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 因而有些芯片会做取舍

下面，你起跑加速的群异穹李时候跑得慢，这个偏差会反过来把更多负载甩回 RLD
，构Pn工鉴于「它接力的分发专访无这部分 Decode 本身就更快
，因而有些芯片会做取舍，离W落地路径一个集群部署的问芯台数就要变多 ：从 10 台到 100 台，但强调「跟实际业务类型有关，秀红线这也为 PDD 打造了牢靠的探秘地基 。高质量生产。厂超「两阶段的跨集生产消费关系格外容易配平  ，从而保证 MD 侧和 P 侧的群异穹李缓存命中率始终对齐。这并非靠堆更贵的构Pn工卡换来的性能
，延展解码交接（Extend-Decode Handoff）。分发专访无延迟完全满足不了业务要求。离W落地路径KV Cache 同时走两条路 ：一条走 RDMA 给同机房的问芯 RLD，七个不同命中率区间内的请求占比情况 ，调度会产生一些很小的 、

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），

团队查代码察觉
，」

为什么要追求异构？根子在于国产芯片的现状 。与其说是加分项，

RLD 率先解码
，残块越小吞吐越差 。负载略增 。李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离，会释放新的优化空间，新硬件加新模型本身就会带来优化空间 
。就让上一棒先替你跑一段；等你把速度提起来，收益成本比） ，「从整体看，而延展解码一次并行处理多个 token ID、医疗、完全达不到业务要求。

在 64K 总长度、」这样就把一次大的卡顿 ，要传给 Decode 去用。第一步是带宽的可行性，阻断它的跨集群传输。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） ，B 芯片擅长 Decode。再把第二块给它 。实测显示，」换句话说，

不同命中率区间内请求分布随时间的变化 。模型架构和硬件都在迭代，多少行业、多少真机之上。「那就干脆在这儿直接中断 ，」用他的话说，这不太恐怕吧
 ？天方夜谭。这一步还借鉴了一个现成的技术范式。在这些 token 的延迟掩藏下，RLD 只生成了全部输出 token 的 6.2%，而一个集群每秒要处理几十个这样的请求。一根专线能支撑的集群规模就越大；低一点也没问题
，更多需求就被释放出来。」

而假设不把 PD 拆开  ，技术优化对它而言 ，不需要再完成后面的接力 、在本地重算出这段增量 KV Cache，也就是「水管的排量够不够」
。传 KV Cache 又是机房内走 RDMA，位于远端集群 B。真正要确保的是 P90 和 P99；只有把这两个尾部确保好，

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 ，跨集群的异构会是未来成本最低
 、

顺带一提 ，PDD 这类技术会是必不可少的。也顺带说透彻它的经济性 ：「高命中率是前提，」更具体来说：

双路并行传输。」

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。还有过时的芯片 ，我们作为 token 服务工厂，在 MD 那份还在网上爬的这数秒到数十秒中
，命中越多，token 的质量、李秀红解释说 ：「90% 的命中率，在两种模式间动态切换。40%、在 Decode 上却远超基线的芯片，数据能传过去，

至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，PDD 的评价标准是 BCR（Benefit-Cost Ratio，标准差只有 4.8 毫秒。「P99 已经快 30 秒了，带宽是可行的 ，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，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，让高命中请求轻装走 P-MD 管线」的设计背后，PDD 就像一根管道 ，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，Extend-Decode 普通上和 MTP（多 token 预测）、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 ，去找瓶颈，广域以太网的传输延迟要高出几十上百倍 。把一份庞大的状态从容地搬过去。比如它恐怕侧重 Decode
  ，

  
  
  

  • 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
  。另外 ，只能独立计算，

  • P 实例（Prefill），而是高度偏斜的，单纯堆算力已经不够 ，用生产力加速生产力」这条路上一块踏实的基石。继续再接力一段；等 MD 把刚才那一小部分做完，而 SLA 内的有效吞吐（RPS）高出约 27.8%。要大算力 。以太网传输 、这个数字只能代表某一个阶段」。

    先看论文给出的一个数字 。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，坏处是 MD 那一瞬间要处理的 token 变多，因而它是计算密集型的
      ，目前大模型对输入部分的计费，

      顺带一提 
      ，而不是搞一个大一统 。」由 RLD 就地跑完全流程
       ，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） ，一起推高了那个 37.5%。最终这套能力还要能输出翻译到物理世界 。让更多用户能用。让对方自己把中间过程重算出来，两阶段时是线性的，又用延迟掩盖把这份规模守在高质量的服务水位上。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，传输负载只有 1.5 KB，同时是 CPU 数据，于是 ，其起点是可行性论证。现在变成了非线性，补齐它们对应的 KV Cache 再吐出下一个 。针对的是那种极少出现、而对于这些短输出请求 ，还是找两个机房、突然卡了那么一下。他将带我们一道 ，吐一个 token，控制、但这两个阶段是协同配合的。也最能直接换算成钱的一块是推理

      于是接下来 ，在 7 月 20 日 2026 年世界人工智能大会上，实现异构是在单机房内建一个异构集群 ，是 KV Cache 在广域以太网上爬行的时间。当前已在全国部署触达超 37,000P 算力
      、要么提高 Cache 容量「逃离盆底」。之间是高速 RDMA
      。因而我们主张 ，但它的价格就会变低 。」他当场算了一笔账：主流的 1T 级别旗舰模型 ，也可解得多的问题。吞吐会突然掉下去 。大家容忍度高一点 ，你会察觉它其实是一句相当精确的技术描述 ，但就是顾此失彼。而一条跨机房专线的带宽也就在 GB 量级。请求的平均前缀命中率能达到 90% 。还是重写整条从算力到 Token 到生产力的转化链？

      总结起来
      ，是 AGI Infra。让基础设施越用越强。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，它对显存容量和显存带宽的要求都比 Prefill 更高 。通过缩减成本，我们主张这一下对 MD 的卡顿影响比较大，法律、同样的场景下不做优化的跨集群方案，无问芯穹对此的回答是 ：需求的形状变了，对这样一家公司，一定是未来优化的核心因素
      。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。执行预填充 ，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，」

      
      
      

      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 ，RDMA 传 KV Cache、「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，因而可行性分析是我们整个工作的基础
      。然后立刻释放 。PDD 只是无问芯穹这次 WAIC 发布里的一个切面。李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在
      ，细想却相当合理。再去做任务均衡
      、一个 100K 长度的请求，又被 Decode 阶段本身访存密集的特性给掩盖了。意味着我们可以少传 90% 的数据，每一轮几秒钟的延迟，这是一个正反馈 ：把成本压下去，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，

      成本的账 ：10 倍从哪来，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，能不能在做大规模的同时把效率也做到极致，不如说是它的立身之本。带宽之外还有延迟 ：相比同机房 RDMA，但你把视野放开，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 ，」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 ，

      大模型推理有两个阶段
      ，以 Agent 能力驱动整套 AI Infra 形成自主迭代、这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，掩盖延迟 。RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。在约 1 秒内到达；真正的高延迟，你光传输就用掉 29.7 秒，看待效率的方式就不一样了
       ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，弹性调度 、而这是一个小得多、接力解码），李秀红传递说：「一启动做推理服务，同一种琢磨方式的延伸。

    
    
    

    PDD 的三层跨数据中心 PD 分离架构示意图

    对于这个机制，对齐  。变成了图的依赖关系。

  • MD 实例（Main Decode ，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 ，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
    ，

    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 ，话题回到了商业。P99 是 29.7 秒。」

    结语

    把视线拉长到三年，接力的 RLD 、「芯片百花齐放是可预期的，」

    而在尾部，流量更多了，建造的冗长度高
    ，这格外反直觉
    。可以根据 RLD 的实时负载 ，等 MD 那份 KV Cache 终于收齐，本平台仅提供信息存储服务 。

    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，同时让 RLD 别停、对于真实世界的 agentic 任务请求
    ，无问芯穹为这次发布提炼的一句话是「算力即收入，效果不打折，就会出现命中率越高越亏钱。就像第一个 token 出来的时候 ，再往上
    ，李秀红说，这个数字变成 6.7 秒。相对于集群里的机器成本，而基础设施决定智能能落到多少算力 、」成本降下来
    ，」降完之后
    ，灵活性也有问题。同时最大化释放全域异构算力的产业应用价值。我们公司的核心技术分析是『多元异构 、传不动一个机房的 KV Cache

    跨集群异构方向选定了，把算力以「效」搏大地压成高质量 Token（Token 工厂），再让成本进一步下降。跨地域的算力变得可用，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，代价是 RLD 要多跑一会儿，立刻启动解码
    。

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、被隔离在了那一小撮低命中率的请求上。因而训练要跨集群 、明年恐怕 100 个 、」

    PDD 把这条流水线变成了四阶段 ：Prefill、80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储 ，比如 A 芯片擅长 Prefill，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，

    这是业界早有的共识。这 10 倍是怎么来的 ？李秀红把它归到几个持续积累、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 、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
    。形成正反馈，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。对硬件的要求几乎相反。当 KV Cache 命中率优化之后，

    
    
    

    李秀红解释说：「P 和 D 虽然分离 ，

    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，也可以是跨机房的异构
    。把原本没办法协同做推理的集群连起来，」

    PDD 解决的是一个具体的工程问题
    ：如何在两个机房之间，它出色的解码能力就会被浪费掉。我们通过优化，「过去一年推理成本降了 10 倍」 ，整个从线性的箭头关系，在解码侧缓存历史 KV Cache
    ，才谈得上是高质量的 token 服务。甚至十几秒也能接受。命中意味着这部分 KV Cache 无需重新传输。

    
    
    

    最终，

    这里有一个必须追问的问题  ：90% 命中率是 PDD 的前提，P 算完后 ，即 PD 分离，也故而，服务质量就会差，让算力规模拉动的同时，让两条管线都终结在 MD，无问芯穹给出了自己的答案。盘活了广域分散的异质算力。位于集群 A。在智能体时代，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。」

    也故而 ，要数秒。推理完善面对的不再是一道加法题，以前只有特定群体在用 ，

    第三步，两个、然后无缝接力。但你强行让它做 Prefill，又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，「你的以太网
    ，不会随着某一轮扩产而消失 。

    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.

    完全能打开这 10 倍的空间。却能得到跨机房这张通行证 。效率就格外低。别人一听就会剖析，每次处理的计算工作量更小，单 Token 成本可缩减 37.5%。即约 70% 到 80% 的请求命中率超过 95% ，90% 命中、处理延迟的可行性就是 PDD 这个工作的要紧。但延迟不可行。延迟均值虽略高（305 毫秒） ，超短输出」请求。我们还给了他一个相当尖锐的问题：PDD 让零散 、优化省下的更接近直接的毛利
    。输出长度低于 500 tokens。

    这种偏斜很有用 ：充足高命中请求的传输包极小，基础设施要自己会优化自己
    ，李秀红用了一个贴切的接力赛比喻：「就像跑步
    ，同时完全免疫网络波动和排队。及其必要性。

    就在这道缺口最紧张的地方，几秒、

  值得点出的是：早在 2025 年 ，得到的收益曲线呈「浴盆」形：两端高、目前最硬、不太会传繁多的数据面内容。最灵活的异构方式。最终会在整个工作流上累积成十几分钟的劣化  。价格降下来 ，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 ，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
  、为什么值得专门去优化 ？

  「这其实是个格外核心的点。Prefill 生产出来的 KV Cache，

  让智能无所不能
  ，一次 100-token 交接的负载是 4649 KB
  ，通常只能提供 10 到 100 Gbps  
  。再接过棒继续跑。」

有一点值得点出：对于自建机房的云厂商 ，这多出来的计算量几乎不额外增强延迟 。而在决定服务质量的尾部，打造覆盖文娱、

至于增长飞轮，」同时 ，游戏、高前缀命中的特征，很容易就把它配平衡了
。把它传到解码集群需要超过 180 Gbps 的带宽。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，假设被绑死在耦合部署里  ，有效吞吐与硬件成本之比 。你处理的是一段批量输入，

为什么要 PD 分离 ：让专业的人做专业的事

要理解 PDD，覆盖 16 种主流芯片，但它撞上了一堵墙 ：两个机房之间要传 KV Cache 。「传统 PD 分离严格来讲也是三阶段 ：Prefill 、我们把镜头推近，比如 PD 配比能做得更精细。把散落的、「异构可以是单机房内的异构 ，同时集群一旦建好，就比线性结构冗长丰富。一定会出现各种各样有自己专长的芯片，即在满足 SLA 的前提下，

偏斜的命中率分布使得 P50 传输延迟极低 ，能用来做这道乘法题的算力却仅以线性的速度增长。