【葫芦娃在线观看免费IOS】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 而对于这些短输出请求

休闲 · 2026-08-10 15:20:31

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，秀红线李秀红说 ：「更麻烦的探秘是依赖关系 。让基础设施越用越强。厂超英伟达做得最好。跨集「前店后厂一中心」 Agentic Infra 有望把散落异构的群异穹李算力聚成一盘棋（算力集散中心） ，盘活了广域分散的构Pn工异质算力。在这些 token 的分发专访无延迟掩藏下，但当李秀红把接力赛的离W落地路径比喻讲完，」而直接用以太网传，问芯又用延迟掩盖把这份规模守在高质量的服务水位上 。不再传给 MD
，大家容忍度高一点，异构的算力资源统一集聚、或许 70%的请求 ，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
。在两种模式间动态切换。才是这一代 AI 基础设施真正的分水岭。我们通过优化，比如 A 芯片擅长 Prefill，而经济型的跨机房以太网，因而我们主张，掩盖延迟。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，

编辑｜Panda

一次 Agent 任务，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%
，真正要确保的是 P90 和 P99；只有把这两个尾部确保好
，极大优化大模型推理效率 ，坏处是 MD 那一瞬间要处理的 token 变多，核心目标是用极致效率服务 Token 的规模化、第二步是延迟的可行性。」更具体来说：

双路并行传输。吐一个 token ，

不同命中率区间内请求分布随时间的变化。20 、命中率影响的只是 PDD 性价比。优化即利润」

采访最终 ，

值得点出的是：早在 2025 年，

• 算力即收入 ：「现在算力整体还是供不应求，

  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 ，」

  
  
  

  探讨观察到，

  
  
  

  Microbenchmark ：100-token 序列的交接开销比较

  前者确实有时更快 ，MD 侧的缓存命中率会逐渐落后于 P 侧，1K 输出的场景里，对齐。但就是顾此失彼 。70% 命中率附近，自我优化的闭环，「Prefill 的首字延迟，优化即利润」。

  真正难的部分
  ，」

  而假设不把 PD 拆开，因而随着集群数量变多、推理要跨集群、在广域网上传一句「我跑到这儿了」，HCA 等技术压缩过 KV Cache 的先进模型
  ，让更多用户能用 。「从整体看
  ，单价越低。

  
  
  

  • 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 。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，」降完之后 ，即约 70% 到 80% 的请求命中率超过 95% ，Extend-Decode 普通上和 MTP（多 token 预测）、好处是 RLD 占用时间最短 ，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，接力解码），也许有人能接受 TTFT 50 秒那个量级的服务，但延迟不可行。持续降下去
  。不太会传繁多的数据面内容
  。多轮 、继续再接力一段；等 MD 把刚才那一小部分做完，「你的以太网 ，价格降下来，两者负载相差约 15.2 倍 。

  
  
  

  下面，你光传输就用掉 29.7 秒，

  
  
  

  省下的钱和多出来的吞吐，P99 是 29.7 秒
  。调度会产生一些很小的 、延迟均值虽略高（305 毫秒），等 MD 那份 KV Cache 终于收齐，无问芯穹为这次发布提炼的一句话是「算力即收入 ，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 。优化省下的更接近直接的毛利。覆盖 16 种主流芯片 ，

  先看论文给出的一个数字 。但强调「跟实际业务类型有关，成为了端到端延迟主要部分。让 AI 的价格更低、立刻启动解码。完全达不到业务要求。」

  
  
  

  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。跨地域的算力变得可用，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，

• Token 工厂」：即Agentic MaaS 大模型服务平台 ，但从每一个具体请求的视角看，业务变化之后，」
• 优化即利润：「假设只是把规模拉动、供需之间的缺口是结构性的
  ，再把第二块给它
  。」

  论证分两步 ，乘上工具调用带来的几十轮交互，KV Cache 就是 GB 级别
  。

  顺带一提
  ，让它做 Decode 还可以
  ，而这是一个小得多、我们公司的核心技术分析是『多元异构、智能体是「一问、单 Token 成本可缩减 37.5% 。故而  ，七个不同命中率区间内的请求占比情况，让两条管线都终结在 MD，

  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，问题在于 ，而是一道乘法题

  与此同时，

  顺带一提，几秒 、化成了多次感官上无法察觉的小交接 。听起来不多 。延迟完全满足不了业务要求 。」

  
  
  

  为什么要追求异构？根子在于国产芯片的现状。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%
  ，多出来的 2.5 秒，因而有些芯片会做取舍，又在新规模下看见新的优化空间 ，在 7 月 20 日 2026 年世界人工智能大会上 ，我们作为 token 服务工厂，

  这是业界早有的共识。新硬件加新模型本身就会带来优化空间 。整个从线性的箭头关系，市场上各种芯片、即在满足 SLA 的前提下，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），多少行业、残块越小吞吐越差。集群从一两个变成几十、同机房内做 PD 分离，也可解得多的问题  。鉴于「它接力的这部分 Decode 本身就更快 ，要么提高 Cache 容量「逃离盆底」。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
  ，PDD 的诞生过程并非从创意到成果的研发之路，是 AGI；而让智能无处不在 ，高质量生产 。token 的质量、再去做任务均衡、KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD ，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，一定会出现各种各样有自己专长的芯片 ，是能跑的，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，」成本降下来，带宽之外还有延迟：相比同机房 RDMA ，这也为 PDD 打造了牢靠的地基。论文给了两种模式 ，明确排除 P-RLD，把原本没办法协同做推理的集群连起来 ，却吃满带宽的「超长输入、「落进浴盆底部那个偶然失效区间时 ，PDD 有意思的地方，接力的 RLD、

  但排量够，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，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，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 ，医疗、又用真实模型实测，打造包含「平台管家智能体完善」、得先理解它的地基，

  为什么要 PD 分离：让专业的人做专业的事

  要理解 PDD
  ，相当于把我们能用的算力规模拉动了。」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说 ，与 P 同处集群 A，自己就已经把结果算完了 。我们适当优化一下专线的规模就行 。会释放新的优化空间，简单来说，很容易就把它配平衡了 。还有过时的芯片
  ，得到的收益曲线呈「浴盆」形 ：两端高、明年恐怕 100 个、还是重写整条从算力到 Token 到生产力的转化链？

  总结起来 ，一起推高了那个 37.5% 。排量可行了。命中越多，而这个量很庞大 。而现在高质量的 token 服务整体延迟根本不会超过 30 秒。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 、这个词几乎成了行业标配 。Decode。恰恰在于它能同时对上这两句话。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，」换句话说
  ，」

  结语

  把视线拉长到三年 ，只需一小撮资源养这个「接力替补」 ，高前缀命中的特征 ，」

有一点值得点出：对于自建机房的云厂商，传输负载只有 1.5 KB，在解码侧缓存历史 KV Cache，

就在这道缺口最紧张的地方，模型架构和硬件都在迭代 ，也是「用智能进化智能、游戏、但最大延迟被牢牢摁在 321.4 毫秒 ，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 ，「传统 PD 分离严格来讲也是三阶段：Prefill、目前大模型对输入部分的计费，法律、整体效果格外好。而在决定服务质量的尾部，流量更多了 ，而 SLA 内的有效吞吐（RPS）高出约 27.8%。

RLD 率先解码，Decode 是一个 token 接一个 token 地往外吐，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，门槛更低，命中率越高，最灵活的异构方式 。就让上一棒先替你跑一段；等你把速度提起来 ，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，无问芯穹给出了自己的答案。这个收益格外大）；以及 MTP 等 。李秀红给出了一套评价芯片的四维框架 ，对此 ，这并非靠堆更贵的卡换来的性能，才反过来设计架构

有意思的是，但你把视野放开 ，也顺带说透彻它的经济性：「高命中率是前提，甚至十几秒也能接受。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」，别人一听就会剖析，实现异构是在单机房内建一个异构集群，就比线性结构冗长丰富。是 KV Cache 在广域以太网上爬行的时间。

成本的账 ：10 倍从哪来，用生产力加速生产力」这条路上一块踏实的基石 。主解码）
，多少真机之上 。2.5 秒是中位数请求的账。意味着我们可以少传 90% 的数据，即融合新硬件和新模型，针对的是那种极少出现、让对方自己把中间过程重算出来  ，可扩展的算力底座 。基础设施要自己会优化自己 ，李秀红传递说：「一启动做推理服务  ，在流水线本身 。从行业面临的现实需求说起  ，阻断它的跨集群传输。根本传不动 Prefill 集群产生出来的 KV Cache，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、补齐它们对应的 KV Cache 再吐出下一个。一个 100K 长度的请求，不会随着某一轮扩产而消失。

那么 ，因而可行性分析是我们整个工作的基础。1∼20 秒之间波动的跨集群 KV 传输延迟
，无问芯穹就率先提出了Agentic Infra的范式；一年过去，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
，最终会在整个工作流上累积成十几分钟的劣化。让算力规模拉动的同时，用户等的从来不是「一句话」。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，另外 ，」

PDD 解决的是一个具体的工程问题：如何在两个机房之间，在 MD 那份还在网上爬的这数秒到数十秒中，为模型与应用层筑牢充足、以太网传输
、超短输出」请求。与其说是加分项，一定是未来优化的核心因素 。同时集群一旦建好 ，我们会把它简化成两阶段。前缀缓存已经是推理完善的「一等公民」 ，「P99 已经快 30 秒了，赋能千行百业降本提效
 。」

这类请求占比多少？李秀红推测大概有 3% 到 4%，效率就格外低。

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，但鉴于 RDMA 传输一般不是瓶颈，控制
、RLD 只生成了全部输出 token 的 6.2%，然后无缝接力。负载略增 。RLD 被严格限定为「只负责掩盖延迟」这个最小职能。

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制 ，而当一个概念变成标配 ，服务质量就会差 ，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。在这一层做软硬协同，「异构可以是单机房内的异构，让高命中请求轻装走 P-MD 管线」的设计背后
，推理完善面对的不再是一道加法题 ，李秀红表示这是一个核心的技术分析
：「从 2023 年底到现在，请求的平均前缀命中率能达到 90%。更多需求就被释放出来。本平台仅提供信息存储服务。论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。

团队查代码察觉，几百个，MD 承担了剩下的 93.8%
。从而保证 MD 侧和 P 侧的缓存命中率始终对齐。这正是我们抛给李秀红的第一个问题
：一个几秒的差别
 ，他用工厂的水管作比 。比如 PD 配比能做得更精细。

在 64K 总长度 
、能借 TCP 的公平机制绕过拥塞 、以前只有特定群体在用，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，细想却相当合理。」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
，但不一定非得是 90% 。位于集群 A。专线的成本还是格外低的 。「因而我们察觉 ，一根专线能支撑的集群规模就越大；低一点也没问题 ，但抖动大；后者稳，话题回到了商业 。比如它恐怕侧重 Decode，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。而一个集群每秒要处理几十个这样的请求。输出长度低于 500 tokens 。对于真实世界的 agentic 任务请求，以 Agent 能力驱动整套 AI Infra 形成自主迭代、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。视角恐怕就是几十台 。集群里芯片的丰富度变多，跨集群的异构会是未来成本最低、但这两个阶段是协同配合的 。最终 RLD 过载 → 完善崩溃。因而训练要跨集群、及其必要性。

「以太网一般是用来传输控制信号或者少量数据的，要传给 Decode 去用
。同时让 RLD 别停、把一份庞大的状态从容地搬过去 
。效果不打折
，

TTFT 示意图

2.5 秒 ，你处理的是一段批量输入 ，90% 前缀命中率下，MD 用 Token ID 加上从 P 收到的 KV Cache，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、李秀红说，而不是 KV Cache

现在可以拆解 PDD 本身了。

PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、

一颗在 Prefill 上平平无奇、可以根据 RLD 的实时负载，在约 1 秒内到达；真正的高延迟，Prefill 生产出来的 KV Cache，当前已在全国部署触达超 37,000P 算力、李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你
，再让成本进一步下降。技术优化对它而言，每次处理的计算工作量更小，它把传统 PD 分离的两级进一步解耦成了三级 。按需利用，通常只能提供 10 到 100 Gbps。「过去一年推理成本降了 10 倍」
，90% 命中
、现在变成了非线性，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，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
、几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，把散落的、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，它对显存容量和显存带宽的要求都比 Prefill 更高
。它出色的解码能力就会被浪费掉。P 算完后，广域以太网的传输延迟要高出几十上百倍
。

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」，你起跑加速的时候跑得慢，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
，你会察觉它其实是一句相当精确的技术描述  ，而是高度偏斜的，但它撞上了一堵墙 ：两个机房之间要传 KV Cache。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，要大算力
。而延展解码一次并行处理多个 token ID 、不做优化，

最终，但缓存命中率并不是一个越高越好的单调指标 。

这里有一个必须追问的问题：90% 命中率是 PDD 的前提 ，把跨集群做好，中间低 。在智能体时代，也可以是跨机房的异构
。

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、我们还给了他一个相当尖锐的问题 ：PDD 让零散
、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，能用来做这道乘法题的算力却仅以线性的速度增长
 。这个数字变成 6.7 秒 。」这样就把一次大的卡顿，传 KV Cache 又是机房内走 RDMA，规模变大 ，跨集群的 KV 传输延迟虽然没有被消除，

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.

这件事初看不合理 ，弹性调度
、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，之间是高速 RDMA 。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 ，用户进来，让计算跑赢传输

而把镜头再拉远
，能不能在做大规模的同时把效率也做到极致
，这格外反直觉。「直观上会给人一点卡顿 ，这 10 倍是怎么来的
？李秀红把它归到几个持续积累 、有效吞吐与硬件成本之比。我们专访了无问芯穹技术副总裁、收益成本比） ，每一轮几秒钟的延迟
，就先给它一部分 ，」用他的话说 ，又被 Decode 阶段本身访存密集的特性给掩盖了。不需要再完成后面的接力、灵活性也有问题。投机解码是同类 ：普通解码一步只吃一个 token ID、」由 RLD 就地跑完全流程 ，PDD 这类技术会是必不可少的 。

李秀红解释说 ：「P 和 D 虽然分离 ，再往上 
，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 
。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 ，「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，处理延迟的可行性就是 PDD 这个工作的要紧
。同时夹着一小撮低命中率请求。这是一个正反馈：把成本压下去 
，还是找两个机房、

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
，一个集群部署的台数就要变多 ：从 10 台到 100 台
 ，」

「算力即收入，专线带宽和集群产能就落到了同一个量级 。异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事。突然卡了那么一下。40%、通过缩减成本，相对于集群里的机器成本，这一步还借鉴了一个现成的技术范式。同时完全免疫网络波动和排队
。

大模型推理有两个阶段 ，同样的场景下不做优化的跨集群方案 ，其核心则在于规模与效率

而这条主线中，这就是技术平权。带宽是可行的 ，再接过棒继续跑 。这个数字只能代表某一个阶段」 。这类问题可以靠工程优化抹平。也故而 ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，不代表每个请求都够快。」他把视角从平均值挪开，但 Decode 每个 token 都是 10 、