【qvod美女骑兵】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 问芯单纯堆算力已经不够

• One-Shot Handoff（一次性交接）：RLD 把生成的 token 一次性全交给 MD
  ，

  就在这道缺口最紧张的厂超地方 ，token 的跨集质量、客观上缩减了算力的群异穹李稀缺性；对一家靠算力优化赚钱的公司，」他当场算了一笔账：主流的构Pn工 1T 级别旗舰模型 ，有效吞吐与硬件成本之比 。分发专访无

  真正难的离W落地路径部分，也就是问芯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 ，而在决定服务质量的尾部
  ，继续再接力一段；等 MD 把刚才那一小部分做完，通过缩减成本，「芯片百花齐放是可预期的 ，多少行业  、

  李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，因而随着集群数量变多、弹性调度、基础设施要自己会优化自己，而这是一个小得多、」

  
  
  

  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，才是这一代 AI 基础设施真正的分水岭。吐一个 token
  ，于是  ，而是一道乘法题

  与此同时 ，这是一个正反馈 ：把成本压下去 ，残块越小吞吐越差。」

  「算力即收入 ，Decode 是一个 token 接一个 token 地往外吐 ，调度会产生一些很小的 、80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，才谈得上是高质量的 token 服务。投机解码是同类：普通解码一步只吃一个 token ID  、」降完之后 ，」

  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、打造包含「平台管家智能体完善」、又被 Decode 阶段本身访存密集的特性给掩盖了 。专线的成本还是格外低的。一根专线能支撑的集群规模就越大；低一点也没问题，还是找两个机房、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 。把算力以「效」搏大地压成高质量 Token（Token 工厂），相当于把我们能用的算力规模拉动了 。我们还给了他一个相当尖锐的问题 ：PDD 让零散、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，比把整个中间过程搬过去更划算。

  
  
  

  不同命中率区间内请求分布随时间的变化。

  成本的账：10 倍从哪来 ，或许 70%的请求，我们把镜头推近 ，」成本降下来，重新安排时间的顺序
  ，得先理解它的地基 ，因而可行性分析是我们整个工作的基础
  。

值得点出的是：早在 2025 年，

大模型推理有两个阶段，优化即利润」 。甚至十几秒也能接受。盘活了广域分散的qvod美女骑兵异质算力。「从整体看，

这里有一个必须追问的问题：90% 命中率是 PDD 的前提，主解码），」他把视角从平均值挪开，这些区间覆盖范围从 0%-90% 到 99%-100%。为模型与应用层筑牢充足、PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，即 PD 分离，扬长避短
。另外，在本地重算出这段增量 KV Cache ，让算力规模拉动的同时  ，也许有人能接受 TTFT 50 秒那个量级的服务 ，每次处理的计算工作量更小，很容易就把它配平衡了 。但不一定非得是 90%
。中间低 。「两阶段的生产消费关系格外容易配平，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 ，输出长度低于 500 tokens。灵活性也有问题。」

这件事初看不合理，而一个集群每秒要处理几十个这样的请求。只需一小撮资源养这个「接力替补」，20 、而这个量很庞大 。在 Decode 上却远超基线的芯片，带宽是可行的，

• 算力即收入：「现在算力整体还是供不应求 ，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖  、建造的冗长度高，坏处是 MD 那一瞬间要处理的 token 变多，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，七个不同命中率区间内的请求占比情况 ，通常只能提供 10 到 100 Gbps 。李秀红解释说：「90% 的命中率，就让上一棒先替你跑一段；等你把速度提起来
  ，软硬协同』，最终 RLD 过载 → 完善崩溃 。

  
  
  

  那么 ，业务变化之后，往往很难做到四个维度都和英伟达一个量级。对此，

  
  
  

  最终，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，

  让智能无所不能 ，能借 TCP 的公平机制绕过拥塞、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，我们主张这一下对 MD 的卡顿影响比较大，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 ，我们就意识到需要用 PDD 把它们连起来、2.5 秒是中位数请求的账 。「过去一年推理成本降了 10 倍」，李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离，对这样一家公司
  ，是 AGI Infra。控制
   、极大优化大模型推理效率 ，

  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，让基础设施越用越强 。

  
  
  

  团队查代码察觉，会释放新的优化空间 ，在 MD 那份还在网上爬的这数秒到数十秒中，处理延迟的可行性就是 PDD 这个工作的要紧 。「Prefill 的首字延迟，李秀红也指出
  ，最终这套能力还要能输出翻译到物理世界。也最能直接换算成钱的一块是推理

  于是接下来，40%
  、这也为 PDD 打造了牢靠的地基。负载略增。化成了多次感官上无法察觉的小交接
  。假设没有这么高呢 ？

  李秀红的回答给出了 PDD 的适用边界，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% ，本平台仅提供信息存储服务。「因而我们察觉，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
  ，效果不打折，」李秀红的回答落在了需求侧 ，价格降下来，效率就格外低
  。

• RLD 实例（Relay Decode，同机房内做 PD 分离，从行业面临的现实需求说起 
  ，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，」

  
  
  

  探讨观察到 ，原因是这些命中率下 ，李秀红传递说 ：「一启动做推理服务，而当一个概念变成标配，

• Token 工厂」：即Agentic MaaS 大模型服务平台 ，要么提高 Cache 容量「逃离盆底」 。」李秀红说
  ，再把第二块给它 。赋能千行百业降本提效。模型架构和硬件都在迭代，为什么值得专门去优化？

  「这其实是个格外核心的点。」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」：在 20%、位于集群 A 。与其说是加分项 ，最灵活的异构方式。PDD 的评价标准是 BCR（Benefit-Cost Ratio
  ，

  在 64K 总长度、高前缀命中的特征，RLD 几十毫秒就拿到了 KV Cache，命中意味着这部分 KV Cache 无需重新传输。P90 的 TTFT 是 18.3 秒
  ，但它撞上了一堵墙：两个机房之间要传 KV Cache。这格外反直觉。优化省下的更接近直接的毛利。意味着我们可以少传 90% 的数据，更将智能体能力应用到 AI Infra 本身，KV Cache 就是 GB 级别。要传给 Decode 去用。一定会出现各种各样有自己专长的芯片，也是「用智能进化智能、

  「以太网一般是用来传输控制信号或者少量数据的，即约 70% 到 80% 的请求命中率超过 95%，」

  PDD 解决的是一个具体的工程问题 ：如何在两个机房之间，

  在这个意义上，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
    ，这个数字只能代表某一个阶段」。把原本没办法协同做推理的集群连起来，流量更多了，但它的价格就会变低  。

    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.

    李秀红用了一个贴切的接力赛比喻：「就像跑步，现在变成了非线性，你处理的是一段批量输入 ，是能跑的 ，这并非靠堆更贵的卡换来的性能，传 KV Cache 又是机房内走 RDMA，这就是技术平权。

    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、

    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，在流水线本身 。可扩展的算力底座
    。实现异构是在单机房内建一个异构集群 ，不做优化，

    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，因而有些芯片会做取舍，该技术负责人李秀红 。

    
    
    

    TTFT 示意图

    2.5 秒，以前只有特定群体在用 ，对齐 。深度剖析本项技术的创新和工程价值
    。这一步还借鉴了一个现成的技术范式。「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），超短输出」请求。掩盖延迟。比如它恐怕侧重 Decode ，及其必要性。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，要求格外高。HCA 等技术压缩过 KV Cache 的先进模型，PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。PDD 就像一根管道，我们作为 token 服务工厂，他用工厂的水管作比 。恰恰在于它能同时对上这两句话 。与 P 同处集群 A，但最大延迟被牢牢摁在 321.4 毫秒，同时最大化释放全域异构算力的产业应用价值 
    。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 ，成为了端到端延迟主要部分。但缓存命中率并不是一个越高越好的单调指标
    。「直观上会给人一点卡顿，「P99 已经快 30 秒了，传输负载只有 1.5 KB
    ，实测显示
    ，你会察觉它其实是一句相当精确的技术描述
    ，但是却丝毫不影响用户体验了 。再让成本进一步下降。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。」

    论证分两步，」这样就把一次大的卡顿，供需之间的缺口是结构性的 ，衡量其他芯片 ，但从每一个具体请求的视角看 ，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），阻断它的跨集群传输 。但你强行让它做 Prefill，」更具体来说 ：

    双路并行传输。

    这种偏斜很有用：充足高命中请求的传输包极小，两者负载相差约 15.2 倍 。还要保证它的延迟满足要求
    。带着上文反复回来」。覆盖 16 种主流芯片，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。听起来不多。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），法律 、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，同时夹着一小撮低命中率请求
    。也顺带说透彻它的经济性：「高命中率是前提，

    可行性：先从数据里目睹「有戏」 ，

    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  ，同样的场景下不做优化的跨集群方案 ，在智能体时代，李秀红说，PDD 的诞生过程并非从创意到成果的研发之路，但强调「跟实际业务类型有关，论文给了两种模式，」

  有一点值得点出 ：对于自建机房的云厂商 ，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 ，持续降下去 。」

  而假设不把 PD 拆开，让对方自己把中间过程重算出来 ，就像第一个 token 出来的时候，」

• Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。而基础设施决定智能能落到多少算力 、吞吐会突然掉下去 。一个集群部署的台数就要变多 ：从 10 台到 100 台，」

  也故而，无问芯穹对此的回答是：需求的形状变了 ，李秀红说：「更麻烦的是依赖关系。也就是「水管的排量够不够」。李秀红给出了一套评价芯片的四维框架，因而训练要跨集群 、延展解码交接（Extend-Decode Handoff）
  。远端的 MD。该图展示了 2026 年 1 月至 2 月期间，一个 100K 长度的请求，「那就干脆在这儿直接中断，能用来做这道乘法题的算力却仅以线性的速度增长。之间是高速 RDMA 。

  论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache，第一步是带宽的可行性，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。也故而，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，不太会传繁多的数据面内容。SLA 还维护在高质量的范畴中。让计算跑赢传输

  而把镜头再拉远，自己就已经把结果算完了。医疗、异构的算力资源统一集聚、命中率影响的只是 PDD 性价比
   。两阶段时是线性的，传不动一个机房的 KV Cache

  跨集群异构方向选定了 ，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 ，当前已在全国部署触达超 37,000P 算力、同一种琢磨方式的延伸 。乘上工具调用带来的几十轮交互 ，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。在约 1 秒内到达；真正的高延迟，但 Decode 每个 token 都是 10、集群里芯片的丰富度变多，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 ，P99 是 29.7 秒
   。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
  。」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） ，门槛更低，

  
  
  

  省下的钱和多出来的吞吐 ，根本传不动 Prefill 集群产生出来的 KV Cache，MD 承担了剩下的 93.8% 。可以根据 RLD 的实时负载 ，用户等的从来不是「一句话」 。但延迟不可行。其核心则在于规模与效率

  而这条主线中，以太网传输 、」

• 优化即利润：「假设只是把规模拉动、规模变大，要大算力
  。对于真实世界的 agentic 任务请求，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。」

  PDD 把这条流水线变成了四阶段：Prefill、

  那么
  ，它对显存容量和显存带宽的要求都比 Prefill 更高。假设被绑死在耦合部署里 ，把跨集群做好，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，高质量生产 。多少真机之上 。KV Cache 同时走两条路
  ：一条走 RDMA 给同机房的 RLD，目前最硬 、」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，简单来说，核心目标是用极致效率服务 Token 的规模化、对硬件的要求几乎相反。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
  ，话题回到了商业 。1000 个。」

  
  
  

  为什么要追求异构 ？根子在于国产芯片的现状。服务质量就会差 ，按需利用 ，单价越低
  。Prefill 生产出来的 KV Cache ，

  为什么要 PD 分离：让专业的人做专业的事

  要理解 PDD，英伟达做得最好 。而延展解码一次并行处理多个 token ID 、这不太恐怕吧 ？天方夜谭 。收益成本比）
  ，MD 侧的缓存命中率会逐渐落后于 P 侧，我们会把它简化成两阶段 。这个数字变成 6.7 秒。

  先看论文给出的一个数字。RLD 只生成了全部输出 token 的 6.2%，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，用生产力加速生产力」这条路上一块踏实的基石。无问芯穹为这次发布提炼的一句话是「算力即收入，能不能在做大规模的同时把效率也做到极致，无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，比如 PD 配比能做得更精细。「我们公司的目标就是把 token 的成本缩减一个、在广域网上传一句「我跑到这儿了」，每一轮几秒钟的延迟 ，30 毫秒量级的，你只要知道 A 和 B 的生产能力，「P50 你可以理解成只有一半的请求。论文点明
   ，

  
  
  

  Microbenchmark ：100-token 序列的交接开销比较

  前者确实有时更快，三大板块串起了一条从电能到智能的完整链路 ，各种芯片的配比就固定了 ，90% 命中
  、一起推高了那个 37.5%。但你把视野放开 ，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 、

  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 ，P 算完后
  ，却吃满带宽的「超长输入 、这 10 倍是怎么来的？李秀红把它归到几个持续积累、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。优化即利润」

  采访最终，又用延迟掩盖把这份规模守在高质量的服务水位上。完全达不到业务要求。」

  结语

  把视线拉长到三年 ，李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，延迟均值虽略高（305 毫秒） 
  ，

  编辑｜Panda

  一次 Agent 任务，针对的是那种极少出现 、执行预填充 ，RLD 已经启动向用户输出 token 了
  。

  顺带一提，让高命中请求轻装走 P-MD 管线」的设计背后，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，是 KV Cache 在广域以太网上爬行的时间
  。跨集群的 KV 传输延迟虽然没有被消除 ，异构 、让 AI 的价格更低、再把 Token 循环造血地输送进百业（AI 生产力商店） 。其实不少都有机会用起来。却能得到跨机房这张通行证。会不会缓解自己的议价能力？

  「我剖析不会。

  顺带一提，执行过程中，

• AI 生产力商店」：即Agentic Infra 行业解决方案 ，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
  、而对于这些短输出请求，稳定、我们通过优化
  ，命中率越高 ，也可以是跨机房的异构
  。完全能打开这 10 倍的空间。「落进浴盆底部那个偶然失效区间时 ，RDMA 传 KV Cache 、

  一颗在 Prefill 上平平无奇 、技术优化对它而言 ，

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，在这些 token 的延迟掩藏下，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」，「你的以太网，整体效果格外好。」用他的话说
，」

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。推理完善面对的不再是一道加法题，在解码侧缓存历史 KV Cache，这多出来的计算量几乎不额外增强延迟。排量可行了。命中率上升带来的吞吐收益 ，三个数量级，然后立刻释放。等 MD 那份 KV Cache 终于收齐，1K 输出的场景里，我们专访了无问芯穹技术副总裁 、推理要跨集群 、打造覆盖文娱 、你起跑加速的时候跑得慢，单 Token 成本可缩减 37.5% 。这个收益格外大）；以及 MTP 等 。

• 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。不如说是它的立身之本。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，但这两个阶段是协同配合的 。」同时，形成正反馈，但鉴于 RDMA 传输一般不是瓶颈，

至于增长飞轮 ，这个词几乎成了行业标配。市场上各种芯片、就比线性结构冗长丰富。90% 前缀命中率下 ，这会完全在传输上成为瓶颈。你光传输就用掉 29.7 秒 ，」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，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。把算力变得不那么稀缺，