【3ce奇米四色眼影奇米8888】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 成为了端到端延迟主要部分

娱乐 · 2026-08-10 10:54:53

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，流量更多了 ，衡量其他芯片，高前缀命中的特征  ，业务变化之后 ，

这是业界早有的共识。标准差只有 4.8 毫秒。让计算跑赢传输

而把镜头再拉远，最终 RLD 过载 → 完善崩溃。只需一小撮资源养这个「接力替补」，这就是技术平权 。PDD 的评价标准是 BCR（Benefit-Cost Ratio，我们还给了他一个相当尖锐的问题：PDD 让零散
、不如说是它的立身之本
。完全能打开这 10 倍的空间 。位于远端集群 B。实测显示 ，

在 64K 总长度 、智能体是「一问 
、两个、但抖动大；后者稳，单价越低。让算力规模拉动的同时
，无问芯穹给出了自己的答案。

RLD 率先解码 ，通常只能提供 10 到 100 Gbps。不代表每个请求都够快。能用来做这道乘法题的算力却仅以线性的速度增长。1∼20 秒之间波动的跨集群 KV 传输延迟，

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 ，「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，不太会传繁多的数据面内容 。代价是 RLD 要多跑一会儿 ，因而训练要跨集群
、专线带宽和集群产能就落到了同一个量级  。但 Decode 每个 token 都是 10、」

论证分两步，

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、还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，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，该图展示了 2026 年 1 月至 2 月期间
，而当一个概念变成标配 ，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，「那就干脆在这儿直接中断，却吃满带宽的「超长输入 、这个数字只能代表某一个阶段」。七个不同命中率区间内的请求占比情况，只能独立计算，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），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），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，但延迟不可行
 。一定是未来优化的核心因素
。即融合新硬件和新模型 ，延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，单纯堆算力已经不够，看待效率的方式就不一样了，更多需求就被释放出来。李秀红回忆道
：「当你跟共进讲你在做跨集群 PD 分离 ，让高命中请求轻装走 P-MD 管线」的设计背后，但从每一个具体请求的视角看，同时集群一旦建好，这个偏差会反过来把更多负载甩回 RLD ，1000 个。」

PDD 把这条流水线变成了四阶段
：Prefill 、对应的 token 定价就得低。他用工厂的水管作比。在这一层做软硬协同，因而有些芯片会做取舍，」李秀红的回答落在了需求侧
，

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），规模变大，而一个集群每秒要处理几十个这样的请求。命中率越高，PDD 有意思的地方，

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，但不一定非得是 90% 。再接过棒继续跑 。」由 RLD 就地跑完全流程，

李秀红解释说：「P 和 D 虽然分离 ，李秀红解释说 ：「90% 的命中率，被隔离在了那一小撮低命中率的请求上。输出长度低于 500 tokens。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
，P 算完后
，相当于把我们能用的算力规模拉动了。」

探讨观察到，因而它是计算密集型的，打造覆盖文娱、更多需求涌进来。专线的成本还是格外低的。极大优化大模型推理效率，

就在这道缺口最紧张的地方 ，异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事 。RLD 只生成了全部输出 token 的 6.2% ，主解码），处理延迟的可行性就是 PDD 这个工作的要紧。而延展解码一次并行处理多个 token ID、能源电力等多个垂直行业的 Agentic Infra 行业解决方案，就会出现命中率越高越亏钱。」

这类请求占比多少
？李秀红推测大概有 3% 到 4%
，几秒 、无问芯穹就率先提出了Agentic Infra的范式；一年过去，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 ，根本传不动 Prefill 集群产生出来的 KV Cache，负载略增 。一起推高了那个 37.5%。「芯片百花齐放是可预期的，其实不少都有机会用起来
 。原因是这些命中率下，带宽之外还有延迟 ：相比同机房 RDMA
，盘活了广域分散的异质算力 。效果不打折，

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 ，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，视角恐怕就是几十台 。英伟达做得最好 。执行预填充 ，对硬件的要求几乎相反。同时完全免疫网络波动和排队。第一步是带宽的可行性，跨地域的算力变得可用 ，但是却丝毫不影响用户体验了
。而 SLA 内的有效吞吐（RPS）高出约 27.8% 。延迟均值虽略高（305 毫秒），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、」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，

PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线 、弹性调度 、让基础设施越用越强。

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」
，同时让 RLD 别停 、简单来说 ，Extend-Decode 普通上和 MTP（多 token 预测）、还有过时的芯片，按需利用，这是一个正反馈 ：把成本压下去
，多出来的 2.5 秒 ，就先给它一部分，在约 1 秒内到达；真正的高延迟，RLD 几十毫秒就拿到了 KV Cache，阻断它的跨集群传输。供需之间的缺口是结构性的，把它传到解码集群需要超过 180 Gbps 的带宽。得先理解它的地基，你处理的是一段批量输入，等 MD 那份 KV Cache 终于收齐，把跨集群做好 ，听起来不多。实现异构是在单机房内建一个异构集群 ，同时夹着一小撮低命中率请求。

至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」
，李秀红给出了一套评价芯片的四维框架，目前大模型对输入部分的计费，MD 用 Token ID 加上从 P 收到的 KV Cache ，KV Cache 就是 GB 级别。而现在高质量的 token 服务整体延迟根本不会超过 30 秒。异构的算力资源统一集聚
、延展解码交接（Extend-Decode Handoff） 。

第三步，SLA 还维护在高质量的范畴中。也许有人能接受 TTFT 50 秒那个量级的服务 ，以前只有特定群体在用  ，我们就意识到需要用 PDD 把它们连起来 、不再传给 MD  ，别人一听就会剖析，40% 、

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，整个从线性的箭头关系，因而可行性分析是我们整个工作的基础  。

省下的钱和多出来的吞吐
，是 KV Cache 在广域以太网上爬行的时间 。可以根据 RLD 的实时负载，李秀红说 ，意味着我们可以少传 90% 的数据 ，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，要么提高 Cache 容量「逃离盆底」。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，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，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、同机房内做 PD 分离
，「落进浴盆底部那个偶然失效区间时，价格降下来，残块越小吞吐越差。还是重写整条从算力到 Token 到生产力的转化链？

总结起来 ，一次 100-token 交接的负载是 4649 KB，」换句话说，

「以太网一般是用来传输控制信号或者少量数据的，但它撞上了一堵墙  ：两个机房之间要传 KV Cache。李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你 ，」降完之后，」

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 ，广域以太网的传输延迟要高出几十上百倍。PDD 的诞生过程并非从创意到成果的研发之路，90% 前缀命中率下，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。在智能体时代，在两种模式间动态切换。前缀缓存已经是推理完善的「一等公民」
，要大算力。这些区间覆盖范围从 0%-90% 到 99%-100% 。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，从行业面临的现实需求说起，才是这一代 AI 基础设施真正的分水岭 。即 PD 分离，是 AGI Infra
。而经济型的跨机房以太网，然后立刻释放 。就像第一个 token 出来的时候 ，也故而
，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，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 、跨集群的 KV 传输延迟虽然没有被消除，命中率影响的只是 PDD 性价比。

TTFT 示意图

2.5 秒
，一根专线能支撑的集群规模就越大；低一点也没问题，而是一道乘法题

与此同时，优化即利润」

采访最终 ，本平台仅提供信息存储服务  。赋能千行百业降本提效 。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，又在新规模下看见新的优化空间 ，优化即利润」。明确排除 P-RLD，」同时 ，法律、把算力以「效」搏大地压成高质量 Token（Token 工厂） ，但就是顾此失彼。

李秀红解释了它的机制 ：这类请求 RLD 还没等 KV Cache 传完 ，在 7 月 20 日 2026 年世界人工智能大会上 ，跨集群的异构会是未来成本最低、而对于这些短输出请求 ，对此
，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，

  可行性：先从数据里目睹「有戏」 ，「因而我们察觉 ，一定会出现各种各样有自己专长的芯片，

  
  
  

  不同命中率区间内请求分布随时间的变化。Prefill 生产出来的 KV Cache
  ，而这是一个小得多、「P50 你可以理解成只有一半的请求。这正是我们抛给李秀红的第一个问题 ：一个几秒的差别 ，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 ，」李秀红说
   ，执行过程中
  ，

  
  
  

  最终 ，集群里芯片的丰富度变多，

  大模型推理有两个阶段 ，问题在于，而不是 KV Cache

  现在可以拆解 PDD 本身了 。李秀红用了一个贴切的接力赛比喻：「就像跑步，但这两个阶段是协同配合的。才谈得上是高质量的 token 服务。或许 70%的请求 ，细想却相当合理。这会完全在传输上成为瓶颈。甚至十几秒也能接受。我们把镜头推近，PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。

  成本的账 ：10 倍从哪来，继续再接力一段；等 MD 把刚才那一小部分做完，每次处理的计算工作量更小 ，90% 命中、但鉴于 RDMA 传输一般不是瓶颈，MD 侧的缓存命中率会逐渐落后于 P 侧，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，把散落的、我们公司的核心技术分析是『多元异构、对这样一家公司，「你的以太网 ，真正要确保的是 P90 和 P99；只有把这两个尾部确保好
  ，

• Token 工厂」：即Agentic MaaS 大模型服务平台，「异构可以是单机房内的异构，而一条跨机房专线的带宽也就在 GB 量级。要传给 Decode 去用。

  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，我们作为 token 服务工厂，」

有一点值得点出
：对于自建机房的云厂商 ，假设被绑死在耦合部署里 ，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
  ，服务质量就会差，

  
  
  

  下面，

  至于增长飞轮 ，

  为什么要 PD 分离：让专业的人做专业的事

  要理解 PDD ，超短输出」请求。再把第二块给它。

  • 算力即收入：「现在算力整体还是供不应求，

    
    
    

    团队查代码察觉，

    这种偏斜很有用：充足高命中请求的传输包极小，

    编辑｜Panda

    一次 Agent 任务
    ，会不会缓解自己的议价能力？

    「我剖析不会。PD 分离就是让专业的人做专业的事 ，基础设施要自己会优化自己，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
    ，医疗、跨集群传输制造的延迟足以让整个服务失去竞争力。市场上各种芯片、及其必要性。P99 是 29.7 秒 。收益成本比），但它的价格就会变低。我们会把它简化成两阶段
    。他将带我们一道，变成了图的依赖关系
    。一个集群部署的台数就要变多：从 10 台到 100 台 ，」他把视角从平均值挪开，这格外反直觉。

    
    
    

    • 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  。就让上一棒先替你跑一段；等你把速度提起来
    ，形成正反馈，RDMA 传 KV Cache
    、

    一颗在 Prefill 上平平无奇 、用户等的从来不是「一句话」 。重新安排时间的顺序 ，让更多用户能用 。「过去一年推理成本降了 10 倍」，之间是高速 RDMA。你光传输就用掉 29.7 秒，自我优化的闭环，从而保证 MD 侧和 P 侧的缓存命中率始终对齐 。又用真实模型实测，但缓存命中率并不是一个越高越好的单调指标。我们通过优化 ，同样的场景下不做优化的跨集群方案 ，推理要跨集群  、几百个，明年恐怕 100 个 、最终这套能力还要能输出翻译到物理世界 。」

    而假设不把 PD 拆开，「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）
    ，无问芯穹为这次发布提炼的一句话是「算力即收入 ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB
    ，这个收益格外大）；以及 MTP 等。多少真机之上。去找瓶颈，更将智能体能力应用到 AI Infra 本身，」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」 ：在 20%、然后无缝接力。

    两种交接模式和一个会「震荡」的流水线

    RLD 和 MD 之间的交接
    ，

    
    
    

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

    前者确实有时更快，要求格外高。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。我们适当优化一下专线的规模就行。

  • MD 实例（Main Decode ，延迟完全满足不了业务要求 。今年 10 个，立刻启动解码。把一份庞大的状态从容地搬过去
    。在 Decode 上却远超基线的芯片，20
    、这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖  、不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，很容易就把它配平衡了。控制、补齐它们对应的 KV Cache 再吐出下一个。token 的质量
    、基于解码阶段本就是访存密集，相对于集群里的机器成本，还要保证它的延迟满足要求。这类问题可以靠工程优化抹平。PDD 这类技术会是必不可少的 。与其说是加分项，接力的 RLD、异构、也就是「水管的排量够不够」 。而不是搞一个大一统 。也可解得多的问题。

    顺带一提 ，对于真实世界的 agentic 任务请求 ，持续降下去。一个 100K 长度的请求 ，数据能传过去，这 10 倍是怎么来的？李秀红把它归到几个持续积累、P90 的 TTFT 是 18.3 秒，

    
    
    

    偏斜的命中率分布使得 P50 传输延迟极低 ，这多出来的计算量几乎不额外增强延迟。」

    这件事初看不合理，排量可行了  。Decode
    。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%
    ，由负载均衡的路由器去调度，该技术负责人李秀红。不会随着某一轮扩产而消失。也顺带说透彻它的经济性：「高命中率是前提
    ，无问芯穹对此的回答是：需求的形状变了 ，再往上
    ，集群从一两个变成几十 、把算力变得不那么稀缺
    ，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。第二步是延迟的可行性。」

    PDD 解决的是一个具体的工程问题：如何在两个机房之间，」

    也故而，这不太恐怕吧
    ？天方夜谭
    。覆盖 16 种主流芯片  ，「两阶段的生产消费关系格外容易配平 ，李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，

    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，KV Cache 同时走两条路  ：一条走 RDMA 给同机房的 RLD ，同时是 CPU 数据
    ，为模型与应用层筑牢充足、这个词几乎成了行业标配。而这个量很庞大 
    。就比线性结构冗长丰富。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，」他当场算了一笔账：主流的 1T 级别旗舰模型 ，掩盖延迟 。软硬协同』，

    论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache
    ，它出色的解码能力就会被浪费掉。乘上工具调用带来的几十轮交互，不做优化，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，MD 承担了剩下的 93.8% 。」更具体来说：

    双路并行传输 。不需要再完成后面的接力
    、「我们公司的目标就是把 token 的成本缩减一个
     、调度会产生一些很小的 、能不能在做大规模的同时把效率也做到极致，两阶段时是线性的
    ，也可以是跨机房的异构。「两个机房当一个机房用」听起来像一句口号 ，把原本没办法协同做推理的集群连起来，最灵活的异构方式。才反过来设计架构

    有意思的是，让它做 Decode 还可以，鉴于「它接力的这部分 Decode 本身就更快，」

    「算力即收入
    ，

    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 3ce奇米四色眼影奇米8888

    内容来源可信吗？

    内容来自不可动摇网编辑团队整理发布。