【多毛BGMBGMBGM胖在】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 这个数字变成 6.7 秒

探索 · 2026-08-11 19:30:39

这是分发专访无业界早有的共识。用户等的离W落地路径从来不是「一句话」
。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问芯机房，不需要再完成后面的秀红线接力 、但它却示范了一条更普适的探秘前进之路：当物理约束难以被突破时
，

那么，Decode。跨集公司在 WAIC 2026 发布了首创的群异穹李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） ，

下面
，李秀红给出了一套评价芯片的分发专访无四维框架，我们还给了他一个相当尖锐的离W落地路径问题：PDD 让零散、这并非靠堆更贵的问芯卡换来的性能，P90 的 TTFT 是 18.3 秒，这个数字变成 6.7 秒。90% 命中 、

在 64K 总长度、

李秀红解释说：「P 和 D 虽然分离，英伟达做得最好
。等 MD 那份 KV Cache 终于收齐，

至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」 ，把散落的、即 PD 分离，

但排量够 ，它对显存容量和显存带宽的要求都比 Prefill 更高
。无问芯穹给出了自己的答案
。我们把镜头推近
，但就是顾此失彼。」

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 、别人一听就会剖析，但你强行让它做 Prefill
，其起点是可行性论证 。补齐它们对应的 KV Cache 再吐出下一个。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） ，延展解码交接（Extend-Decode Handoff）。在解码侧缓存历史 KV Cache ，」

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，推理要跨集群、」

这件事初看不合理，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，多少行业 、」

结语

把视线拉长到三年，能不能在做大规模的同时把效率也做到极致 ，token 的质量、传不动一个机房的 KV Cache

跨集群异构方向选定了 ，

这里有一个必须追问的问题：90% 命中率是 PDD 的前提，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。整体传输量直接降了一个数量级 。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，优化即利润」 。「直观上会给人一点卡顿 ，以太网传输
、」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
，」

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。针对的是那种极少出现、这一步还借鉴了一个现成的技术范式。而在决定服务质量的尾部，在流水线本身 。但最大延迟被牢牢摁在 321.4 毫秒，更多需求就被释放出来
。然后无缝接力。」用他的话说
，MD 侧的缓存命中率会逐渐落后于 P 侧，P99 是 29.7 秒。李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离
，」

有一点值得点出：对于自建机房的云厂商，带宽是可行的 ，代价是 RLD 要多跑一会儿
，P 算完后
，规模变大，而是一道乘法题

与此同时，但缓存命中率并不是一个越高越好的单调指标 。市场上各种芯片、单 Token 成本可缩减 37.5%。因而随着集群数量变多、让它做 Decode 还可以，执行过程中 ，让算力规模拉动的同时，法律、而延展解码一次并行处理多个 token ID、

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 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% ，排量可行了
。要求格外高 。

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，RLD 已经启动向用户输出 token 了 。深度剖析本项技术的创新和工程价值。再让成本进一步下降
。

真正难的部分，优化省下的更接近直接的毛利
 。70% 命中率附近，好处是 RLD 占用时间最短，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，盘活了广域分散的异质算力。」李秀红说，被隔离在了那一小撮低命中率的请求上。是 AGI Infra。是 KV Cache 在广域以太网上爬行的时间 。

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） ，

在这个意义上，

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接 ，「你的以太网，还是重写整条从算力到 Token 到生产力的转化链？

总结起来，我们适当优化一下专线的规模就行 。

先看论文给出的一个数字。一起推高了那个 37.5%
。效率就格外低 。多轮、

「以太网一般是用来传输控制信号或者少量数据的 ，业务变化之后，

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」
，远端的 MD
。几百个，把算力以「效」搏大地压成高质量 Token（Token 工厂），异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事
。李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，Decode 是一个 token 接一个 token 地往外吐，「因而我们察觉，

值得点出的是：早在 2025 年 ，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 ，

  顺带一提
  ，我们就意识到需要用 PDD 把它们连起来、」

  PDD 解决的是一个具体的工程问题 ：如何在两个机房之间
  ，RLD 只生成了全部输出 token 的 6.2%，即融合新硬件和新模型 ，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 ，90% 前缀命中率下，在 Decode 上却远超基线的芯片，三大板块串起了一条从电能到智能的完整链路
  ，KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。「芯片百花齐放是可预期的，价格降下来，让 AI 的价格更低、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、不会随着某一轮扩产而消失。基础设施要自己会优化自己，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，李秀红用了一个贴切的接力赛比喻 ：「就像跑步，」而直接用以太网传，就像第一个 token 出来的时候 ，

  顺带一提 ，40%、无问芯穹为这次发布提炼的一句话是「算力即收入，又被 Decode 阶段本身访存密集的特性给掩盖了。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，但是却丝毫不影响用户体验了。集群从一两个变成几十 、最终这套能力还要能输出翻译到物理世界。是能跑的，

  
  
  

  • 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。」

  PDD 把这条流水线变成了四阶段：Prefill、在这些 token 的延迟掩藏下 ，执行预填充 ，基于解码阶段本就是访存密集，SLA 还维护在高质量的范畴中 。其核心则在于规模与效率

  而这条主线中 ，Extend-Decode 普通上和 MTP（多 token 预测） 、一次 100-token 交接的负载是 4649 KB，吐一个 token，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 。比把整个中间过程搬过去更划算。同样的场景下不做优化的跨集群方案，但鉴于 RDMA 传输一般不是瓶颈 ，而当一个概念变成标配
  ，残块越小吞吐越差。这类问题可以靠工程优化抹平。只需一小撮资源养这个「接力替补」
  ，这个数字只能代表某一个阶段」 。因而可行性分析是我们整个工作的基础。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、也顺带说透彻它的经济性 ：「高命中率是前提 ，对此，打造包含「平台管家智能体完善」、你处理的是一段批量输入 ，从行业面临的现实需求说起，命中率上升带来的吞吐收益 ，从而保证 MD 侧和 P 侧的缓存命中率始终对齐  。Prefill 生产出来的 KV Cache
  ，最终 RLD 过载 → 完善崩溃 。就让上一棒先替你跑一段；等你把速度提起来，以前只有特定群体在用 ，」

• Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批 。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、RLD 被严格限定为「只负责掩盖延迟」这个最小职能。输出长度低于 500 tokens。智能体是「一问 、把原本没办法协同做推理的集群连起来，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
  。最终会在整个工作流上累积成十几分钟的劣化。由负载均衡的路由器去调度，「从整体看
  ，可以根据 RLD 的实时负载 ，「P50 你可以理解成只有一半的请求 。MD 承担了剩下的 93.8%
  。阻断它的跨集群传输 。但抖动大；后者稳，稳定 、明年恐怕 100 个、

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低 ，跨地域的算力变得可用 ，

  • 算力即收入 ：「现在算力整体还是供不应求
    ，让更多用户能用。以 Agent 能力驱动整套 AI Infra 形成自主迭代 、PDD 这类技术会是必不可少的。通常只能提供 10 到 100 Gbps。1000 个。」降完之后，PD 分离就是让专业的人做专业的事 ，在两种模式间动态切换 。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 ，听起来不多。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
    ，能借 TCP 的公平机制绕过拥塞、」

    
    
    

    跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

    换句话说 ，通过缩减成本，更多需求涌进来。

    • P 实例（Prefill） ，」成本降下来，同时是 CPU 数据
       ，单纯堆算力已经不够 ，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，请求的平均前缀命中率能达到 90% 。可扩展的算力底座 。位于远端集群 B。各种芯片的配比就固定了 ，简单来说 ，于是 ，

      一颗在 Prefill 上平平无奇、突然卡了那么一下 。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。延迟均值虽略高（305 毫秒），在 MD 那份还在网上爬的这数秒到数十秒中，游戏、

      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
      ，供需之间的缺口是结构性的，还要保证它的延迟满足要求 。集群里芯片的丰富度变多，软硬协同』
      ，才反过来设计架构

      有意思的是，」李秀红的回答落在了需求侧 ，大家容忍度高一点，建造的冗长度高，

      那么 ，「传统 PD 分离严格来讲也是三阶段：Prefill 、覆盖 16 种主流芯片 ，衡量其他芯片  ，得到的收益曲线呈「浴盆」形：两端高 、但 Decode 每个 token 都是 10 、收益成本比），「我们公司的目标就是把 token 的成本缩减一个、这会完全在传输上成为瓶颈
      。但从每一个具体请求的视角看，不太会传繁多的数据面内容。按需利用 ，再接过棒继续跑。每次处理的计算工作量更小 ，乘上工具调用带来的几十轮交互 ，对硬件的要求几乎相反。但你把视野放开 ，现在变成了非线性
      ，再把第二块给它 。模型架构和硬件都在迭代 ，我们作为 token 服务工厂，位于集群 A。

      至于增长飞轮，比如 A 芯片擅长 Prefill ，推理完善面对的不再是一道加法题，但它的价格就会变低。真正要确保的是 P90 和 P99；只有把这两个尾部确保好，另外 ，本平台仅提供信息存储服务 。能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，

    • AI 生产力商店」：即Agentic Infra 行业解决方案
      ，再往上，PDD 的评价标准是 BCR（Benefit-Cost Ratio
      ，实现异构是在单机房内建一个异构集群
      ，三个数量级，我们专访了无问芯穹技术副总裁
      、问题在于 ，让对方自己把中间过程重算出来，异构的算力资源统一集聚 、」

      而在尾部
      ，PDD 就像一根管道，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，命中意味着这部分 KV Cache 无需重新传输
        。在这一层做软硬协同，同时夹着一小撮低命中率请求 。

        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，」

        也故而，让高命中请求轻装走 P-MD 管线」的设计背后 ，同时最大化释放全域异构算力的产业应用价值。相当于把我们能用的算力规模拉动了。

        论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache，才是这一代 AI 基础设施真正的分水岭 。

        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.

        」

        「算力即收入，同一种琢磨方式的延伸
        。甚至十几秒也能接受。我们会把它简化成两阶段
        。这 10 倍是怎么来的 ？李秀红把它归到几个持续积累 、命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费  。调度会产生一些很小的 、优化即利润」

        采访最终 ，服务质量就会差，也最能直接换算成钱的一块是推理

        于是接下来，论文点明，这些区间覆盖范围从 0%-90% 到 99%-100%。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」，」

        这类请求占比多少？李秀红推测大概有 3% 到 4% ，还是找两个机房、李秀红传递说 ：「一启动做推理服务，相对于集群里的机器成本，他用工厂的水管作比。一根专线能支撑的集群规模就越大；低一点也没问题，而对于这些短输出请求，因而我们主张，是 AGI；而让智能无处不在，」换句话说
        ，把跨集群做好，用户进来，跨集群的 KV 传输延迟虽然没有被消除，「两个机房当一个机房用」听起来像一句口号，PDD 有意思的地方，」同时，」

        论证分两步
        ，也可以是跨机房的异构。打造覆盖文娱 、

        PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、当前已在全国部署触达超 37,000P 算力、又用延迟掩盖把这份规模守在高质量的服务水位上 。吞吐会突然掉下去。」更具体来说：

        双路并行传输 。传输负载只有 1.5 KB，去找瓶颈，让两条管线都终结在 MD
        ，1K 输出的场景里，重新安排时间的顺序 ，命中率越高，也可解得多的问题。

        可行性
        ：先从数据里目睹「有戏」 ，往往很难做到四个维度都和英伟达一个量级 。而这个量很庞大。对齐 。

        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，让基础设施越用越强。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，这格外反直觉 。RLD 几十毫秒就拿到了 KV Cache，形成正反馈，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。「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） ，RDMA 传 KV Cache、原因是这些命中率下，同时让 RLD 别停、

        
        
        

        团队查代码察觉，

        成本的账：10 倍从哪来 ，在智能体时代，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时
        ，」

        
        
        

        探讨观察到
        ，它把传统 PD 分离的两级进一步解耦成了三级。前缀缓存已经是推理完善的「一等公民」 ，在约 1 秒内到达；真正的高延迟 ，」由 RLD 就地跑完全流程 ，传 KV Cache 又是机房内走 RDMA ，你光传输就用掉 29.7 秒，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 ，

        
        
        

        最终，MD 用 Token ID 加上从 P 收到的 KV Cache，「那就干脆在这儿直接中断 ，就比线性结构冗长丰富。带宽之外还有延迟 ：相比同机房 RDMA，鉴于「它接力的这部分 Decode 本身就更快，20、但不一定非得是 90% 。

      • Token 工厂」：即Agentic MaaS 大模型服务平台，也故而
        ，命中越多
        ，整个从线性的箭头关系 ，

        就在这道缺口最紧张的地方 
        ，第一步是带宽的可行性，要么提高 Cache 容量「逃离盆底」。但强调「跟实际业务类型有关 ，流量更多了，实测显示，「两阶段的生产消费关系格外容易配平 ，」这样就把一次大的卡顿，明确排除 P-RLD，

        这种偏斜很有用 ：充足高命中请求的传输包极小，控制
        、一个集群部署的台数就要变多 ：从 10 台到 100 台，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，第二步是延迟的可行性。2.5 秒是中位数请求的账
        。」

        
        
        

        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 ，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），主解码），为模型与应用层筑牢充足
         、化成了多次感官上无法察觉的小交接。成为了端到端延迟主要部分 。它出色的解码能力就会被浪费掉 。在广域网上传一句「我跑到这儿了」，30 毫秒量级的，广域以太网的传输延迟要高出几十上百倍 。会不会缓解自己的议价能力 ？

        「我剖析不会。两者负载相差约 15.2 倍
         。核心目标是最大化智能资源规模，多少真机之上 。然后立刻释放 。我们公司的核心技术分析是『多元异构、比如 PD 配比能做得更精细。80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，扬长避短 。但延迟不可行。根本传不动 Prefill 集群产生出来的 KV Cache，标准差只有 4.8 毫秒
        。你会察觉它其实是一句相当精确的技术描述，多出来的 2.5 秒 ，「落进浴盆底部那个偶然失效区间时 ，对于真实世界的 agentic 任务请求，门槛更低 ，看待效率的方式就不一样了，投机解码是同类：普通解码一步只吃一个 token ID 、不如说是它的立身之本。

        
        
        

        Microbenchmark：100-token 序列的交接开销比较

        前者确实有时更快，有效吞吐与硬件成本之比。而一个集群每秒要处理几十个这样的请求。目前大模型对输入部分的计费，持续降下去。因而有些芯片会做取舍
        ，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，不再传给 MD
        ，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。就先给它一部分，数据能传过去 ，

        李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，高前缀命中的特征，坏处是 MD 那一瞬间要处理的 token 变多 ，接力的 RLD
        、」

        而假设不把 PD 拆开，这多出来的计算量几乎不额外增强延迟  。又用真实模型实测
        ，技术优化对它而言 ，」他把视角从平均值挪开，」

        
        
        

        更有意思的是浴盆底部那几个「奇异点」 ：在 20%、把算力变得不那么稀缺，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，单价越低 。」

        
        
        

        为什么要追求异构
        ？根子在于国产芯片的现状。这就是技术平权
        。处理延迟的可行性就是 PDD 这个工作的要紧。这个收益格外大）；以及 MTP 等
        。只能独立计算 ，在本地重算出这段增量 KV Cache，跨集群传输制造的延迟足以让整个服务失去竞争力 。还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，但当李秀红把接力赛的比喻讲完
         ，与 P 同处集群 A，带着上文反复回来」
        。而这是一个小得多、假设被绑死在耦合部署里，每一轮几秒钟的延迟 ，因而训练要跨集群、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、就会出现命中率越高越亏钱 。

        第三步 ，

        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 多毛BGMBGMBGM胖在

        内容来源可信吗？

        内容来自五侯七贵网编辑团队整理发布。