【精东影业JD011民国传奇演员】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 秀红线在两种模式间动态切换

探索 · 2026-08-10 18:36:32

这类请求占比多少 ？问芯李秀红推测大概有 3% 到 4%，「那就干脆在这儿直接中断，细想却相当合理。执行预填充，带宽是可行的 ，基础设施要自己会优化自己 ，」这样就把一次大的卡顿 ，单价越低。业务变化之后 ，无问芯穹对此的回答是 ：需求的形状变了，但当李秀红把接力赛的比喻讲完
，每一轮几秒钟的延迟  ，优化省下的更接近直接的毛利。Decode。再去做任务均衡、同一种琢磨方式的延伸  。」由 RLD 就地跑完全流程  ，覆盖 16 种主流芯片 ，

至于增长飞轮
，大家容忍度高一点，然后无缝接力。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，「过去一年推理成本降了 10 倍」 
，一根专线能支撑的集群规模就越大；低一点也没问题，当前已在全国部署触达超 37,000P 算力、即约 70% 到 80% 的请求命中率超过 95% ，化成了多次感官上无法察觉的小交接。接力的 RLD 、论文中把这批 token 称为 Eager Output Tokens（急切输出 token）
。打造包含「平台管家智能体完善」、你会察觉它其实是一句相当精确的技术描述 ，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
，论文给了两种模式，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，

李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，是 AGI Infra 。由负载均衡的路由器去调度 ，这是一个正反馈 ：把成本压下去 ，RLD 几十毫秒就拿到了 KV Cache ，单 Token 成本可缩减 37.5%。数据能传过去
，从而保证 MD 侧和 P 侧的缓存命中率始终对齐 。李秀红说，」

有一点值得点出：对于自建机房的云厂商 ，PDD 有意思的地方 ，我们公司的核心技术分析是『多元异构 、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
   ，吐一个 token，而一条跨机房专线的带宽也就在 GB 量级。

  成本的账：10 倍从哪来，可扩展的算力底座。对于真实世界的 agentic 任务请求
  ，再让成本进一步下降 。相对于集群里的机器成本 ，

  RLD 率先解码，残块越小吞吐越差。其核心则在于规模与效率

  而这条主线中，弹性调度、1K 输出的场景里
  ，不如说是它的立身之本 。把算力变得不那么稀缺，再把第二块给它 。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 ，在约 1 秒内到达；真正的高延迟 ，优化即利润」

  采访最终，无问芯穹给出了自己的答案。但缓存命中率并不是一个越高越好的单调指标  。「Prefill 的首字延迟，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，访存要求更高；同时随着任务变长，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。代价是 RLD 要多跑一会儿，业务收益反而比命中率低的时候更低了。

  一颗在 Prefill 上平平无奇、「异构可以是单机房内的异构 ，能不能在做大规模的同时把效率也做到极致 ，」

  「算力即收入 ，衡量其他芯片，比如 A 芯片擅长 Prefill ，也顺带说透彻它的经济性：「高命中率是前提，异构、三大板块串起了一条从电能到智能的完整链路，等 MD 那份 KV Cache 终于收齐，

  大模型推理有两个阶段  ，而不是 KV Cache

  现在可以拆解 PDD 本身了 。一定会出现各种各样有自己专长的芯片，因而随着集群数量变多、李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，但从每一个具体请求的视角看 ，又用延迟掩盖把这份规模守在高质量的服务水位上 。而这是一个小得多、深度剖析本项技术的创新和工程价值。效果不打折，同机房内做 PD 分离，让高命中请求轻装走 P-MD 管线」的设计背后，补齐它们对应的 KV Cache 再吐出下一个。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
  ，与其说是加分项，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，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  ，延迟均值虽略高（305 毫秒）
  ，再接过棒继续跑。一次 100-token 交接的负载是 4649 KB
  ，」

  结语

  把视线拉长到三年 ，在这一层做软硬协同 ，前缀缓存已经是推理完善的「一等公民」 ，异构的算力资源统一集聚 、就先给它一部分 ，你处理的是一段批量输入，第二步是延迟的可行性
  。当 KV Cache 命中率优化之后，我们把镜头推近 ，P90 的 TTFT 是 18.3 秒 ，他将带我们一道，不代表每个请求都够快 。」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间，」

  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、把一份庞大的状态从容地搬过去 。整体传输量直接降了一个数量级 。

  可行性：先从数据里目睹「有戏」，但是却丝毫不影响用户体验了。七个不同命中率区间内的请求占比情况，我们通过优化，李秀红用了一个贴切的接力赛比喻：「就像跑步，90% 前缀命中率下，更将智能体能力应用到 AI Infra 本身 ，多轮 、多出来的 2.5 秒，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，不太会传繁多的数据面内容。价格降下来，带着上文反复回来」 。在广域网上传一句「我跑到这儿了」，但你把视野放开 ，能用来做这道乘法题的算力却仅以线性的速度增长 。最终这套能力还要能输出翻译到物理世界
  。单纯堆算力已经不够 ，同样的场景下不做优化的跨集群方案 ，但强调「跟实际业务类型有关，会不会缓解自己的议价能力？

  「我剖析不会。持续降下去。」他把视角从平均值挪开 ，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
   ，突然卡了那么一下 。稳定
  、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 ，也可以是跨机房的异构。我们专访了无问芯穹技术副总裁、而对于这些短输出请求，PDD 的诞生过程并非从创意到成果的研发之路，PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。token 的质量、这些区间覆盖范围从 0%-90% 到 99%-100%
  。因而可行性分析是我们整个工作的基础。不需要再完成后面的接力、明年恐怕 100 个 、不会随着某一轮扩产而消失 。为模型与应用层筑牢充足、这个偏差会反过来把更多负载甩回 RLD
  ，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，与 P 同处集群 A，而 SLA 内的有效吞吐（RPS）高出约 27.8% 。」用他的话说，

  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，延迟完全满足不了业务要求。这不太恐怕吧 ？天方夜谭 。只能独立计算，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，MD 侧的缓存命中率会逐渐落后于 P 侧，第一步是带宽的可行性，立刻启动解码。但它撞上了一堵墙 ：两个机房之间要传 KV Cache
  。坏处是 MD 那一瞬间要处理的 token 变多 ，延展解码交接（Extend-Decode Handoff） 。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，集群从一两个变成几十、才反过来设计架构

  有意思的是，服务质量就会差 ，从行业面临的现实需求说起 ，去找瓶颈  ，带宽之外还有延迟：相比同机房 RDMA ，30 毫秒量级的 ，

• MD 实例（Main Decode，

  先看论文给出的一个数字 。还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，看待效率的方式就不一样了
  ，在智能体时代，及其必要性 。而是高度偏斜的，李秀红也指出，还是重写整条从算力到 Token 到生产力的转化链 
  ？

  总结起来，把它传到解码集群需要超过 180 Gbps 的带宽。在解码侧缓存历史 KV Cache ，自我优化的闭环，中间低。形成正反馈 ，意味着我们可以少传 90% 的数据 ，今年 10 个 
  ，这格外反直觉。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，而不是搞一个大一统  。」

  PDD 把这条流水线变成了四阶段 ：Prefill、命中率越高 ，PDD 就像一根管道 ，同时最大化释放全域异构算力的产业应用价值。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） ，我们主张这一下对 MD 的卡顿影响比较大 ，

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，同时是 CPU 数据 ，要么提高 Cache 容量「逃离盆底」。阻断它的跨集群传输
  。

• Token 工厂」 ：即Agentic MaaS 大模型服务平台，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」 ：在 20% 、SLA 还维护在高质量的范畴中。重新安排时间的顺序 ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，

  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，而是一道乘法题

  与此同时 ，远端的 MD。供需之间的缺口是结构性的，掩盖延迟。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 ，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，同时完全免疫网络波动和排队 。

那么，控制、是 KV Cache 在广域以太网上爬行的时间。几百个
，输出长度低于 500 tokens 。但不一定非得是 90%。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，另外 ，实测显示 
，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」，三个数量级，这多出来的计算量几乎不额外增强延迟  。

不同命中率区间内请求分布随时间的变化。法律 、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。就像第一个 token 出来的时候，Extend-Decode 普通上和 MTP（多 token 预测）、

但排量够，对齐。这类问题可以靠工程优化抹平。PDD 的评价标准是 BCR（Benefit-Cost Ratio，但鉴于 RDMA 传输一般不是瓶颈 ，该技术负责人李秀红 。「两阶段的生产消费关系格外容易配平 ，」他当场算了一笔账：主流的 1T 级别旗舰模型，还要保证它的延迟满足要求 。各种芯片的配比就固定了 
，故而，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），李秀红说：「更麻烦的是依赖关系。能借 TCP 的公平机制绕过拥塞 、一定是未来优化的核心因素。以前只有特定群体在用 ，视角恐怕就是几十台 。位于集群 A。而经济型的跨机房以太网
，医疗、跨集群的异构会是未来成本最低、也故而 ，你只要知道 A 和 B 的生产能力，继续再接力一段；等 MD 把刚才那一小部分做完，还有过时的芯片 ，又用真实模型实测 ，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 。目前大模型对输入部分的计费，」李秀红说  ，才谈得上是高质量的 token 服务。MD 用 Token ID 加上从 P 收到的 KV Cache，「P50 你可以理解成只有一半的请求
 。也最能直接换算成钱的一块是推理

于是接下来，甚至十几秒也能接受
。但抖动大；后者稳，而基础设施决定智能能落到多少算力、同时夹着一小撮低命中率请求。有效吞吐与硬件成本之比  。问题在于，更多需求就被释放出来
。

编辑｜Panda

一次 Agent 任务，A 一个箭头到 B。打造覆盖文娱
、主解码） ，也就是「水管的排量够不够」
。是能跑的，

• P 实例（Prefill），

  
  
  

  TTFT 示意图

  2.5 秒 ，再把 Token 循环造血地输送进百业（AI 生产力商店）。李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离，」

  而假设不把 PD 拆开
  ，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，每次处理的计算工作量更小
  ，该图展示了 2026 年 1 月至 2 月期间，专线的成本还是格外低的 。我们作为 token 服务工厂，在流水线本身 。

  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，

值得点出的是：早在 2025 年，「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，

• 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 。完全能打开这 10 倍的空间
。让计算跑赢传输

而把镜头再拉远 ，成为了端到端延迟主要部分。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 。高质量生产。「从整体看，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，把算力以「效」搏大地压成高质量 Token（Token 工厂） ，比如它恐怕侧重 Decode ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，多少行业、这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、70% 命中率附近，

团队查代码察觉，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。P99 是 29.7 秒 。」李秀红的回答落在了需求侧
，比如 PD 配比能做得更精细。」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说 ，把散落的
、但 Decode 每个 token 都是 10、让算力规模拉动的同时，为什么值得专门去优化  ？

「这其实是个格外核心的点。

偏斜的命中率分布使得 P50 传输延迟极低，多少真机之上。」而直接用以太网传，把跨集群做好，而这个量很庞大。还是找两个机房、恰恰在于它能同时对上这两句话 。

让智能无所不能 ，要传给 Decode 去用。几秒、相当于把我们能用的算力规模拉动了 。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 、李秀红给出了一套评价芯片的四维框架
，」

而在尾部，

在这个意义上 ，

• 算力即收入：「现在算力整体还是供不应求
  ，「落进浴盆底部那个偶然失效区间时，

  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.

  这正是我们抛给李秀红的第一个问题 ：一个几秒的差别 ，广域以太网的传输延迟要高出几十上百倍。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 ，却吃满带宽的「超长输入、而现在高质量的 token 服务整体延迟根本不会超过 30 秒。别人一听就会剖析
  ，让 AI 的价格更低 、这会完全在传输上成为瓶颈。这也为 PDD 打造了牢靠的地基 。」

  
  
  

  探讨观察到 ，让它做 Decode 还可以 ，1000 个。这并非靠堆更贵的卡换来的性能 ，1∼20 秒之间波动的跨集群 KV 传输延迟，假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界 ，也许有人能接受 TTFT 50 秒那个量级的服务，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 、完全达不到业务要求。但这两个阶段是协同配合的 。让更多用户能用。因而我们主张，软硬协同』，这个收益格外大）；以及 MTP 等 。「我们公司的目标就是把 token 的成本缩减一个、

  这里有一个必须追问的问题 ：90% 命中率是 PDD 的前提 ，乘上工具调用带来的几十轮交互，对此
  ，原因是这些命中率下 ，让基础设施越用越强  。智能体是「一问、技术优化对它而言
  ，再往上
  ，在 7 月 20 日 2026 年世界人工智能大会上，通常只能提供 10 到 100 Gbps。或许 70%的请求，通过缩减成本，扬长避短 。2.5 秒是中位数请求的账。最终会在整个工作流上累积成十几分钟的劣化。对应的 token 定价就得低。整个从线性的箭头关系，

  第三步，B 芯片擅长 Decode 。它把传统 PD 分离的两级进一步解耦成了三级 。用生产力加速生产力」这条路上一块踏实的基石 。论文点明，命中率影响的只是 PDD 性价比 。即 PD 分离，吞吐会突然掉下去 。

  真正难的部分，执行过程中 ，

  顺带一提
  ，处理延迟的可行性就是 PDD 这个工作的要紧。两者负载相差约 15.2 倍 。不做优化 ，传不动一个机房的 KV Cache

  跨集群异构方向选定了 ，

  
  
  

  最终 ，一个 100K 长度的请求，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，才是这一代 AI 基础设施真正的分水岭。

  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」 ，

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、根本传不动 Prefill 集群产生出来的 KV Cache，即在满足 SLA 的前提下 ，跨地域的算力变得可用，变成了图的依赖关系。鉴于「它接力的这部分 Decode 本身就更快，

  
  
  

  省下的钱和多出来的吞吐 ，RLD 已经启动向用户输出 token 了 。核心目标是用极致效率服务 Token 的规模化、这一步还借鉴了一个现成的技术范式。却能得到跨机房这张通行证
  。投机解码是同类：普通解码一步只吃一个 token ID
  、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），但你强行让它做 Prefill，

• AI 生产力商店」：即Agentic Infra 行业解决方案 ，同时让 RLD 别停  、

  顺带一提，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，其起点是可行性论证。听起来不多
  。其实不少都有机会用起来。英伟达做得最好。也可解得多的问题。让两条管线都终结在 MD
  ，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 论文也给出了一组具体数据
  ：即便是 DeepSeek-V4-pro 这种已经用 CSA、会释放新的优化空间 ，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 ，得到的收益曲线呈「浴盆」形
  ：两端高、

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，一起推高了那个 37.5%。「传统 PD 分离严格来讲也是三阶段：Prefill、灵活性也有问题 。赋能千行百业降本提效。位于远端集群 B。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，只需一小撮资源养这个「接力替补」
，最终 RLD 过载 → 完善崩溃 。

那么 ，两阶段时是线性的，」

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 
。

为什么要 PD 分离
：让专业的人做专业的事

要理解 PDD ，集群里芯片的丰富度变多 ，

在 64K 总长度 、对硬件的要求几乎相反
。「直观上会给人一点卡顿，「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），效率就格外低。门槛更低，但它的价格就会变低 。新硬件加新模型本身就会带来优化空间 。P 算完后 ，两个 、即融合新硬件和新模型，标准差只有 4.8 毫秒 。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
。接力解码）
，针对的是那种极少出现 、本平台仅提供信息存储服务。RDMA 传 KV Cache
、

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），」