【zx香水】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 构Pn工zx香水衡量其他芯片

• 算力集散中心」
  ：即Agentic Infra 自主式基础设施平台
  ，这些区间覆盖范围从 0%-90% 到 99%-100%。这个收益格外大）；以及 MTP 等  。与 P 同处集群 A
  ，效率就格外低。是能跑的，HCA 等技术压缩过 KV Cache 的先进模型，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，但强调「跟实际业务类型有关，命中越多 ，价格降下来，真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，收益成本比），即融合新硬件和新模型 ，你会察觉它其实是一句相当精确的技术描述，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 ，远端的 MD 。模型架构和硬件都在迭代，PD 分离就是让专业的人做专业的事
  ，Extend-Decode 普通上和 MTP（多 token 预测）、就让上一棒先替你跑一段；等你把速度提起来，但它撞上了一堵墙：两个机房之间要传 KV Cache 。命中意味着这部分 KV Cache 无需重新传输
  。更多需求涌进来 。要数秒 。还是找两个机房、比如 PD 配比能做得更精细。及其必要性 。为什么值得专门去优化？

  「这其实是个格外核心的点。阻断它的跨集群传输。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
    ，李秀红也指出 ，优化省下的更接近直接的毛利
    。」降完之后，有效吞吐与硬件成本之比 。形成正反馈 ，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 。MD 承担了剩下的 93.8%。但不一定非得是 90%。「因而我们察觉 ，同样的场景下不做优化的跨集群方案，

    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，补齐它们对应的 KV Cache 再吐出下一个。而这个量很庞大。专线带宽和集群产能就落到了同一个量级  。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」 ，P 算完后，B 芯片擅长 Decode 。在流水线本身。PDD 只是无问芯穹这次 WAIC 发布里的一个切面。对这样一家公司，吞吐会突然掉下去。把算力变得不那么稀缺 ，这格外反直觉 。也可解得多的问题 。由负载均衡的路由器去调度 ，「你的以太网
    ，又在新规模下看见新的优化空间，

    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，

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、20
    、1000 个。才反过来设计架构

    有意思的是，Decode。但当李秀红把接力赛的比喻讲完，七个不同命中率区间内的请求占比情况，控制 、比如它恐怕侧重 Decode ，可以根据 RLD 的实时负载 ，「我们公司的目标就是把 token 的成本缩减一个 、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，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。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在 ，即在满足 SLA 的前提下，投机解码是同类：普通解码一步只吃一个 token ID 、我们公司的核心技术分析是『多元异构 、核心目标是用极致效率服务 Token 的规模化 
    、建造的冗长度高，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
    ，相当于把我们能用的算力规模拉动了。

    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），代价是 RLD 要多跑一会儿，

    那么，」

  有一点值得点出：对于自建机房的云厂商，现在变成了非线性
  ，无问芯穹为这次发布提炼的一句话是「算力即收入 ，一个 100K 长度的请求，一起推高了那个 37.5% 。优化即利润」。」

  结语

  把视线拉长到三年，三大板块串起了一条从电能到智能的完整链路，盘活了广域分散的异质算力。跨集群的 KV 传输延迟虽然没有被消除 ，

  这种偏斜很有用：充足高命中请求的传输包极小，

  
  
  

  • 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
  。「那就干脆在这儿直接中断 ，Prefill 生产出来的 KV Cache，两阶段时是线性的 ，同时是 CPU 数据，这也为 PDD 打造了牢靠的地基。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，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。把跨集群做好，最终会在整个工作流上累积成十几分钟的劣化。1∼20 秒之间波动的跨集群 KV 传输延迟，PDD 就像一根管道，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 、扬长避短。超短输出」请求。好处是 RLD 占用时间最短，把一份庞大的状态从容地搬过去。集群里芯片的丰富度变多 ，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，李秀红传递说 ：「一启动做推理服务，同时让 RLD 别停 、带着上文反复回来」。然后立刻释放。即约 70% 到 80% 的请求命中率超过 95%，用户进来 ，能不能在做大规模的同时把效率也做到极致，位于集群 A 。」

  这类请求占比多少？李秀红推测大概有 3% 到 4%，传不动一个机房的 KV Cache

  跨集群异构方向选定了，李秀红用了一个贴切的接力赛比喻
  ：「就像跑步，它对显存容量和显存带宽的要求都比 Prefill 更高。其核心则在于规模与效率

  而这条主线中 ，还有过时的芯片 ，整个从线性的箭头关系 ，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
  ，但延迟不可行。」由 RLD 就地跑完全流程 ，把算力以「效」搏大地压成高质量 Token（Token 工厂） ，「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，明年恐怕 100 个 、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，在本地重算出这段增量 KV Cache，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 ，

  顺带一提，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD ，为模型与应用层筑牢充足、又被 Decode 阶段本身访存密集的特性给掩盖了。不太会传繁多的数据面内容。延展解码交接（Extend-Decode Handoff）
  。在解码侧缓存历史 KV Cache，让对方自己把中间过程重算出来 ，整体传输量直接降了一个数量级 。每一轮几秒钟的延迟，更多需求就被释放出来。其起点是可行性论证 。

  RLD 率先解码，以前只有特定群体在用，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。让更多用户能用 。优化即利润」

  采访最终，命中率上升带来的吞吐收益 ，多出来的 2.5 秒 ，SLA 还维护在高质量的范畴中。一定会出现各种各样有自己专长的芯片，访存要求更高；同时随着任务变长，数据能传过去 ，跨地域的算力变得可用 ，当 KV Cache 命中率优化之后 ，意味着我们可以少传 90% 的数据
  ，

  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 ，大家容忍度高一点 ，而当一个概念变成标配 ，1K 输出的场景里，你只要知道 A 和 B 的生产能力 ，」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间
  ，RLD 只生成了全部输出 token 的 6.2% ，

  这是业界早有的共识。KV Cache 就是 GB 级别。执行过程中 ，

  • P 实例（Prefill） ，得先理解它的地基，在约 1 秒内到达；真正的高延迟，不再传给 MD ，成为了端到端延迟主要部分。「传统 PD 分离严格来讲也是三阶段：Prefill、让高命中请求轻装走 P-MD 管线」的设计背后 
    ，不需要再完成后面的接力、多轮、不如说是它的立身之本。」同时，请求的平均前缀命中率能达到 90%。智能体是「一问、」

    而假设不把 PD 拆开，几秒、从行业面临的现实需求说起，突然卡了那么一下。目前最硬、该技术负责人李秀红。不代表每个请求都够快 。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，

    李秀红解释了它的机制 
    ：这类请求 RLD 还没等 KV Cache 传完，在 Decode 上却远超基线的芯片，但你把视野放开 ，我们还给了他一个相当尖锐的问题：PDD 让零散、李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离 ，李秀红给出了一套评价芯片的四维框架
    ，」

    PDD 把这条流水线变成了四阶段：Prefill 、」

    这件事初看不合理
    ，输出长度低于 500 tokens。

    
    
    

    李秀红解释说：「P 和 D 虽然分离，重新安排时间的顺序，基础设施要自己会优化自己，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。就像第一个 token 出来的时候，只能独立计算，」

    也故而，别人一听就会剖析，「从整体看，中间低。这类问题可以靠工程优化抹平 。延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，恰恰在于它能同时对上这两句话。你起跑加速的时候跑得慢，流量更多了 ，

  • Token 工厂」：即Agentic MaaS 大模型服务平台，位于远端集群 B 。目前大模型对输入部分的计费，「芯片百花齐放是可预期的 ，而经济型的跨机房以太网
    ，基于解码阶段本就是访存密集，等 MD 那份 KV Cache 终于收齐，命中率影响的只是 PDD 性价比。」

    
    
    

    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，」

    
    
    

    跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

    换句话说 ，主解码），延迟完全满足不了业务要求。针对的是那种极少出现、

    
    
    

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

    前者确实有时更快，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，MD 用 Token ID 加上从 P 收到的 KV Cache ，第一步是带宽的可行性，整体效果格外好
    。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 。因而有些芯片会做取舍，然后无缝接力
    。

    编辑｜Panda

    一次 Agent 任务 ，以太网传输、会释放新的优化空间，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，能借 TCP 的公平机制绕过拥塞、门槛更低，最灵活的异构方式。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，MD 侧的缓存命中率会逐渐落后于 P 侧 ，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，单纯堆算力已经不够，就比线性结构冗长丰富。」

    论证分两步 ，

    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，也最能直接换算成钱的一块是推理

    于是接下来，赋能千行百业降本提效。也是「用智能进化智能、还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，高质量生产。Decode 是一个 token 接一个 token 地往外吐 ，

    这里有一个必须追问的问题 ：90% 命中率是 PDD 的前提 ，对此，英伟达做得最好。异构的算力资源统一集聚、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，按需利用
    ，要大算力  。标准差只有 4.8 毫秒 。A 一个箭头到 B。一根专线能支撑的集群规模就越大；低一点也没问题  ，技术优化对它而言 ，相对于集群里的机器成本 ，残块越小吞吐越差。甚至十几秒也能接受 。

    
    
    

    那么 ，

    一颗在 Prefill 上平平无奇 、」更具体来说 ：

    双路并行传输。在 7 月 20 日 2026 年世界人工智能大会上 ，PDD 有意思的地方，带宽之外还有延迟：相比同机房 RDMA
    ，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，也就是「水管的排量够不够」 。」

    
    
    

    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。你光传输就用掉 29.7 秒，」换句话说
    ，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，高前缀命中的特征 ，

  • RLD 实例（Relay Decode ，该图展示了 2026 年 1 月至 2 月期间 ，那 2.5 秒会迅捷膨胀：按 PDD 论文，要么提高 Cache 容量「逃离盆底」。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，接力的 RLD、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），调度会产生一些很小的、」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」：在 20%、前缀缓存已经是推理完善的「一等公民」，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事 。对齐。在广域网上传一句「我跑到这儿了」 ，却能得到跨机房这张通行证 。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 ，token 的质量
    、这是一个正反馈：把成本压下去，70% 命中率附近，最终这套能力还要能输出翻译到物理世界。因而随着集群数量变多、集群从一两个变成几十、但最大延迟被牢牢摁在 321.4 毫秒
    ，而在决定服务质量的尾部 ，它出色的解码能力就会被浪费掉。还是重写整条从算力到 Token 到生产力的转化链
    ？

    总结起来，PDD 的评价标准是 BCR（Benefit-Cost Ratio，但你强行让它做 Prefill，得到的收益曲线呈「浴盆」形 ：两端高、听起来不多 。而对于这些短输出请求，论文点明，李秀红解释说：「90% 的命中率，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，覆盖 16 种主流芯片，异构
    、这正是我们抛给李秀红的第一个问题：一个几秒的差别，极大优化大模型推理效率 ，再接过棒继续跑 。用户等的从来不是「一句话」。让算力规模拉动的同时，通常只能提供 10 到 100 Gbps。不做优化 ，而一个集群每秒要处理几十个这样的请求 。论文给了两种模式，

    
    
    

    不同命中率区间内请求分布随时间的变化
     。负载略增 。这会完全在传输上成为瓶颈。

  • AI 生产力商店」
    ：即Agentic Infra 行业解决方案，传输负载只有 1.5 KB，无问芯穹对此的回答是：需求的形状变了
    ，业务变化之后，」李秀红的回答落在了需求侧 ，把散落的、即 PD 分离
    ，完全达不到业务要求。

    成本的账：10 倍从哪来，这个偏差会反过来把更多负载甩回 RLD，把它传到解码集群需要超过 180 Gbps 的带宽。核心目标是最大化智能资源规模，实测显示，今年 10 个，就先给它一部分，「两个机房当一个机房用」听起来像一句口号 ，掩盖延迟 。而 SLA 内的有效吞吐（RPS）高出约 27.8%
    。各种芯片的配比就固定了，

    为什么要 PD 分离 ：让专业的人做专业的事

    要理解 PDD ，而不是搞一个大一统 。以 Agent 能力驱动整套 AI Infra 形成自主迭代
    、打造覆盖文娱 、根本传不动 Prefill 集群产生出来的 KV Cache，P99 是 29.7 秒。于是  ，游戏 、也故而，」

    「算力即收入 ，却吃满带宽的「超长输入 、也许有人能接受 TTFT 50 秒那个量级的服务，去找瓶颈 ，让它做 Decode 还可以，明确排除 P-RLD，一次 100-token 交接的负载是 4649 KB ，跨集群的异构会是未来成本最低 、

    在 64K 总长度、再让成本进一步下降。

    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」，

    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、

  
  
  

  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，

  就在这道缺口最紧张的地方 ，但是却丝毫不影响用户体验了。」

  
  
  

  探讨观察到，一个集群部署的台数就要变多：从 10 台到 100 台 ，继续再接力一段；等 MD 把刚才那一小部分做完，而这是一个小得多、但 Decode 每个 token 都是 10 、要传给 Decode 去用
  。自己就已经把结果算完了 。「两阶段的生产消费关系格外容易配平 ，每次处理的计算工作量更小
  ，吐一个 token ，

  大模型推理有两个阶段，几百个，是 AGI；而让智能无处不在 ，无问芯穹给出了自己的答案 。要求格外高
  。2.5 秒是中位数请求的账。在这些 token 的延迟掩藏下 ，

值得点出的是 ：早在 2025 年，「直观上会给人一点卡顿
，这不太恐怕吧？天方夜谭。同时完全免疫网络波动和排队。PDD 这类技术会是必不可少的。而是一道乘法题

与此同时 ，同机房内做 PD 分离，这 10 倍是怎么来的？李秀红把它归到几个持续积累、这多出来的计算量几乎不额外增强延迟。服务质量就会差 ，又用真实模型实测，我们就意识到需要用 PDD 把它们连起来、

真正难的部分 ，RDMA 传 KV Cache 、本平台仅提供信息存储服务。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，再往上 ，推理完善面对的不再是一道加法题，把原本没办法协同做推理的集群连起来，再把 Token 循环造血地输送进百业（AI 生产力商店）。假设被绑死在耦合部署里 ，它把传统 PD 分离的两级进一步解耦成了三级。完全能打开这 10 倍的空间。能用来做这道乘法题的算力却仅以线性的速度增长。之间是高速 RDMA。在这一层做软硬协同 ，同时集群一旦建好 ，再把第二块给它 。效果不打折，是 KV Cache 在广域以太网上爬行的时间。细想却相当合理 。而基础设施决定智能能落到多少算力、

第三步，三个数量级 ，我们主张这一下对 MD 的卡顿影响比较大，故而，很容易就把它配平衡了。李秀红说，专线的成本还是格外低的 。「过去一年推理成本降了 10 倍」，因而我们主张 ，李秀红说 ：「更麻烦的是依赖关系 。但这两个阶段是协同配合的。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，同一种琢磨方式的延伸。RLD 已经启动向用户输出 token 了
。」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 ，接力解码），90% 命中
、这一步还借鉴了一个现成的技术范式
。在两种模式间动态切换 。因而它是计算密集型的 ，对于真实世界的 agentic 任务请求，软硬协同』 ，而一条跨机房专线的带宽也就在 GB 量级
 。

至于增长飞轮，才谈得上是高质量的 token 服务 。」而直接用以太网传，原因是这些命中率下 ，

团队查代码察觉，当前已在全国部署触达超 37,000P 算力
 、」成本降下来，我们会把它简化成两阶段
。我们作为 token 服务工厂 ，看待效率的方式就不一样了，但从每一个具体请求的视角看，坏处是 MD 那一瞬间要处理的 token 变多 ，

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.