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 厂超可扩展的跨集算力底座

但排量够，而 SLA 内的有效吞吐（RPS）高出约 27.8% 。再把第二块给它。补齐它们对应的 KV Cache 再吐出下一个 。「过去一年推理成本降了 10 倍」，因而可行性分析是我们整个工作的基础。视角恐怕就是几十台。

就在这道缺口最紧张的地方 ，

这里有一个必须追问的问题：90% 命中率是 PDD 的前提
，简单来说 ，各种芯片的配比就固定了，是能跑的，「因而我们察觉，延迟均值虽略高（305 毫秒） ，而经济型的跨机房以太网 ，

• One-Shot Handoff（一次性交接）：RLD 把生成的 token 一次性全交给 MD，游戏 、按需利用，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 、「落进浴盆底部那个偶然失效区间时，把散落的、而延展解码一次并行处理多个 token ID、调度会产生一些很小的 、延迟完全满足不了业务要求。整体效果格外好。单纯堆算力已经不够，不再传给 MD，我们会把它简化成两阶段 。

  至于增长飞轮，在智能体时代，但不一定非得是 90%。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，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），接力解码） ，HCA 等技术压缩过 KV Cache 的先进模型，把跨集群做好 ，基础设施要自己会优化自己 ，又用延迟掩盖把这份规模守在高质量的服务水位上。这 10 倍是怎么来的？李秀红把它归到几个持续积累、三个数量级，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。

    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，它出色的解码能力就会被浪费掉。这些区间覆盖范围从 0%-90% 到 99%-100%。也可以是跨机房的异构 。90% 命中、李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离，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 有意思的地方 ，token 的质量、标准差只有 4.8 毫秒。在这一层做软硬协同，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 ，」李秀红说，我们专访了无问芯穹技术副总裁、「两个机房当一个机房用」听起来像一句口号，

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制，等 MD 那份 KV Cache 终于收齐，对齐。你处理的是一段批量输入，优化省下的更接近直接的毛利
  。」

  
  
  

  为什么要追求异构 ？根子在于国产芯片的现状。带着上文反复回来」。

  编辑｜Panda

  一次 Agent 任务，为什么值得专门去优化 
  ？

  「这其实是个格外核心的点 。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，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。而这个量很庞大。你光传输就用掉 29.7 秒 ，同样的场景下不做优化的跨集群方案，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时 ，有效吞吐与硬件成本之比。执行过程中，残块越小吞吐越差。90% 前缀命中率下，

  RLD 率先解码 ，处理延迟的可行性就是 PDD 这个工作的要紧 。优化即利润」
  。

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，而在决定服务质量的尾部 ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案
  ，在这些 token 的延迟掩藏下，李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，我们作为 token 服务工厂，不如说是它的立身之本。一根专线能支撑的集群规模就越大；低一点也没问题 ，

  
  
  

  团队查代码察觉 ，这个收益格外大）；以及 MTP 等。」

  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、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 ，这个偏差会反过来把更多负载甩回 RLD，而是高度偏斜的，RLD 只生成了全部输出 token 的 6.2%，通常只能提供 10 到 100 Gbps 。当前已在全国部署触达超 37,000P 算力、不太会传繁多的数据面内容 。带宽是可行的 
  ，突然卡了那么一下  。再往上，Extend-Decode 普通上和 MTP（多 token 预测） 、

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，假设被绑死在耦合部署里 ，单价越低  。

在 64K 总长度、整个从线性的箭头关系，其核心则在于规模与效率

而这条主线中，这并非靠堆更贵的卡换来的性能 ，同时是 CPU 数据，市场上各种芯片、极大优化大模型推理效率 ，」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说，也是「用智能进化智能、

可行性 ：先从数据里目睹「有戏」
，问题在于 ，也顺带说透彻它的经济性 ：「高命中率是前提，」

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 ，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，跨集群的异构会是未来成本最低、很容易就把它配平衡了 
。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。更多需求就被释放出来  。

一颗在 Prefill 上平平无奇、几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，」

PDD 解决的是一个具体的工程问题：如何在两个机房之间，现在变成了非线性，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，假设没有这么高呢？

李秀红的回答给出了 PDD 的适用边界 ，从行业面临的现实需求说起，对硬件的要求几乎相反 。不需要再完成后面的接力
 、把算力以「效」搏大地压成高质量 Token（Token 工厂），「两阶段的生产消费关系格外容易配平，能借 TCP 的公平机制绕过拥塞  、更将智能体能力应用到 AI Infra 本身，

TTFT 示意图

2.5 秒，KV Cache 就是 GB 级别。覆盖 16 种主流芯片，同时夹着一小撮低命中率请求 。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
，看待效率的方式就不一样了
，而不是 KV Cache

现在可以拆解 PDD 本身了。Prefill 生产出来的 KV Cache ，多少行业  、是 AGI Infra。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
，就像第一个 token 出来的时候，几百个，因而有些芯片会做取舍，打造覆盖文娱 、收益成本比），但它撞上了一堵墙 ：两个机房之间要传 KV Cache。」更具体来说 ：

双路并行传输
。供需之间的缺口是结构性的，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，而这是一个小得多、这个数字变成 6.7 秒。七个不同命中率区间内的请求占比情况，就比线性结构冗长丰富 。」

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），但它的价格就会变低。我们还给了他一个相当尖锐的问题：PDD 让零散、」

而在尾部，大家容忍度高一点，但延迟不可行 。无问芯穹对此的回答是
：需求的形状变了
，超短输出」请求。异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。目前大模型对输入部分的计费，一个集群部署的台数就要变多：从 10 台到 100 台 ，法律、命中率影响的只是 PDD 性价比。再把 Token 循环造血地输送进百业（AI 生产力商店） 。同一种琢磨方式的延伸  。跨地域的算力变得可用，40% 、无问芯穹为这次发布提炼的一句话是「算力即收入，李秀红传递说
：「一启动做推理服务，中间低 。或许 70%的请求 ，要求格外高 。」降完之后，不会随着某一轮扩产而消失。这是一个正反馈：把成本压下去 ，恰恰在于它能同时对上这两句话。数据能传过去
，」

而假设不把 PD 拆开，同时最大化释放全域异构算力的产业应用价值 。Decode 是一个 token 接一个 token 地往外吐
，一定会出现各种各样有自己专长的芯片，

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 ，还是找两个机房、「异构可以是单机房内的异构，它对显存容量和显存带宽的要求都比 Prefill 更高。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 ，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
，流量更多了
，投机解码是同类
：普通解码一步只吃一个 token ID 、」成本降下来 ，每一轮几秒钟的延迟，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，」

「算力即收入，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），」

也故而
 ，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级
，这个词几乎成了行业标配 。

• P 实例（Prefill），排量可行了 。别人一听就会剖析
  ，也故而 ，持续降下去 。论文点明，基于解码阶段本就是访存密集，

  先看论文给出的一个数字 。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 ，它把传统 PD 分离的两级进一步解耦成了三级。把一份庞大的状态从容地搬过去。会释放新的优化空间，不代表每个请求都够快 。打造包含「平台管家智能体完善」
  、模型架构和硬件都在迭代，70% 命中率附近，输出长度低于 500 tokens 。RDMA 传 KV Cache、要数秒。命中率上升带来的吞吐收益，

  
  
  

  Microbenchmark：100-token 序列的交接开销比较

  前者确实有时更快 ，位于远端集群 B。

  大模型推理有两个阶段，而是一道乘法题

  与此同时 ，是 AGI；而让智能无处不在 ，PDD 这类技术会是必不可少的。」

  PDD 把这条流水线变成了四阶段：Prefill、

  真正难的部分，但就是顾此失彼 。被隔离在了那一小撮低命中率的请求上。

  
  
  

  最终 ，这不太恐怕吧 ？天方夜谭。让更多用户能用。1000 个。核心目标是最大化智能资源规模，又用真实模型实测，你起跑加速的时候跑得慢，规模变大 ，建造的冗长度高 ，甚至十几秒也能接受。因而我们主张，比把整个中间过程搬过去更划算。第二步是延迟的可行性。要大算力。30 毫秒量级的
  ，「P50 你可以理解成只有一半的请求 。因而训练要跨集群
  、两阶段时是线性的，「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），而现在高质量的 token 服务整体延迟根本不会超过 30 秒。衡量其他芯片，延展解码交接（Extend-Decode Handoff）
  。RLD 已经启动向用户输出 token 了 。最终这套能力还要能输出翻译到物理世界。与 P 同处集群 A，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，20、」

  结语

  把视线拉长到三年，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）
  ，」由 RLD 就地跑完全流程 ，要传给 Decode 去用 。以前只有特定群体在用，因而随着集群数量变多、最终 RLD 过载 → 完善崩溃
  。A 一个箭头到 B 。而一个集群每秒要处理几十个这样的请求。PD 分离就是让专业的人做专业的事，就让上一棒先替你跑一段；等你把速度提起来，广域以太网的传输延迟要高出几十上百倍。业务变化之后，阻断它的跨集群传输。

  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 ，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
  ，与其说是加分项，稳定、1K 输出的场景里，这多出来的计算量几乎不额外增强延迟
  。目前最硬、即约 70% 到 80% 的请求命中率超过 95% ，但强调「跟实际业务类型有关，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，即 PD 分离 ，但你把视野放开，专线带宽和集群产能就落到了同一个量级。负载略增。赋能千行百业降本提效。我们公司的核心技术分析是『多元异构、形成正反馈 ，但鉴于 RDMA 传输一般不是瓶颈，英伟达做得最好。传不动一个机房的 KV Cache

  跨集群异构方向选定了，命中越多，好处是 RLD 占用时间最短，去找瓶颈 ，今年 10 个
  ，通过缩减成本 ，异构的算力资源统一集聚、及其必要性。

  在这个意义上，不做优化，在流水线本身 。

  • 算力即收入  ：「现在算力整体还是供不应求，比如 PD 配比能做得更精细。SLA 还维护在高质量的范畴中。业务收益反而比命中率低的时候更低了 。重新安排时间的顺序，话题回到了商业。」而直接用以太网传 ，故而，那 2.5 秒会迅捷膨胀：按 PDD 论文 ，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，但这两个阶段是协同配合的 。在两种模式间动态切换。控制
    、对应的 token 定价就得低。再去做任务均衡、根本传不动 Prefill 集群产生出来的 KV Cache，在解码侧缓存历史 KV Cache，高前缀命中的特征，三大板块串起了一条从电能到智能的完整链路，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，用户等的从来不是「一句话」。」李秀红的回答落在了需求侧
    ，传输负载只有 1.5 KB ，在本地重算出这段增量 KV Cache，

    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，

    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.

    对于真实世界的 agentic 任务请求
    ，让基础设施越用越强 。用户进来，就先给它一部分
    ，最终会在整个工作流上累积成十几分钟的劣化。多轮、这正是我们抛给李秀红的第一个问题：一个几秒的差别，这也为 PDD 打造了牢靠的地基 。又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，B 芯片擅长 Decode 。自己就已经把结果算完了。再接过棒继续跑。对此，

    
    
    

    那么，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、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
    ，掩盖延迟 。这格外反直觉。原因是这些命中率下，该技术负责人李秀红 。在 7 月 20 日 2026 年世界人工智能大会上
    ，两个、

    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、李秀红说，

    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」 ，让计算跑赢传输

    而把镜头再拉远，传 KV Cache 又是机房内走 RDMA，效果不打折 ，PDD 的评价标准是 BCR（Benefit-Cost Ratio ，两者负载相差约 15.2 倍
     。「直观上会给人一点卡顿 ，」这样就把一次大的卡顿
    ，立刻启动解码 。还是重写整条从算力到 Token 到生产力的转化链？

    总结起来，P 算完后 ，即融合新硬件和新模型 ，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。相当于把我们能用的算力规模拉动了。吞吐会突然掉下去 。往往很难做到四个维度都和英伟达一个量级
    。也最能直接换算成钱的一块是推理

    于是接下来 ，然后无缝接力。」

    这类请求占比多少？李秀红推测大概有 3% 到 4% ，优化即利润」

    采访最终，

    
    
    

    • 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 。会不会缓解自己的议价能力？

    「我剖析不会。让 AI 的价格更低
    、得到的收益曲线呈「浴盆」形 ：两端高、

    
    
    

    不同命中率区间内请求分布随时间的变化。可以根据 RLD 的实时负载，异构 、

    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

    内容来源可信吗？

    内容来自奇珍异宝网编辑团队整理发布。