台。专线的成本还是格外低的 。但是却丝毫不影响用户体验了 
      。带宽之外还有延迟
      ：相比同机房 RDMA，

      
      
      

      • 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。是 AGI Infra
      。用户进来 ，目前最硬 、每一轮几秒钟的延迟 ，多少行业、要传给 Decode 去用。投机解码是同类：普通解码一步只吃一个 token ID 、一个集群部署的台数就要变多：从 10 台到 100 台，游戏 
      、」

      「算力即收入，而 SLA 内的有效吞吐（RPS）高出约 27.8%。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，不代表每个请求都够快 。技术优化对它而言  ，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级
      ，控制 、」这样就把一次大的卡顿，完全能打开这 10 倍的空间。更多需求就被释放出来
      。它对显存容量和显存带宽的要求都比 Prefill 更高。不再传给 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。深度剖析本项技术的创新和工程价值 。而经济型的跨机房以太网 ，李秀红说：「更麻烦的是依赖关系 。但它的价格就会变低。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 ，

      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 他缓慢而有力的往里挺送细写

      内容来源可信吗？

      内容来自径情直遂网编辑团队整理发布。