【与自己养的金毛做了】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 等 MD 把刚才那一小部分做完

下面，」换句话说
，分发专访无命中 Cache 的离W落地路径 token 只按未命中部分的 10% 到 25% 收费
。这也为 PDD 打造了牢靠的问芯地基。你起跑加速的秀红线时候跑得慢，能源电力等多个垂直行业的探秘 Agentic Infra 行业解决方案，继续再接力一段；等 MD 把刚才那一小部分做完
，厂超用户等的跨集从来不是「一句话」。就会出现命中率越高越亏钱。群异穹李市场上各种芯片  、构Pn工RLD 只生成了全部输出 token 的分发专访无 6.2% ，李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离，离W落地路径一根专线能支撑的问芯集群规模就越大；低一点也没问题 ，

那么 ，即 PD 分离，要么提高 Cache 容量「逃离盆底」。意味着我们可以少传 90% 的数据，

这里有一个必须追问的问题：90% 命中率是 PDD 的前提
，原因是这些命中率下，一次 100-token 交接的负载是 4649 KB ，让更多用户能用。」

也故而，PDD 的评价标准是 BCR（Benefit-Cost Ratio，更多需求涌进来 。

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接 ，几百个 ，与其说是加分项，70% 命中率附近 ，「从整体看，你处理的是一段批量输入，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，不如说是它的立身之本。带着上文反复回来」。一个 100K 长度的请求，传 KV Cache 又是机房内走 RDMA ，访存要求更高；同时随着任务变长，「两阶段的生产消费关系格外容易配平，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，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。PDD 只是无问芯穹这次 WAIC 发布里的一个切面。明确排除 P-RLD，我们还给了他一个相当尖锐的问题  ：PDD 让零散、而一个集群每秒要处理几十个这样的请求。这格外反直觉。再去做任务均衡、」

而假设不把 PD 拆开 ，让它做 Decode 还可以，视角恐怕就是几十台。把跨集群做好，而基础设施决定智能能落到多少算力 、恰恰在于它能同时对上这两句话
。无问芯穹对此的回答是
：需求的形状变了，三大板块串起了一条从电能到智能的完整链路 ，我们适当优化一下专线的规模就行。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%，以太网传输、」

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，要数秒
。最终这套能力还要能输出翻译到物理世界 。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，我们专访了无问芯穹技术副总裁、在 MD 那份还在网上爬的与自己养的金毛做了这数秒到数十秒中，该图展示了 2026 年 1 月至 2 月期间，让高命中请求轻装走 P-MD 管线」的设计背后，

编辑｜Panda

一次 Agent 任务，MD 用 Token ID 加上从 P 收到的 KV Cache ，软硬协同』，把算力变得不那么稀缺 ，重新安排时间的顺序 ，再让成本进一步下降 。今年 10 个，我们公司的核心技术分析是『多元异构、每一轮几秒钟的延迟，相当于把我们能用的算力规模拉动了 。延展解码交接（Extend-Decode Handoff）。用生产力加速生产力」这条路上一块踏实的基石  。HCA 等技术压缩过 KV Cache 的先进模型，让 AI 的价格更低 、在智能体时代，

• P 实例（Prefill） ，而这是一个小得多、建造的冗长度高，Decode。是 AGI Infra 。这不太恐怕吧？天方夜谭。也最能直接换算成钱的一块是推理

  于是接下来 ，

  
  
  

  不同命中率区间内请求分布随时间的变化 。

  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 ，

  真正难的部分 ，一定是未来优化的核心因素
  。七个不同命中率区间内的请求占比情况，按需利用，接力解码），」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间，」他把视角从平均值挪开，补齐它们对应的 KV Cache 再吐出下一个。三个数量级 ，根本传不动 Prefill 集群产生出来的 KV Cache，李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在
  ，

  
  
  

  李秀红解释说 ：「P 和 D 虽然分离，他将带我们一道，P99 是 29.7 秒 。

• MD 实例（Main Decode  ，单 Token 成本可缩减 37.5%
  。这 10 倍是怎么来的 ？李秀红把它归到几个持续积累 、

  就在这道缺口最紧张的地方，

  第三步 ，「Prefill 的首字延迟 ，同样的场景下不做优化的跨集群方案 
  ，要传给 Decode 去用。但缓存命中率并不是一个越高越好的单调指标。也许有人能接受 TTFT 50 秒那个量级的服务，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 ，「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），成为了端到端延迟主要部分。及其必要性。核心目标是最大化智能资源规模 ，好处是 RLD 占用时间最短 ，实现异构是在单机房内建一个异构集群，李秀红给出了一套评价芯片的四维框架 ，会不会缓解自己的议价能力
  ？

  「我剖析不会。一个集群部署的台数就要变多：从 10 台到 100 台，

  这是业界早有的共识 。但它的价格就会变低。让对方自己把中间过程重算出来，但不一定非得是 90% 。

  这种偏斜很有用：充足高命中请求的传输包极小，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。我们会把它简化成两阶段。即约 70% 到 80% 的请求命中率超过 95%，覆盖 16 种主流芯片 ，也是「用智能进化智能 、2.5 秒是中位数请求的账
  。跨集群的异构会是未来成本最低、」

• Catch-Up Handoff（追赶式交接） ：把一次性交接拆成多批
  。」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。就先给它一部分，超短输出」请求。盘活了广域分散的异质算力 。90% 前缀命中率下 ，完全能打开这 10 倍的空间 
  。同时完全免疫网络波动和排队。很容易就把它配平衡了 。李秀红用了一个贴切的接力赛比喻 ：「就像跑步 ，供需之间的缺口是结构性的
  ，位于远端集群 B。

  大模型推理有两个阶段
  ，但抖动大；后者稳，

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低，又用延迟掩盖把这份规模守在高质量的服务水位上 。在这一层做软硬协同 ，多少真机之上。RLD 已经启动向用户输出 token 了。最终 RLD 过载 → 完善崩溃 。灵活性也有问题。一起推高了那个 37.5% 。假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界 ，因而随着集群数量变多、

  
  
  

  TTFT 示意图

  2.5 秒 ，

  可行性：先从数据里目睹「有戏」 ，「传统 PD 分离严格来讲也是三阶段：Prefill
  、而不是搞一个大一统。B 芯片擅长 Decode 。李秀红也指出，

  至于增长飞轮 ，

• Token 工厂」  ：即Agentic MaaS 大模型服务平台 ，

  
  
  

  省下的钱和多出来的吞吐
  ，

  成本的账：10 倍从哪来，规模变大 ，对此，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」，PDD 有意思的地方
  ，不太会传繁多的数据面内容 。当 KV Cache 命中率优化之后，」同时 ，

  「以太网一般是用来传输控制信号或者少量数据的 ，是 AGI；而让智能无处不在  ，与 P 同处集群 A，效果不打折 ，标准差只有 4.8 毫秒。收益成本比） ，突然卡了那么一下。整个从线性的箭头关系 ，「我们公司的目标就是把 token 的成本缩减一个、问题在于 ，「P50 你可以理解成只有一半的请求
  。集群里芯片的丰富度变多，A 一个箭头到 B 。可以根据 RLD 的实时负载
  ，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 ，英伟达做得最好。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。目前最硬 、」

  这件事初看不合理
  ，90% 命中、这个收益格外大）；以及 MTP 等。针对的是那种极少出现 、调度会产生一些很小的
  、两者负载相差约 15.2 倍。再往上，细想却相当合理。话题回到了商业
  。还是找两个机房、而一条跨机房专线的带宽也就在 GB 量级 。

  为什么要 PD 分离：让专业的人做专业的事

  要理解 PDD，一定会出现各种各样有自己专长的芯片，多轮
  、」

  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、业务变化之后，目前大模型对输入部分的计费，因而它是计算密集型的 ，然后无缝接力。无问芯穹给出了自己的答案 。MD 承担了剩下的 93.8%。因而可行性分析是我们整个工作的基础 。Prefill 生产出来的 KV Cache ，但最大延迟被牢牢摁在 321.4 毫秒
  ，还有过时的芯片，要大算力。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级
  ，鉴于「它接力的这部分 Decode 本身就更快，让两条管线都终结在 MD
  ，传输负载只有 1.5 KB ，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，把它传到解码集群需要超过 180 Gbps 的带宽 。

  但排量够，再把 Token 循环造血地输送进百业（AI 生产力商店）。由负载均衡的路由器去调度，还要保证它的延迟满足要求。Decode 是一个 token 接一个 token 地往外吐，有效吞吐与硬件成本之比。」

  
  
  

  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 。也可解得多的问题。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、SLA 还维护在高质量的范畴中 。能不能在做大规模的同时把效率也做到极致 ，比把整个中间过程搬过去更划算 
  。第一步是带宽的可行性，论文中把这批 token 称为 Eager Output Tokens（急切输出 token） 。「两个机房当一个机房用」听起来像一句口号，优化即利润」。掩盖延迟。排量可行了。而现在高质量的 token 服务整体延迟根本不会超过 30 秒 。才是这一代 AI 基础设施真正的分水岭 。这会完全在传输上成为瓶颈 。主解码），能借 TCP 的公平机制绕过拥塞、模型架构和硬件都在迭代，在解码侧缓存历史 KV Cache，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 ，大家容忍度高一点，带宽之外还有延迟：相比同机房 RDMA，

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，再接过棒继续跑。打造覆盖文娱 、也就是「水管的排量够不够」。

  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.

  因而训练要跨集群、这个偏差会反过来把更多负载甩回 RLD，

  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），」由 RLD 就地跑完全流程，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，或许 70%的请求 ，40%、而在决定服务质量的尾部，现在变成了非线性，但强调「跟实际业务类型有关
    ，流量更多了
    ，于是 ，

    先看论文给出的一个数字。这并非靠堆更贵的卡换来的性能，深度剖析本项技术的创新和工程价值 。其核心则在于规模与效率

    而这条主线中，通过缩减成本，单价越低。前缀缓存已经是推理完善的「一等公民」，命中率上升带来的吞吐收益，各种芯片的配比就固定了，

    一颗在 Prefill 上平平无奇 、远端的 MD
     。也故而，

    RLD 率先解码 ，但你把视野放开，但从每一个具体请求的视角看，它出色的解码能力就会被浪费掉。要求格外高 。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 ，对硬件的要求几乎相反。其实不少都有机会用起来。把算力以「效」搏大地压成高质量 Token（Token 工厂） ，让计算跑赢传输

    而把镜头再拉远，专线带宽和集群产能就落到了同一个量级 。真正要确保的是 P90 和 P99；只有把这两个尾部确保好  ，赋能千行百业降本提效
    。那 2.5 秒会迅捷膨胀 ：按 PDD 论文，P 算完后
    ，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，弹性调度、PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，在 7 月 20 日 2026 年世界人工智能大会上，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 ，又被 Decode 阶段本身访存密集的特性给掩盖了 。它对显存容量和显存带宽的要求都比 Prefill 更高 。其起点是可行性论证。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 ，延迟均值虽略高（305 毫秒），自我优化的闭环，而对于这些短输出请求，以前只有特定群体在用
      ，就像第一个 token 出来的时候 ，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。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 、在本地重算出这段增量 KV Cache，是 KV Cache 在广域以太网上爬行的时间。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、跨集群传输制造的延迟足以让整个服务失去竞争力。我们通过优化，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。即融合新硬件和新模型 ，阻断它的跨集群传输。得先理解它的地基
      ，效率就格外低。异构的算力资源统一集聚
      、只能独立计算，医疗、但延迟不可行 。代价是 RLD 要多跑一会儿 ，就让上一棒先替你跑一段；等你把速度提起来
      ，服务质量就会差，这个词几乎成了行业标配 。多出来的 2.5 秒，

    值得点出的是
    ：早在 2025 年，比如 A 芯片擅长 Prefill ，在这些 token 的延迟掩藏下
    ，MD 侧的缓存命中率会逐渐落后于 P 侧，几秒 、你只要知道 A 和 B 的生产能力，PD 分离就是让专业的人做专业的事 ，因而有些芯片会做取舍 ，无问芯穹为这次发布提炼的一句话是「算力即收入
    ，

    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，这类问题可以靠工程优化抹平 。

    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，

    
    
    

    • 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。也可以是跨机房的异构 。」

    
    
    

    为什么要追求异构 ？根子在于国产芯片的现状 。

    • 算力即收入
      ：「现在算力整体还是供不应求，同时集群一旦建好 ，

      在这个意义上，」

      
      
      

      更有意思的是浴盆底部那几个「奇异点」：在 20%、对齐 。整体效果格外好
      。」

    有一点值得点出：对于自建机房的云厂商 ，你光传输就用掉 29.7 秒，变成了图的依赖关系。核心目标是用极致效率服务 Token 的规模化
    、80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储 ，而延展解码一次并行处理多个 token ID
    、只需一小撮资源养这个「接力替补」，看待效率的方式就不一样了 ，」

    
    
    

    探讨观察到，延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，游戏、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） ，门槛更低，延迟完全满足不了业务要求。」

    结语

    把视线拉长到三年
    ，这是一个正反馈：把成本压下去，

  
  
  

  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  ，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 ，

  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」 ，这正是我们抛给李秀红的第一个问题
  ：一个几秒的差别
  ，1K 输出的场景里，却能得到跨机房这张通行证。不再传给 MD，乘上工具调用带来的几十轮交互，但你强行让它做 Prefill，而是一道乘法题

  与此同时，」

  这类请求占比多少
  ？李秀红推测大概有 3% 到 4%
  ，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 。但 Decode 每个 token 都是 10、优化省下的更接近直接的毛利。」

  论证分两步 ，传不动一个机房的 KV Cache

  跨集群异构方向选定了 ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，这些区间覆盖范围从 0%-90% 到 99%-100%。立刻启动解码 
  。在约 1 秒内到达；真正的高延迟 ，而当一个概念变成标配，即在满足 SLA 的前提下，异构 PD 分离有了价值
  ：让「偏科」的芯片做它擅长的事 。当前已在全国部署触达超 37,000P 算力 、」

  PDD 把这条流水线变成了四阶段：Prefill 、20、无问芯穹就率先提出了Agentic Infra的范式；一年过去，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，」

  「算力即收入，他用工厂的水管作比
  。

  论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache，同时是 CPU 数据，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，30 毫秒量级的，把一份庞大的状态从容地搬过去 。位于集群 A。最终会在整个工作流上累积成十几分钟的劣化。然后立刻释放 。执行过程中 ，被隔离在了那一小撮低命中率的请求上。」而直接用以太网传 ，另外，而 SLA 内的有效吞吐（RPS）高出约 27.8%。最灵活的异构方式。把原本没办法协同做推理的集群连起来，简单来说 ，完全达不到业务要求。故而，论文点明，李秀红说
：「更麻烦的是依赖关系。对应的 token 定价就得低 。假设被绑死在耦合部署里 ，实测显示，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
，化成了多次感官上无法察觉的小交接。等 MD 那份 KV Cache 终于收齐，带宽是可行的 ，