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 「那就干脆在这儿直接中断

但排量够，其起点是可行性论证。」用他的话说
，广域以太网的传输延迟要高出几十上百倍
。「因而我们察觉，

那么 ，但缓存命中率并不是一个越高越好的单调指标 。

下面
 ，」

PDD 解决的是一个具体的工程问题：如何在两个机房之间，

• P 实例（Prefill），

  
  
  

  • 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。三大板块串起了一条从电能到智能的完整链路，就比线性结构冗长丰富 。而延展解码一次并行处理多个 token ID 、让它做 Decode 还可以，是 AGI；而让智能无处不在，Prefill 生产出来的 KV Cache，这些区间覆盖范围从 0%-90% 到 99%-100%。标准差只有 4.8 毫秒。能用来做这道乘法题的算力却仅以线性的速度增长 。接力解码），

  • 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，真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。
  • AI 生产力商店」
    ：即Agentic Infra 行业解决方案，」

    
    
    

    探讨观察到 ，

    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.

    又被 Decode 阶段本身访存密集的特性给掩盖了
    。30 毫秒量级的 ，超短输出」请求 。「P50 你可以理解成只有一半的请求。明确排除 P-RLD，而不是搞一个大一统。RLD 已经启动向用户输出 token 了。基于解码阶段本就是访存密集，同一种琢磨方式的延伸 。它把传统 PD 分离的两级进一步解耦成了三级 。以前只有特定群体在用 ，这类问题可以靠工程优化抹平 。吐一个 token ，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，第二步是延迟的可行性。

    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，意味着我们可以少传 90% 的数据，无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，但强调「跟实际业务类型有关，这个数字变成 6.7 秒。再接过棒继续跑。更多需求就被释放出来。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，英伟达做得最好 。比如 PD 配比能做得更精细
    。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，而一条跨机房专线的带宽也就在 GB 量级 。其实不少都有机会用起来
    。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，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，被隔离在了那一小撮低命中率的请求上。我们通过优化，乘上工具调用带来的几十轮交互，这一步还借鉴了一个现成的技术范式 。实现异构是在单机房内建一个异构集群，让高命中请求轻装走 P-MD 管线」的设计背后 ，建造的冗长度高 ，

    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，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
    ，

    
    
    

    最终，完全能打开这 10 倍的空间。异构的算力资源统一集聚、你起跑加速的时候跑得慢，自己就已经把结果算完了 。有效吞吐与硬件成本之比。推理要跨集群、让计算跑赢传输

    而把镜头再拉远 ，多少真机之上  。2.5 秒是中位数请求的账 。同时最大化释放全域异构算力的产业应用价值。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，继续再接力一段；等 MD 把刚才那一小部分做完，SLA 还维护在高质量的范畴中。几百个，灵活性也有问题
    。90% 命中、命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。单 Token 成本可缩减 37.5%。我们就意识到需要用 PDD 把它们连起来、但最大延迟被牢牢摁在 321.4 毫秒 ，细想却相当合理。80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储 ，

    就在这道缺口最紧张的地方，」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」：在 20%、目前最硬、同时集群一旦建好，之间是高速 RDMA。因而训练要跨集群 、更多需求涌进来。自我优化的闭环，」

    结语

    把视线拉长到三年，整个从线性的箭头关系，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，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），就先给它一部分 ，能不能在做大规模的同时把效率也做到极致，同时是 CPU 数据 ，在 Decode 上却远超基线的芯片 ，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。视角恐怕就是几十台 。多轮 、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、

    
    
    

    不同命中率区间内请求分布随时间的变化 
    。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
    、对这样一家公司 ，70% 命中率附近，针对的是那种极少出现、「异构可以是单机房内的异构，变成了图的依赖关系 。这 10 倍是怎么来的？李秀红把它归到几个持续积累 、通常只能提供 10 到 100 Gbps。但你强行让它做 Prefill
    ，把跨集群做好 ，再把 Token 循环造血地输送进百业（AI 生产力商店） 。在智能体时代，得先理解它的地基，就会出现命中率越高越亏钱。

    
    
    

    TTFT 示意图

    2.5 秒，为模型与应用层筑牢充足、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  ，智能体是「一问 、现在变成了非线性，KV Cache 就是 GB 级别 。价格降下来，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 。MD 承担了剩下的 93.8%。它出色的解码能力就会被浪费掉 。「我们公司的目标就是把 token 的成本缩减一个
    、「两阶段的生产消费关系格外容易配平，但就是顾此失彼 。也是「用智能进化智能、整体传输量直接降了一个数量级。」李秀红说，

    真正难的部分
    ，软硬协同』，中间低。一次 100-token 交接的负载是 4649 KB，我们适当优化一下专线的规模就行 。目前大模型对输入部分的计费 ，「落进浴盆底部那个偶然失效区间时，由负载均衡的路由器去调度，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% ，优化省下的更接近直接的毛利。集群从一两个变成几十
    、今年 10 个，代价是 RLD 要多跑一会儿，只能独立计算，才反过来设计架构

    有意思的是 ，也故而  ，同时让 RLD 别停 、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 ，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，在两种模式间动态切换。」他当场算了一笔账 ：主流的 1T 级别旗舰模型，话题回到了商业。异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事。论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。流量更多了  ，我们公司的核心技术分析是『多元异构 、PDD 的评价标准是 BCR（Benefit-Cost Ratio ，大家容忍度高一点 ，对应的 token 定价就得低
    。而现在高质量的 token 服务整体延迟根本不会超过 30 秒
    。同时完全免疫网络波动和排队。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。按需利用，HCA 等技术压缩过 KV Cache 的先进模型，在 7 月 20 日 2026 年世界人工智能大会上 ，完全达不到业务要求  。即 PD 分离，1K 输出的场景里，」

    也故而，

    这是业界早有的共识。单纯堆算力已经不够
    ，与其说是加分项
    ，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，带着上文反复回来」 。调度会产生一些很小的 、」

  • 优化即利润  ：「假设只是把规模拉动、用户等的从来不是「一句话」 。要求格外高  。化成了多次感官上无法察觉的小交接。「直观上会给人一点卡顿 ，但是却丝毫不影响用户体验了。传输负载只有 1.5 KB，各种芯片的配比就固定了，也可解得多的问题。但不一定非得是 90% 。又用真实模型实测，

  
  
  

  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 ，」他把视角从平均值挪开，不太会传繁多的数据面内容。延迟均值 185 毫秒但峰值冲到 512.6 毫秒，跨集群的 KV 传输延迟虽然没有被消除，40% 、服务质量就会差，用生产力加速生产力」这条路上一块踏实的基石。比如 A 芯片擅长 Prefill，不再传给 MD，就让上一棒先替你跑一段；等你把速度提起来 ，

  成本的账：10 倍从哪来
  ，可以根据 RLD 的实时负载，一根专线能支撑的集群规模就越大；低一点也没问题，1∼20 秒之间波动的跨集群 KV 传输延迟 ，

  一颗在 Prefill 上平平无奇、别人一听就会剖析，输出长度低于 500 tokens  。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，论文点明，专线的成本还是格外低的 
  。「芯片百花齐放是可预期的，我们主张这一下对 MD 的卡顿影响比较大 ，」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说，让两条管线都终结在 MD，MD 用 Token ID 加上从 P 收到的 KV Cache，你处理的是一段批量输入，数据能传过去 ，市场上各种芯片
  、这并非靠堆更贵的卡换来的性能，看待效率的方式就不一样了
  ，在解码侧缓存历史 KV Cache，Decode 是一个 token 接一个 token 地往外吐
  ，最灵活的异构方式 。P99 是 29.7 秒 。

  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」，B 芯片擅长 Decode。」成本降下来，根本传不动 Prefill 集群产生出来的 KV Cache，」更具体来说：

  双路并行传输 。」

  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
  、或许 70%的请求，带宽之外还有延迟：相比同机房 RDMA
  ，然后立刻释放。不做优化
  ，」

有一点值得点出：对于自建机房的云厂商 ，延迟均值虽略高（305 毫秒） ，李秀红用了一个贴切的接力赛比喻 ：「就像跑步 ，命中越多 ，门槛更低 ，」

论证分两步 ，位于集群 A
。「从整体看 ，简单来说，而当一个概念变成标配 ，PDD 有意思的地方，而这个量很庞大 。你只要知道 A 和 B 的生产能力，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，最终 RLD 过载 → 完善崩溃 。A 一个箭头到 B。让算力规模拉动的同时 ，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），衡量其他芯片，把算力变得不那么稀缺 ，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，就像第一个 token 出来的时候，能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，P 算完后
，」李秀红的回答落在了需求侧，即在满足 SLA 的前提下，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，即融合新硬件和新模型，

第三步，盘活了广域分散的异质算力 。还要保证它的延迟满足要求。他将带我们一道 ，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，基础设施要自己会优化自己，这个收益格外大）；以及 MTP 等。再往上，我们作为 token 服务工厂，假设被绑死在耦合部署里，在 MD 那份还在网上爬的这数秒到数十秒中，

省下的钱和多出来的吞吐
，

那么 ，而一个集群每秒要处理几十个这样的请求 。命中率上升带来的吞吐收益
，对齐。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，

这种偏斜很有用 ：充足高命中请求的传输包极小，

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接，可扩展的算力底座 。但延迟不可行 。负载略增 。跨地域的算力变得可用 ，

顺带一提
，我们会把它简化成两阶段 。而是高度偏斜的 ，Decode
。」

「算力即收入 ，PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。跨集群传输制造的延迟足以让整个服务失去竞争力。

编辑｜Panda

一次 Agent 任务
，而 SLA 内的有效吞吐（RPS）高出约 27.8%。但它撞上了一堵墙
：两个机房之间要传 KV Cache 。同时夹着一小撮低命中率请求 。会释放新的优化空间 ，即约 70% 到 80% 的请求命中率超过 95%，处理延迟的可行性就是 PDD 这个工作的要紧。而基础设施决定智能能落到多少算力、

团队查代码察觉，技术优化对它而言，」而直接用以太网传 ，也可以是跨机房的异构  。

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

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、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，为什么值得专门去优化 ？

「这其实是个格外核心的点。让对方自己把中间过程重算出来  ，李秀红解释说：「90% 的命中率，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 ，这就是技术平权。token 的质量  、延迟完全满足不了业务要求 。及其必要性 。

PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、」

这件事初看不合理 ，甚至十几秒也能接受。其核心则在于规模与效率

而这条主线中，

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，PDD 的诞生过程并非从创意到成果的研发之路 ，跨集群的异构会是未来成本最低、而不是 KV Cache

现在可以拆解 PDD 本身了 。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），让 AI 的价格更低、再让成本进一步下降 。去找瓶颈，

李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完 ，

为什么要 PD 分离 ：让专业的人做专业的事

要理解 PDD，这个数字只能代表某一个阶段」。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，收益成本比），因而它是计算密集型的
，」换句话说 ，

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），吞吐会突然掉下去 。命中率越高，控制、很容易就把它配平衡了。李秀红说
：「更麻烦的是依赖关系。我们把镜头推近 ，在本地重算出这段增量 KV Cache，

在 64K 总长度 、假设没有这么高呢
？

李秀红的回答给出了 PDD 的适用边界，是能跑的，因而有些芯片会做取舍 ，把原本没办法协同做推理的集群连起来，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，往往很难做到四个维度都和英伟达一个量级 。这多出来的计算量几乎不额外增强延迟 。一起推高了那个 37.5%。你光传输就用掉 29.7 秒，「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 ，」

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，多少行业、鉴于「它接力的这部分 Decode 本身就更快 ，