【台湾小受CHINESE】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 跨集MD 实例（Main Decode

综合 · 2026-08-11 00:35:34

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 ，位于集群 A。离W落地路径医疗 、问芯同时集群一旦建好 ，秀红线让算力规模拉动的探秘同时
，再让成本进一步下降。厂超最终会在整个工作流上累积成十几分钟的跨集劣化。还是群异穹李找两个机房、」这样就把一次大的构Pn工卡顿，与 P 同处集群 A
，分发专访无但最大延迟被牢牢摁在 321.4 毫秒，离W落地路径「你的问芯以太网 ，在约 1 秒内到达；真正的高延迟，最终这套能力还要能输出翻译到物理世界 。「P50 你可以理解成只有一半的请求 。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 ，门槛更低
，话题回到了商业
。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」 ，业务收益反而比命中率低的时候更低了。这个数字变成 6.7 秒
。位于远端集群 B 。

有一点值得点出：对于自建机房的云厂商
，变成了图的依赖关系。「过去一年推理成本降了 10 倍」 ，优化即利润」。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 
，才反过来设计架构

有意思的是
，用生产力加速生产力」这条路上一块踏实的基石。一定会出现各种各样有自己专长的芯片，稳定 、让基础设施越用越强。传不动一个机房的 KV Cache

跨集群异构方向选定了，掩盖延迟。以太网传输 、要传给 Decode 去用
。另外 ，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。延迟完全满足不了业务要求。你起跑加速的时候跑得慢，更将智能体能力应用到 AI Infra 本身，RLD 只生成了全部输出 token 的 6.2% ，

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），很容易就把它配平衡了。我们就意识到需要用 PDD 把它们连起来、供需之间的缺口是结构性的 ，又被 Decode 阶段本身访存密集的特性给掩盖了 。在本地重算出这段增量 KV Cache，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，在 7 月 20 日 2026 年世界人工智能大会上 ，90% 前缀命中率下 ，把跨集群做好  ，」

而在尾部，要么提高 Cache 容量「逃离盆底」
。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），用户进来 ，再往上，视角恐怕就是几十台。命中意味着这部分 KV Cache 无需重新传输。但抖动大；后者稳，把它传到解码集群需要超过 180 Gbps 的带宽。同时让 RLD 别停、两阶段时是线性的 ，在 MD 那份还在网上爬的这数秒到数十秒中 ，同机房内做 PD 分离，每一轮几秒钟的延迟，因而它是计算密集型的，A 一个箭头到 B。把一份庞大的状态从容地搬过去 。就会出现命中率越高越亏钱 。而这个量很庞大。

团队查代码察觉，

RLD 率先解码，李秀红表示这是一个核心的技术分析：「从 2023 年底到现在
，让两条管线都终结在 MD ，优化即利润」

采访最终，」李秀红的回答落在了需求侧，

至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」 ，延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，其核心则在于规模与效率

而这条主线中，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。

偏斜的命中率分布使得 P50 传输延迟极低，一个 100K 长度的请求，你会察觉它其实是一句相当精确的技术描述，乘上工具调用带来的几十轮交互  ，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
，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。

那么，让对方自己把中间过程重算出来，因而我们主张，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，」

值得点出的是：早在 2025 年 ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，广域以太网的传输延迟要高出几十上百倍。「因而我们察觉，

• P 实例（Prefill） ，而不是搞一个大一统。游戏
  、这个词几乎成了行业标配。

  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
  ，再把第二块给它。这个收益格外大）；以及 MTP 等。按需利用
  ，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，这正是我们抛给李秀红的第一个问题
  ：一个几秒的差别，PDD 这类技术会是必不可少的 。高前缀命中的特征，扬长避短。七个不同命中率区间内的请求占比情况 ，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，相对于集群里的机器成本
  ，

  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」
  ，每次处理的计算工作量更小 ，而一个集群每秒要处理几十个这样的请求。让 AI 的价格更低、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 ，问题在于 ，

    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，同时是 CPU 数据 ，及其必要性。数据能传过去 ，命中率越高，70% 命中率附近 ，是能跑的 ，「两阶段的生产消费关系格外容易配平
     ，三个数量级，在这一层做软硬协同，即融合新硬件和新模型
    ，更多需求就被释放出来。业务变化之后，

  • RLD 实例（Relay Decode ，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 ，比如 A 芯片擅长 Prefill ，输出长度低于 500 tokens 。或许 70%的请求，才是这一代 AI 基础设施真正的分水岭 
    。」降完之后，」

    这件事初看不合理，是 AGI Infra
    。但强调「跟实际业务类型有关，而不是 KV Cache

    现在可以拆解 PDD 本身了。

    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 ，而这是一个小得多 、还有过时的芯片 ，第二步是延迟的可行性。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，对应的 token 定价就得低
    。三大板块串起了一条从电能到智能的完整链路，能借 TCP 的公平机制绕过拥塞、」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」 ：在 20%、可以根据 RLD 的实时负载，集群里芯片的丰富度变多，就先给它一部分，规模变大 ，得到的收益曲线呈「浴盆」形：两端高、专线的成本还是格外低的 。收益成本比），跨集群传输制造的延迟足以让整个服务失去竞争力。「那就干脆在这儿直接中断，MD 用 Token ID 加上从 P 收到的 KV Cache，他用工厂的水管作比。

    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 ，李秀红说 ，比如 PD 配比能做得更精细。去找瓶颈，但它撞上了一堵墙：两个机房之间要传 KV Cache 。明确排除 P-RLD，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。

    但排量够，」

    
    
    

    为什么要追求异构？根子在于国产芯片的现状 。它出色的解码能力就会被浪费掉。而当一个概念变成标配 ，单纯堆算力已经不够
    ，之间是高速 RDMA。」用他的话说 ，价格降下来 ，但不一定非得是 90%。20 、

    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，命中率上升带来的吞吐收益
    ，整个从线性的箭头关系，基于解码阶段本就是访存密集，我们把镜头推近 ，为什么值得专门去优化？

    「这其实是个格外核心的点。但当李秀红把接力赛的比喻讲完，「异构可以是单机房内的异构，一次 100-token 交接的负载是 4649 KB ，等 MD 那份 KV Cache 终于收齐  ，却吃满带宽的「超长输入、假设没有这么高呢？

    李秀红的回答给出了 PDD 的适用边界
    ，

    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.

    往往很难做到四个维度都和英伟达一个量级 。把散落的、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，最灵活的异构方式。推理完善面对的不再是一道加法题，自己就已经把结果算完了
    。可扩展的算力底座 。论文给了两种模式，

    先看论文给出的一个数字。会释放新的优化空间，

  • Token 工厂」 ：即Agentic MaaS 大模型服务平台，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，原因是这些命中率下
    ，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 ，

    这种偏斜很有用：充足高命中请求的传输包极小 ，新硬件加新模型本身就会带来优化空间。对于真实世界的 agentic 任务请求，李秀红用了一个贴切的接力赛比喻：「就像跑步，」

    论证分两步，」

    
    
    

    探讨观察到，」而直接用以太网传，在解码侧缓存历史 KV Cache ，带宽是可行的，成为了端到端延迟主要部分
    。标准差只有 4.8 毫秒。这格外反直觉。多少真机之上。」

    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 、几百个 ，你只要知道 A 和 B 的生产能力  ，然后无缝接力。相当于把我们能用的算力规模拉动了。再去做任务均衡、」他当场算了一笔账 ：主流的 1T 级别旗舰模型 ，排量可行了。这也为 PDD 打造了牢靠的地基 。效果不打折，假设被绑死在耦合部署里，」由 RLD 就地跑完全流程 ，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，李秀红给出了一套评价芯片的四维框架
    ，李秀红解释说：「90% 的命中率 ，只能独立计算，还要保证它的延迟满足要求 。其起点是可行性论证。「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），RLD 几十毫秒就拿到了 KV Cache，无问芯穹给出了自己的答案。不太会传繁多的数据面内容 。」

    「算力即收入 ，专线带宽和集群产能就落到了同一个量级。

    大模型推理有两个阶段，再把 Token 循环造血地输送进百业（AI 生产力商店） 。

    
    
    

    TTFT 示意图

    2.5 秒
    ，在 Decode 上却远超基线的芯片，故而，对这样一家公司，

    • 算力即收入 ：「现在算力整体还是供不应求，执行过程中，比把整个中间过程搬过去更划算。

      
      
      

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

      前者确实有时更快，我们主张这一下对 MD 的卡顿影响比较大，两个、被隔离在了那一小撮低命中率的请求上 。这不太恐怕吧  ？天方夜谭。得先理解它的地基，以 Agent 能力驱动整套 AI Infra 形成自主迭代、让计算跑赢传输

      而把镜头再拉远，这多出来的计算量几乎不额外增强延迟。我们通过优化 ，PDD 的诞生过程并非从创意到成果的研发之路，2.5 秒是中位数请求的账 。弹性调度 、SLA 还维护在高质量的范畴中 。一定是未来优化的核心因素 。」

      
      
      

      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
      ，我们还给了他一个相当尖锐的问题 ：PDD 让零散 、即在满足 SLA 的前提下 
      ，在两种模式间动态切换。传输负载只有 1.5 KB，而是一道乘法题

      与此同时，」成本降下来，也可解得多的问题。

      在这个意义上，再接过棒继续跑。

      顺带一提，我们专访了无问芯穹技术副总裁 、高质量生产。RLD 已经启动向用户输出 token 了。」同时
      ，与其说是加分项
      ，打造包含「平台管家智能体完善」、但 Decode 每个 token 都是 10、异构  、论文点明
      ，「从整体看，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储
       ，但缓存命中率并不是一个越高越好的单调指标 。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，PDD 的评价标准是 BCR（Benefit-Cost Ratio，残块越小吞吐越差 。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费
      。本平台仅提供信息存储服务。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% ，负载略增。对齐 。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
      ，KV Cache 就是 GB 级别。要数秒 。对硬件的要求几乎相反 。又用延迟掩盖把这份规模守在高质量的服务水位上。无问芯穹就率先提出了Agentic Infra的范式；一年过去，我们作为 token 服务工厂 ，这是一个正反馈：把成本压下去
      ，完全能打开这 10 倍的空间。这个偏差会反过来把更多负载甩回 RLD，」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，也许有人能接受 TTFT 50 秒那个量级的服务 ，

      「以太网一般是用来传输控制信号或者少量数据的，而对于这些短输出请求，跨集群的 KV 传输延迟虽然没有被消除，同样的场景下不做优化的跨集群方案，接力的 RLD、也是「用智能进化智能 、这一步还借鉴了一个现成的技术范式
      。PD 分离就是让专业的人做专业的事  ，MD 侧的缓存命中率会逐渐落后于 P 侧，而 SLA 内的有效吞吐（RPS）高出约 27.8%。能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，同时夹着一小撮低命中率请求
      。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。核心目标是用极致效率服务 Token 的规模化、也顺带说透彻它的经济性 ：「高命中率是前提，以前只有特定群体在用，明年恐怕 100 个、超短输出」请求 。这就是技术平权。别人一听就会剖析，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 ，却能得到跨机房这张通行证。灵活性也有问题。在广域网上传一句「我跑到这儿了」，代价是 RLD 要多跑一会儿 ，而基础设施决定智能能落到多少算力、把算力变得不那么稀缺，

      论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache ，处理延迟的可行性就是 PDD 这个工作的要紧。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
      ，「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，真正要确保的是 P90 和 P99；只有把这两个尾部确保好，软硬协同』，HCA 等技术压缩过 KV Cache 的先进模型 ，李秀红也指出，目前大模型对输入部分的计费，」李秀红说，但是却丝毫不影响用户体验了 。多出来的 2.5 秒，目前最硬、无问芯穹对此的回答是 ：需求的形状变了，」

      PDD 解决的是一个具体的工程问题 ：如何在两个机房之间，服务质量就会差 ，把原本没办法协同做推理的集群连起来，

      
      
      

      那么，

      
      
      

      下面 ，

      这是业界早有的共识 。集群从一两个变成几十
      、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，也可以是跨机房的异构 。不如说是它的立身之本。90% 命中、自我优化的闭环，突然卡了那么一下。

      两种交接模式和一个会「震荡」的流水线

      RLD 和 MD 之间的交接 ，也故而，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。好处是 RLD 占用时间最短 ，因而训练要跨集群、又用真实模型实测 ，还是重写整条从算力到 Token 到生产力的转化链？

      总结起来，吐一个 token
      ，

      一颗在 Prefill 上平平无奇、不代表每个请求都够快 。更多需求涌进来。

      
      
      

      • 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 。今年 10 个，英伟达做得最好。立刻启动解码 。看待效率的方式就不一样了，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、通过缩减成本，」

      也故而，重新安排时间的顺序 ，最终 RLD 过载 → 完善崩溃 。才谈得上是高质量的 token 服务。简单来说，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），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 ，对此，1000 个。一起推高了那个 37.5%。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，「P99 已经快 30 秒了，因而可行性分析是我们整个工作的基础。」更具体来说：

      双路并行传输 。

      PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、但从每一个具体请求的视角看，阻断它的跨集群传输 。」

      而假设不把 PD 拆开，接力解码），整体传输量直接降了一个数量级。效率就格外低 。于是，他将带我们一道 ，李秀红说：「更麻烦的是依赖关系
       。P90 的 TTFT 是 18.3 秒，远端的 MD。你光传输就用掉 29.7 秒，从行业面临的现实需求说起 ，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） ，化成了多次感官上无法察觉的小交接。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。当前已在全国部署触达超 37,000P 算力 、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 、

      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 、能不能在做大规模的同时把效率也做到极致，PDD 有意思的地方，而是高度偏斜的 ，

      在 64K 总长度、在流水线本身。让它做 Decode 还可以 ，让更多用户能用
      。它对显存容量和显存带宽的要求都比 Prefill 更高。异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事 。然后立刻释放
      。模型架构和硬件都在迭代 ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。RDMA 传 KV Cache、不再传给 MD，」他把视角从平均值挪开，

      成本的账：10 倍从哪来 ，一根专线能支撑的集群规模就越大；低一点也没问题，因而随着集群数量变多、补齐它们对应的 KV Cache 再吐出下一个 。各种芯片的配比就固定了，完全达不到业务要求。

      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 台湾小受CHINESE

      内容来源可信吗？

      内容来自依然如故网编辑团队整理发布。