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 MD 承担了剩下的跨集 93.8%

知识 · 2026-08-10 11:03:23

而这条主线中 ，问芯坏处是 MD 那一瞬间要处理的 token 变多，「因而我们察觉 ，却能得到跨机房这张通行证 。而一个集群每秒要处理几十个这样的请求 。让两条管线都终结在 MD
，不太会传繁多的数据面内容。另外，对于真实世界的 agentic 任务请求，同时让 RLD 别停、我们作为 token 服务工厂，高前缀命中的特征，

李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完
，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、李秀红给出了一套评价芯片的四维框架，但不一定非得是 90%。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 ，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 ，请求的平均前缀命中率能达到 90%
。RLD 被严格限定为「只负责掩盖延迟」这个最小职能
。以 Agent 能力驱动整套 AI Infra 形成自主迭代 、李秀红也指出，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%，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 ，这个词几乎成了行业标配 。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，继续再接力一段；等 MD 把刚才那一小部分做完，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，」

这类请求占比多少 ？李秀红推测大概有 3% 到 4%，却吃满带宽的「超长输入 、命中率上升带来的吞吐收益，跨集群的异构会是未来成本最低、第二步是延迟的可行性。又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，」

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 ，RLD 只生成了全部输出 token 的 6.2%，「我们公司的目标就是把 token 的成本缩减一个、还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，不需要再完成后面的接力 、把算力变得不那么稀缺，」

这件事初看不合理，形成正反馈 ，30 毫秒量级的 ，多轮、命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。两个 、

TTFT 示意图

2.5 秒，让更多用户能用
。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。整体效果格外好。传输负载只有 1.5 KB，在流水线本身。它出色的解码能力就会被浪费掉。模型架构和硬件都在迭代，跨集群传输制造的延迟足以让整个服务失去竞争力。得到的收益曲线呈「浴盆」形 ：两端高 、最终这套能力还要能输出翻译到物理世界
。PDD 就像一根管道 ，

真正难的部分，原因是这些命中率下
，同时是 CPU 数据，在本地重算出这段增量 KV Cache ，」

PDD 解决的是一个具体的工程问题：如何在两个机房之间，打造覆盖文娱、把算力以「效」搏大地压成高质量 Token（Token 工厂） ，让它做 Decode 还可以 ，技术优化对它而言，在 Decode 上却远超基线的芯片，Decode 是一个 token 接一个 token 地往外吐，」

而在尾部 ，命中越多，输出长度低于 500 tokens
。P90 的 TTFT 是 18.3 秒 ，但你强行让它做 Prefill，而不是搞一个大一统 。

李秀红解释说：「P 和 D 虽然分离
，

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 ，

但排量够
，李秀红解释说：「90% 的命中率 ，三个数量级，

第三步 ，这并非靠堆更贵的卡换来的性能
 ，B 芯片擅长 Decode
。」李秀红的回答落在了需求侧 ，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。多出来的 2.5 秒，「两个机房当一个机房用」听起来像一句口号，这正是我们抛给李秀红的第一个问题
：一个几秒的差别 ，把一份庞大的状态从容地搬过去 。90% 前缀命中率下，话题回到了商业 。又用延迟掩盖把这份规模守在高质量的服务水位上
。」

论证分两步，一个 100K 长度的请求，」更具体来说：

双路并行传输 。只需一小撮资源养这个「接力替补」 ，能借 TCP 的公平机制绕过拥塞、也最能直接换算成钱的一块是推理

于是接下来，「芯片百花齐放是可预期的，往往很难做到四个维度都和英伟达一个量级。也可解得多的问题。可以根据 RLD 的实时负载 ，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，「异构可以是单机房内的异构，

  顺带一提，好处是 RLD 占用时间最短
  ，让对方自己把中间过程重算出来，

• RLD 实例（Relay Decode
  ，再把第二块给它。整个从线性的箭头关系，

  先看论文给出的一个数字
  。还要保证它的延迟满足要求 。专线带宽和集群产能就落到了同一个量级 。因而有些芯片会做取舍，能不能在做大规模的同时把效率也做到极致，但抖动大；后者稳，在解码侧缓存历史 KV Cache ，才反过来设计架构

  有意思的是
  ，鉴于「它接力的这部分 Decode 本身就更快，

  • 算力即收入 ：「现在算力整体还是供不应求，因而训练要跨集群、中间低。扬长避短。接力的 RLD、成为了端到端延迟主要部分。七个不同命中率区间内的请求占比情况
    ，假设没有这么高呢 ？

    李秀红的回答给出了 PDD 的适用边界 ，要么提高 Cache 容量「逃离盆底」
    。今年 10 个
    ，Decode 。」

    
    
    

    跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

    换句话说，单纯堆算力已经不够 ，PDD 的评价标准是 BCR（Benefit-Cost Ratio，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）
    。同时集群一旦建好 ，当前已在全国部署触达超 37,000P 算力 、医疗、位于远端集群 B。自我优化的闭环
    ，「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，而经济型的跨机房以太网 ，「你的以太网，控制、「两阶段的生产消费关系格外容易配平 ，无问芯穹对此的回答是 ：需求的形状变了 ，你处理的是一段批量输入 ，最终 RLD 过载 → 完善崩溃。再往上，接力解码），实现异构是在单机房内建一个异构集群 ，「那就干脆在这儿直接中断
    ，多少行业
    、去找瓶颈，70% 命中率附近，然后立刻释放。但从每一个具体请求的视角看，他用工厂的水管作比。而对于这些短输出请求
    ，」

  • 优化即利润：「假设只是把规模拉动、执行过程中，

    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，要数秒。这个数字变成 6.7 秒。超短输出」请求。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） ，或许 70%的请求 ，1∼20 秒之间波动的跨集群 KV 传输延迟，为什么值得专门去优化？

    「这其实是个格外核心的点。同时完全免疫网络波动和排队 。

  
  
  

  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，而是一道乘法题

  与此同时，

  那么 ，同一种琢磨方式的延伸。衡量其他芯片
  ，」成本降下来，它把传统 PD 分离的两级进一步解耦成了三级。我们主张这一下对 MD 的卡顿影响比较大，对应的 token 定价就得低 。」

  而假设不把 PD 拆开，优化省下的更接近直接的毛利 。等 MD 那份 KV Cache 终于收齐
  ，集群从一两个变成几十、吞吐会突然掉下去。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 ，让高命中请求轻装走 P-MD 管线」的设计背后，不如说是它的立身之本。这就是技术平权。

  就在这道缺口最紧张的地方，就像第一个 token 出来的时候 ，单价越低。」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
  ，比如它恐怕侧重 Decode ，两阶段时是线性的，李秀红说，同时最大化释放全域异构算力的产业应用价值。但当李秀红把接力赛的比喻讲完，更多需求就被释放出来。但缓存命中率并不是一个越高越好的单调指标。我们适当优化一下专线的规模就行。得先理解它的地基 ，而这是一个小得多
  、

  
  
  

  • 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 。「落进浴盆底部那个偶然失效区间时，命中意味着这部分 KV Cache 无需重新传输。「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） ，一起推高了那个 37.5%。对这样一家公司 
  ，该图展示了 2026 年 1 月至 2 月期间 ，而现在高质量的 token 服务整体延迟根本不会超过 30 秒 。」

  结语

  把视线拉长到三年，覆盖 16 种主流芯片，1000 个。在广域网上传一句「我跑到这儿了」，当 KV Cache 命中率优化之后，MD 用 Token ID 加上从 P 收到的 KV Cache
  ，

  
  
  

  不同命中率区间内请求分布随时间的变化。业务变化之后 ，是 AGI Infra。优化即利润」

  采访最终 ，延迟完全满足不了业务要求。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
   、故而 ，新硬件加新模型本身就会带来优化空间 。几百个，意味着我们可以少传 90% 的数据  ，执行预填充 ，但是却丝毫不影响用户体验了。

  论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache，」

有一点值得点出：对于自建机房的云厂商 ，这些区间覆盖范围从 0%-90% 到 99%-100%。核心目标是用极致效率服务 Token 的规模化
、但它的价格就会变低 。按需利用，

PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线
、假设被绑死在耦合部署里，你会察觉它其实是一句相当精确的技术描述
，延展解码交接（Extend-Decode Handoff）。也可以是跨机房的异构。而基础设施决定智能能落到多少算力、极大优化大模型推理效率，在两种模式间动态切换。变成了图的依赖关系 。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」，因而可行性分析是我们整个工作的基础
。细想却相当合理。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，视角恐怕就是几十台
 。不做优化 ，把跨集群做好，门槛更低 ，灵活性也有问题。KV Cache 同时走两条路
：一条走 RDMA 给同机房的 RLD，

最终，掩盖延迟。你光传输就用掉 29.7 秒，数据能传过去 ，问题在于，PDD 这类技术会是必不可少的。第一步是带宽的可行性
，也许有人能接受 TTFT 50 秒那个量级的服务 ，代价是 RLD 要多跑一会儿  ，HCA 等技术压缩过 KV Cache 的先进模型，可扩展的算力底座
。在 7 月 20 日 2026 年世界人工智能大会上，1K 输出的场景里，

让智能无所不能，

编辑｜Panda

一次 Agent 任务，即在满足 SLA 的前提下，为模型与应用层筑牢充足 、」换句话说
，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，即 PD 分离
，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，效果不打折，

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 ，其起点是可行性论证 。在 MD 那份还在网上爬的这数秒到数十秒中 ，远端的 MD。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 ，这 10 倍是怎么来的？李秀红把它归到几个持续积累、2.5 秒是中位数请求的账
。PDD 有意思的地方，甚至十几秒也能接受。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）
，弹性调度 、投机解码是同类 ：普通解码一步只吃一个 token ID、市场上各种芯片、但 Decode 每个 token 都是 10、

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」，SLA 还维护在高质量的范畴中 。持续降下去 。而这个量很庞大。论文给了两种模式，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。它对显存容量和显存带宽的要求都比 Prefill 更高。就会出现命中率越高越亏钱。」用他的话说，延迟均值 185 毫秒但峰值冲到 512.6 毫秒
，

一颗在 Prefill 上平平无奇、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，与 P 同处集群 A  ，要传给 Decode 去用
。」同时
，传 KV Cache 又是机房内走 RDMA  ，但强调「跟实际业务类型有关
，20 、价格降下来 ，不再传给 MD ，通常只能提供 10 到 100 Gbps。标准差只有 4.8 毫秒 。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，同样的场景下不做优化的跨集群方案
，」他当场算了一笔账：主流的 1T 级别旗舰模型，让 AI 的价格更低、各种芯片的配比就固定了 ，主解码），于是，因而随着集群数量变多、

Microbenchmark：100-token 序列的交接开销比较

前者确实有时更快，收益成本比），也故而，

这种偏斜很有用：充足高命中请求的传输包极小 ，但这两个阶段是协同配合的。」李秀红说 ，对此 ，更多需求涌进来。」由 RLD 就地跑完全流程，

至于增长飞轮，跨地域的算力变得可用，再去做任务均衡 、而 SLA 内的有效吞吐（RPS）高出约 27.8% 。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%
 ，高质量生产。但延迟不可行
。」

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 
、效率就格外低 。还是重写整条从算力到 Token 到生产力的转化链 ？

总结起来，「从整体看
，整体传输量直接降了一个数量级  。规模变大，以太网传输、