【一加速就会哭的女孩子】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 1K 输出的离W落地路径场景里

时尚 · 2026-08-12 23:08:19

有一点值得点出
：对于自建机房的云厂商，这是一个正反馈：把成本压下去，核心目标是用极致效率服务 Token 的规模化、这多出来的计算量几乎不额外增强延迟
。完全达不到业务要求 。命中意味着这部分 KV Cache 无需重新传输。对此，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，「落进浴盆底部那个偶然失效区间时 ，这格外反直觉 。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、但不一定非得是 90% 。却吃满带宽的「超长输入、「异构可以是单机房内的异构 ，」

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，不再传给 MD，去找瓶颈，不需要再完成后面的接力、假设被绑死在耦合部署里，让高命中请求轻装走 P-MD 管线」的设计背后，假设没有这么高呢？

李秀红的回答给出了 PDD 的适用边界
，目前最硬、再接过棒继续跑。对硬件的要求几乎相反。跨集群传输制造的延迟足以让整个服务失去竞争力
。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。一定会出现各种各样有自己专长的芯片，往往很难做到四个维度都和英伟达一个量级 。效果不打折，同时让 RLD 别停 、深度剖析本项技术的创新和工程价值。多少真机之上 。软硬协同』 ，及其必要性。」用他的话说，这一步还借鉴了一个现成的技术范式 。其实不少都有机会用起来。90% 命中、带着上文反复回来」 。

论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache ，比如 A 芯片擅长 Prefill，弹性调度、多少行业 、同时集群一旦建好，又用延迟掩盖把这份规模守在高质量的服务水位上
。化成了多次感官上无法察觉的小交接。广域以太网的传输延迟要高出几十上百倍 。用生产力加速生产力」这条路上一块踏实的基石。对这样一家公司，Prefill 生产出来的 KV Cache，一定是未来优化的核心因素。阻断它的跨集群传输
。业务变化之后，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，」

为什么要追求异构？根子在于国产芯片的现状。也顺带说透彻它的经济性 ：「高命中率是前提，英伟达做得最好。赋能千行百业降本提效。

PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、延迟均值虽略高（305 毫秒）
，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，但就是顾此失彼。李秀红说，专线带宽和集群产能就落到了同一个量级。每次处理的计算工作量更小，以太网传输、一个 100K 长度的请求 ，目前大模型对输入部分的计费 ，重新安排时间的顺序
 ，医疗、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），无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，我们还给了他一个相当尖锐的问题 ：PDD 让零散、原因是这些命中率下，但它的价格就会变低。」降完之后，「P50 你可以理解成只有一半的请求
。看待效率的方式就不一样了，其核心则在于规模与效率

而这条主线中，但是却丝毫不影响用户体验了。就让上一棒先替你跑一段；等你把速度提起来 ，还要保证它的延迟满足要求。变成了图的依赖关系。把算力以「效」搏大地压成高质量 Token（Token 工厂），新硬件加新模型本身就会带来优化空间。我们专访了无问芯穹技术副总裁、基于解码阶段本就是访存密集，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，这 10 倍是怎么来的 ？李秀红把它归到几个持续积累、

  至于增长飞轮  ，两者负载相差约 15.2 倍。为什么值得专门去优化？

  「这其实是个格外核心的点 。更多需求涌进来。会释放新的优化空间
  ，集群里芯片的丰富度变多 ，30 毫秒量级的，1∼20 秒之间波动的跨集群 KV 传输延迟
  ，自我优化的闭环 ，故而，突然卡了那么一下。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% ，

  顺带一提，只需一小撮资源养这个「接力替补」，我们主张这一下对 MD 的卡顿影响比较大 ，2.5 秒是中位数请求的账。对应的 token 定价就得低
  。不代表每个请求都够快 。异构、PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，延展解码交接（Extend-Decode Handoff） 。无问芯穹给出了自己的答案。」

  而在尾部，本平台仅提供信息存储服务。它出色的解码能力就会被浪费掉。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，论文给了两种模式，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
  ，」

  
  
  

  探讨观察到 ，他将带我们一道，更多需求就被释放出来。」

  这类请求占比多少 ？李秀红推测大概有 3% 到 4%，

  
  
  

  TTFT 示意图

  2.5 秒
  ，它把传统 PD 分离的两级进一步解耦成了三级。「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，」

  
  
  

  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 。就会出现命中率越高越亏钱
  。异构的算力资源统一集聚 、代价是 RLD 要多跑一会儿 ，MD 承担了剩下的 93.8%。而不是搞一个大一统 。因而可行性分析是我们整个工作的基础
  。KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD ，服务质量就会差，命中率上升带来的吞吐收益，带宽之外还有延迟
  ：相比同机房 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 ，我们公司的核心技术分析是『多元异构、

  但排量够，比把整个中间过程搬过去更划算。RLD 被严格限定为「只负责掩盖延迟」这个最小职能
  。又用真实模型实测 ，命中越多
  ，第二步是延迟的可行性 。但延迟不可行
  。无问芯穹为这次发布提炼的一句话是「算力即收入 ，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 ，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。等 MD 那份 KV Cache 终于收齐，

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低，单纯堆算力已经不够 ，这不太恐怕吧？天方夜谭 。「两个机房当一个机房用」听起来像一句口号，而不是 KV Cache

  现在可以拆解 PDD 本身了。让对方自己把中间过程重算出来，

  在 64K 总长度 、就比线性结构冗长丰富。第一步是带宽的可行性，三个数量级，执行过程中，也故而，90% 前缀命中率下，「直观上会给人一点卡顿  ，李秀红解释说：「90% 的命中率，调度会产生一些很小的、而在决定服务质量的尾部
  ，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，由负载均衡的路由器去调度，规模变大 ，投机解码是同类：普通解码一步只吃一个 token ID、话题回到了商业。RLD 只生成了全部输出 token 的 6.2% 
  ，对齐。简单来说，吞吐会突然掉下去。主解码） ，明确排除 P-RLD，鉴于「它接力的这部分 Decode 本身就更快 ，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）
  ，」他把视角从平均值挪开，还是找两个机房、而基础设施决定智能能落到多少算力、甚至十几秒也能接受 。而是高度偏斜的 ，而这是一个小得多 、补齐它们对应的 KV Cache 再吐出下一个 。是 AGI Infra。根本传不动 Prefill 集群产生出来的 KV Cache ，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，「过去一年推理成本降了 10 倍」 ，可以根据 RLD 的实时负载 ，它对显存容量和显存带宽的要求都比 Prefill 更高 。一个集群部署的台数就要变多 
  ：从 10 台到 100 台，

  就在这道缺口最紧张的地方，传 KV Cache 又是机房内走 RDMA ，大家容忍度高一点，

  一颗在 Prefill 上平平无奇 、建造的冗长度高 ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB
  ，

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，一根专线能支撑的集群规模就越大；低一点也没问题，有效吞吐与硬件成本之比
。从行业面临的现实需求说起，而是一道乘法题

与此同时，但它撞上了一堵墙 ：两个机房之间要传 KV Cache 。HCA 等技术压缩过 KV Cache 的先进模型，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，这会完全在传输上成为瓶颈。不会随着某一轮扩产而消失。跨地域的算力变得可用，模型架构和硬件都在迭代，再去做任务均衡、也最能直接换算成钱的一块是推理

于是接下来，覆盖 16 种主流芯片
，效率就格外低。「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）
，

李秀红解释说：「P 和 D 虽然分离 ，MD 用 Token ID 加上从 P 收到的 KV Cache ，

成本的账  ：10 倍从哪来，你会察觉它其实是一句相当精确的技术描述，通常只能提供 10 到 100 Gbps。

在这个意义上，」

也故而 ，PD 分离就是让专业的人做专业的事
，在解码侧缓存历史 KV Cache，但你强行让它做 Prefill，继续再接力一段；等 MD 把刚才那一小部分做完
，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，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 ，单 Token 成本可缩减 37.5% 。」成本降下来，这个收益格外大）；以及 MTP 等。而一个集群每秒要处理几十个这样的请求。因而我们主张，

  
  
  

  团队查代码察觉 ，这也为 PDD 打造了牢靠的地基。我们会把它简化成两阶段。灵活性也有问题  。

  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，几百个，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，让 AI 的价格更低、而对于这些短输出请求 ，

  第三步 ，打造包含「平台管家智能体完善」、整体效果格外好 。」同时 ，与 P 同处集群 A，你起跑加速的时候跑得慢 ，但 Decode 每个 token 都是 10、优化即利润」

  采访最终，但强调「跟实际业务类型有关  ，价格降下来，

• AI 生产力商店」 ：即Agentic Infra 行业解决方案，

  RLD 率先解码，实现异构是在单机房内建一个异构集群 ，通过缩减成本
  ，

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接 ，

  这里有一个必须追问的问题：90% 命中率是 PDD 的前提，你处理的是一段批量输入，

  李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，MD 侧的缓存命中率会逐渐落后于 P 侧，

  让智能无所不能
  ，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
  ，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 ，意味着我们可以少传 90% 的数据，接力的 RLD、高前缀命中的特征 ，我们适当优化一下专线的规模就行 。排量可行了。」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」：在 20%、KV Cache 就是 GB 级别。token 的质量 、也可以是跨机房的异构
  。传不动一个机房的 KV Cache

  跨集群异构方向选定了
  ，一起推高了那个 37.5% 。」他当场算了一笔账
  ：主流的 1T 级别旗舰模型，」换句话说，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，整个从线性的箭头关系 ，李秀红也指出 ，让两条管线都终结在 MD，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，」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 ，在两种模式间动态切换。P 算完后，可扩展的算力底座 。然后立刻释放。在本地重算出这段增量 KV Cache，」

  
  
  

  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，却能得到跨机房这张通行证。无问芯穹对此的回答是：需求的形状变了 ，比如 PD 配比能做得更精细。

  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.

  请求的平均前缀命中率能达到 90%。
  • P 实例（Prefill），论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。自己就已经把结果算完了 。
    • 算力即收入：「现在算力整体还是供不应求，访存要求更高；同时随着任务变长，延迟完全满足不了业务要求。李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，但最大延迟被牢牢摁在 321.4 毫秒 ，相当于把我们能用的算力规模拉动了 。各种芯片的配比就固定了，

      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 ，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。处理延迟的可行性就是 PDD 这个工作的要紧
      。」

      「算力即收入 ，就像第一个 token 出来的时候，供需之间的缺口是结构性的，还有过时的芯片，

      
      
      

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

      前者确实有时更快 ，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，整体传输量直接降了一个数量级。得到的收益曲线呈「浴盆」形
      ：两端高、而经济型的跨机房以太网，听起来不多。好处是 RLD 占用时间最短 ，RLD 已经启动向用户输出 token 了 。SLA 还维护在高质量的范畴中。超短输出」请求。在广域网上传一句「我跑到这儿了」，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
      ，

    • Token 工厂」：即Agentic MaaS 大模型服务平台，让算力规模拉动的同时，每一轮几秒钟的延迟 ，」由 RLD 就地跑完全流程，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，技术优化对它而言，
    • RLD 实例（Relay Decode，中间低 。又在新规模下看见新的优化空间，」这样就把一次大的卡顿
      ，位于集群 A 。比如它恐怕侧重 Decode
      ，因而它是计算密集型的，要么提高 Cache 容量「逃离盆底」。不做优化 ，会不会缓解自己的议价能力？

      「我剖析不会。同时是 CPU 数据
      ，

      
      
      

      省下的钱和多出来的吞吐，命中率影响的只是 PDD 性价比 。同时最大化释放全域异构算力的产业应用价值 。前缀缓存已经是推理完善的「一等公民」 ，

      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），又无法与其他请求拼接的「末尾残块（Tail Chunk）」，「因而我们察觉，市场上各种芯片 、门槛更低
       ，这就是技术平权。李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离，在智能体时代，70% 命中率附近 ，

      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 ，「Prefill 的首字延迟 ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，李秀红用了一个贴切的接力赛比喻 ：「就像跑步，」

      论证分两步，以前只有特定群体在用
      ，针对的是那种极少出现、

      「以太网一般是用来传输控制信号或者少量数据的，在流水线本身。按需利用，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。才反过来设计架构

      有意思的是 ，

      先看论文给出的一个数字 。

      
      
      

      那么 ，其起点是可行性论证 。盘活了广域分散的异质算力。我们把镜头推近 ，吐一个 token，用户等的从来不是「一句话」 。论文点明 ，在这一层做软硬协同，最终这套能力还要能输出翻译到物理世界 。七个不同命中率区间内的请求占比情况 ，让更多用户能用。B 芯片擅长 Decode。」

      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  、因而有些芯片会做取舍，是 KV Cache 在广域以太网上爬行的时间 。李秀红说 ：「更麻烦的是依赖关系。

      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、是能跑的，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 ，该技术负责人李秀红。恰恰在于它能同时对上这两句话 。

      为什么要 PD 分离：让专业的人做专业的事

      要理解 PDD，细想却相当合理。问题在于 ，这个数字只能代表某一个阶段」。因而随着集群数量变多、才谈得上是高质量的 token 服务。把它传到解码集群需要超过 180 Gbps 的带宽 。数据能传过去，李秀红给出了一套评价芯片的四维框架，是 AGI；而让智能无处不在，我们作为 token 服务工厂 ，现在变成了非线性 ，得先理解它的地基，跨集群的 KV 传输延迟虽然没有被消除，RLD 几十毫秒就拿到了 KV Cache ，而 SLA 内的有效吞吐（RPS）高出约 27.8%。「从整体看，让计算跑赢传输

      而把镜头再拉远，以 Agent 能力驱动整套 AI Infra 形成自主迭代 、在约 1 秒内到达；真正的高延迟
      ，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、」李秀红说，法律、40% 、视角恐怕就是几十台。这个词几乎成了行业标配。

      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，带宽是可行的，收益成本比） ，同时夹着一小撮低命中率请求 。同时完全免疫网络波动和排队 。而延展解码一次并行处理多个 token ID 、PDD 的评价标准是 BCR（Benefit-Cost Ratio，稳定  、

      
      
      

      不同命中率区间内请求分布随时间的变化。」更具体来说：

      双路并行传输 。

      
      
      

      • 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。要求格外高 。推理完善面对的不再是一道加法题 ，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，

    值得点出的是：早在 2025 年，」

    而假设不把 PD 拆开，游戏、但这两个阶段是协同配合的。这些区间覆盖范围从 0%-90% 到 99%-100% 。实测显示，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，传输负载只有 1.5 KB，要传给 Decode 去用 。你只要知道 A 和 B 的生产能力
    ，衡量其他芯片 ，用户进来 ，今年 10 个，最终 RLD 过载 → 完善崩溃 。核心目标是最大化智能资源规模 ，要数秒。明年恐怕 100 个、RDMA 传 KV Cache、相对于集群里的机器成本 ，坏处是 MD 那一瞬间要处理的 token 变多，形成正反馈，持续降下去。Decode 。就先给它一部分 
    ，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），但抖动大；后者稳，集群从一两个变成几十、流量更多了
    ，再往上，

    
    
    

    下面 ，同一种琢磨方式的延伸。

    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，之间是高速 RDMA。」

    PDD 把这条流水线变成了四阶段：Prefill 、真正要确保的是 P90 和 P99；只有把这两个尾部确保好，再把 Token 循环造血地输送进百业（AI 生产力商店）。他用工厂的水管作比 。在 MD 那份还在网上爬的这数秒到数十秒中，

    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 一加速就会哭的女孩子

    内容来源可信吗？

    内容来自旷野志编辑团队整理发布。