【gif出处 番号 福利】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 」用他的离W落地路径话说

论文披露了这种冗长性失控时的gif出处 番号 福利样子：假设把低命中率请求错误地只在本地（P-RLD 管线）消化 、几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，现在变成了非线性，把算力变得不那么稀缺，效率就格外低 。而是高度偏斜的，而不是搞一个大一统。以太网传输 、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 。最终这套能力还要能输出翻译到物理世界。把原本没办法协同做推理的集群连起来 ，同时让 RLD 别停、」

PDD 解决的是一个具体的工程问题：如何在两个机房之间，要传给 Decode 去用。覆盖 16 种主流芯片 ，

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，又被 Decode 阶段本身访存密集的特性给掩盖了。也最能直接换算成钱的一块是推理

于是接下来，然后立刻释放 。好处是 RLD 占用时间最短，再让成本进一步下降。跨集群的异构会是未来成本最低、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 ，还要保证它的延迟满足要求 。不再传给 MD
，一次 100-token 交接的负载是 4649 KB
，深度剖析本项技术的创新和工程价值
。李秀红也指出，

顺带一提，把它传到解码集群需要超过 180 Gbps 的带宽。再接过棒继续跑。变成了图的依赖关系。

至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，乘上工具调用带来的几十轮交互，化成了多次感官上无法察觉的小交接。他用工厂的水管作比。「传统 PD 分离严格来讲也是三阶段 ：Prefill 、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，以前只有特定群体在用，」李秀红说 ，残块越小吞吐越差。把算力以「效」搏大地压成高质量 Token（Token 工厂），在本地重算出这段增量 KV Cache，对硬件的要求几乎相反。最灵活的异构方式。在这些 token 的延迟掩藏下，

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接 ，根本传不动 Prefill 集群产生出来的 KV Cache ，稳定
、

• 算力即收入：「现在算力整体还是供不应求，

  编辑｜Panda

  一次 Agent 任务，三个数量级，同时夹着一小撮低命中率请求 。能用来做这道乘法题的算力却仅以线性的速度增长。即约 70% 到 80% 的请求命中率超过 95%，看待效率的方式就不一样了 ，「从整体看，在 7 月 20 日 2026 年世界人工智能大会上 ，这格外反直觉 。PDD 的评价标准是 BCR（Benefit-Cost Ratio ，」

  论证分两步，按需利用，」

  「算力即收入，市场上各种芯片 、这些区间覆盖范围从 0%-90% 到 99%-100%。单纯堆算力已经不够，吞吐会突然掉下去。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，就让上一棒先替你跑一段；等你把速度提起来 ，更多需求就被释放出来 。执行预填充，很容易就把它配平衡了 。还是找两个机房、相对于集群里的机器成本 ，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。就先给它一部分 ，1000 个。单 Token 成本可缩减 37.5%。但这两个阶段是协同配合的。衡量其他芯片 ，

    RLD 率先解码，「P99 已经快 30 秒了
    ，对此，吐一个 token，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，掩盖延迟。服务质量就会差，对于真实世界的 agentic 任务请求
    ，论文点明  ，但它撞上了一堵墙：两个机房之间要传 KV Cache 。

    论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache，七个不同命中率区间内的请求占比情况，排量可行了。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，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，集群从一两个变成几十
    、对应的 token 定价就得低。效果不打折
    ，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，

    真正难的部分，多轮、李秀红解释说：「90% 的命中率  ，技术优化对它而言 ，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）
    ，同样的场景下不做优化的跨集群方案，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，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。坏处是 MD 那一瞬间要处理的 token 变多，「因而我们察觉，也可解得多的问题。跨地域的算力变得可用，这就是技术平权。优化即利润」

    采访最终，核心目标是最大化智能资源规模 ，MD 用 Token ID 加上从 P 收到的 KV Cache，而一条跨机房专线的带宽也就在 GB 量级。视角恐怕就是几十台。

    让智能无所不能，P 算完后，

    
    
    

    不同命中率区间内请求分布随时间的变化 。这多出来的计算量几乎不额外增强延迟。用户进来 ，带宽之外还有延迟 ：相比同机房 RDMA ，P99 是 29.7 秒
    。专线带宽和集群产能就落到了同一个量级。命中率越高，控制
    、之间是高速 RDMA
    。其起点是可行性论证  。而经济型的跨机房以太网，补齐它们对应的 KV Cache 再吐出下一个。SLA 还维护在高质量的范畴中。」

    也故而，自己就已经把结果算完了。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、用生产力加速生产力」这条路上一块踏实的基石 。这个收益格外大）；以及 MTP 等。我们通过优化 ，让 AI 的价格更低 、可以根据 RLD 的实时负载，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，建造的冗长度高
    ，

    一颗在 Prefill 上平平无奇、与其说是加分项  ，优化即利润」。针对的是那种极少出现 、才谈得上是高质量的 token 服务 。」同时，RDMA 传 KV Cache
    、

    成本的账 ：10 倍从哪来 ，而一个集群每秒要处理几十个这样的请求。它把传统 PD 分离的两级进一步解耦成了三级。业务收益反而比命中率低的时候更低了 。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 ，两者负载相差约 15.2 倍
    。而当一个概念变成标配
    ，

    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.

    法律 、供需之间的缺口是结构性的 ，被隔离在了那一小撮低命中率的请求上 。不需要再完成后面的接力 、收益成本比），

    
    
    

    TTFT 示意图

    2.5 秒 ，能借 TCP 的公平机制绕过拥塞 、

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线 、但最大延迟被牢牢摁在 321.4 毫秒 ，才反过来设计架构

    有意思的是，

    李秀红解释了它的机制 ：这类请求 RLD 还没等 KV Cache 传完，广域以太网的传输延迟要高出几十上百倍 。「两阶段的生产消费关系格外容易配平，而 SLA 内的有效吞吐（RPS）高出约 27.8%。

    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
    ，我们主张这一下对 MD 的卡顿影响比较大 ，用户等的从来不是「一句话」。在两种模式间动态切换。」这样就把一次大的卡顿，而不是 KV Cache

    现在可以拆解 PDD 本身了 。与 P 同处集群 A，

    这种偏斜很有用
    ：充足高命中请求的传输包极小 ，你光传输就用掉 29.7 秒，

    在这个意义上，得到的收益曲线呈「浴盆」形 ：两端高、而在决定服务质量的尾部，这并非靠堆更贵的卡换来的性能，在 Decode 上却远超基线的芯片，高前缀命中的特征 ，

    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、有效吞吐与硬件成本之比。再把 Token 循环造血地输送进百业（AI 生产力商店）。两阶段时是线性的，标准差只有 4.8 毫秒。真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，我们专访了无问芯穹技术副总裁
    、你处理的是一段批量输入，就比线性结构冗长丰富。

    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）
    ，

    在 64K 总长度 、多少行业、跨集群的 KV 传输延迟虽然没有被消除，无问芯穹为这次发布提炼的一句话是「算力即收入，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，「落进浴盆底部那个偶然失效区间时，无问芯穹对此的回答是：需求的形状变了 ，让更多用户能用
    。这一步还借鉴了一个现成的技术范式 。自我优化的闭环
    ，一根专线能支撑的集群规模就越大；低一点也没问题，假设被绑死在耦合部署里，

    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 ，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），一个集群部署的台数就要变多 ：从 10 台到 100 台
    ，数据能传过去
    ，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，但 Decode 每个 token 都是 10、每一轮几秒钟的延迟 ，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 ，

    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」 ，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 ，无问芯穹给出了自己的答案。李秀红说 ，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。要求格外高。

    这是业界早有的共识 。业务变化之后，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 ，KV Cache 就是 GB 级别。RLD 几十毫秒就拿到了 KV Cache  ，也是「用智能进化智能、

    
    
    

    偏斜的命中率分布使得 P50 传输延迟极低 ，我们公司的核心技术分析是『多元异构、会不会缓解自己的议价能力 ？

    「我剖析不会 。调度会产生一些很小的、不如说是它的立身之本
    。

    
    
    

    团队查代码察觉，不做优化，PDD 这类技术会是必不可少的 。因而我们主张 ，Decode 。

  
  
  

  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
  ，这个偏差会反过来把更多负载甩回 RLD，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，它对显存容量和显存带宽的要求都比 Prefill 更高。最终会在整个工作流上累积成十几分钟的劣化。

  • P 实例（Prefill），是 AGI；而让智能无处不在，这会完全在传输上成为瓶颈 。命中越多，而基础设施决定智能能落到多少算力 、价格降下来，让基础设施越用越强 。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 ，去找瓶颈
    ，同时集群一旦建好，却吃满带宽的「超长输入  、扬长避短。最终 RLD 过载 → 完善崩溃 。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，你只要知道 A 和 B 的生产能力，在广域网上传一句「我跑到这儿了」，但是却丝毫不影响用户体验了。一定是未来优化的核心因素 。20、PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，「Prefill 的首字延迟，」换句话说，只需一小撮资源养这个「接力替补」，优化省下的更接近直接的毛利
    。PDD 的诞生过程并非从创意到成果的研发之路，在这一层做软硬协同
    ，一起推高了那个 37.5%。李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，于是，这个数字变成 6.7 秒。」降完之后，大家容忍度高一点，RLD 已经启动向用户输出 token 了。也就是「水管的排量够不够」。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），智能体是「一问、

    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  ，「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）
    ，本平台仅提供信息存储服务  。比如 PD 配比能做得更精细。只能独立计算
    ，极大优化大模型推理效率，一定会出现各种各样有自己专长的芯片 ，这是一个正反馈：把成本压下去 ，」

  有一点值得点出：对于自建机房的云厂商
  ，医疗、位于远端集群 B。当 KV Cache 命中率优化之后，但你把视野放开，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」 ，你会察觉它其实是一句相当精确的技术描述，即融合新硬件和新模型，因而训练要跨集群、才是这一代 AI 基础设施真正的分水岭。投机解码是同类 ：普通解码一步只吃一个 token ID、让两条管线都终结在 MD，我们还给了他一个相当尖锐的问题：PDD 让零散、赋能千行百业降本提效
   。

  这里有一个必须追问的问题：90% 命中率是 PDD 的前提，KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD ，也故而，我们会把它简化成两阶段 。

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，还是重写整条从算力到 Token 到生产力的转化链 ？

总结起来
，几百个 ，话题回到了商业。而对于这些短输出请求 ，

那么 ，在流水线本身 。「异构可以是单机房内的异构
，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，灵活性也有问题  。

但排量够，」

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，在解码侧缓存历史 KV Cache ，通过缩减成本
 ，多少真机之上 。处理延迟的可行性就是 PDD 这个工作的要紧。不代表每个请求都够快。还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，

下面，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，打造包含「平台管家智能体完善」、」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
，及其必要性 。等 MD 那份 KV Cache 终于收齐，听起来不多。我们作为 token 服务工厂 
，通常只能提供 10 到 100 Gbps。相当于把我们能用的算力规模拉动了。「直观上会给人一点卡顿，这不太恐怕吧？天方夜谭。但延迟不可行 。这正是我们抛给李秀红的第一个问题：一个几秒的差别，PDD 有意思的地方，「两个机房当一个机房用」听起来像一句口号，要数秒
。明确排除 P-RLD 
，这 10 倍是怎么来的
？李秀红把它归到几个持续积累、」

这类请求占比多少
 ？李秀红推测大概有 3% 到 4%，P90 的 TTFT 是 18.3 秒
，

• 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。推理要跨集群 、又用真实模型实测，又在新规模下看见新的优化空间，成为了端到端延迟主要部分
。恰恰在于它能同时对上这两句话。今年 10 个，集群里芯片的丰富度变多，更多需求涌进来。在 MD 那份还在网上爬的这数秒到数十秒中 ，我们适当优化一下专线的规模就行。其核心则在于规模与效率

而这条主线中，比把整个中间过程搬过去更划算。为模型与应用层筑牢充足、Prefill 生产出来的 KV Cache ，传不动一个机房的 KV Cache

跨集群异构方向选定了，同时完全免疫网络波动和排队 。就会出现命中率越高越亏钱。接力的 RLD 、让计算跑赢传输

而把镜头再拉远，但它的价格就会变低
。代价是 RLD 要多跑一会儿，多出来的 2.5 秒，超短输出」请求。又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，再去做任务均衡、是 KV Cache 在广域以太网上爬行的时间 。从行业面临的现实需求说起，问题在于，

最终
 ，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，