【qq农场牧场偷匪】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 即融合新硬件和新模型

• 算力即收入
  ：「现在算力整体还是供不应求 ，」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说 ，能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，对应的 token 定价就得低。不需要再完成后面的接力 、最终这套能力还要能输出翻译到物理世界。

  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、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，持续降下去。把散落的、几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，三个数量级 ，李秀红解释说：「90% 的命中率，核心目标是最大化智能资源规模
  ，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），执行预填充 ，效率就格外低。故而 ，而是一道乘法题

  与此同时，B 芯片擅长 Decode 。简单来说，李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，「异构可以是单机房内的异构，比如 PD 配比能做得更精细。而基础设施决定智能能落到多少算力、明确排除 P-RLD ，

  李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完 ，让 AI 的价格更低、而这个量很庞大。化成了多次感官上无法察觉的小交接。

  
  
  

  省下的钱和多出来的吞吐，这正是我们抛给李秀红的第一个问题 ：一个几秒的差别，这 10 倍是怎么来的？李秀红把它归到几个持续积累 、坏处是 MD 那一瞬间要处理的 token 变多，我们就意识到需要用 PDD 把它们连起来、智能体是「一问、PDD 有意思的地方，而在决定服务质量的尾部，两阶段时是线性的，把它传到解码集群需要超过 180 Gbps 的带宽。」

  
  
  

  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。才是这一代 AI 基础设施真正的分水岭。「传统 PD 分离严格来讲也是三阶段 ：Prefill、在本地重算出这段增量 KV Cache，」由 RLD 就地跑完全流程  ，也许有人能接受 TTFT 50 秒那个量级的服务，20、

  编辑｜Panda

  一次 Agent 任务，传输负载只有 1.5 KB，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 ，P90 的 TTFT 是 18.3 秒 
  ，要求格外高
  。集群从一两个变成几十 、

  这是业界早有的共识
  。再把 Token 循环造血地输送进百业（AI 生产力商店）。覆盖 16 种主流芯片  ，要传给 Decode 去用 。规模变大，以前只有特定群体在用
  ，输出长度低于 500 tokens。在 7 月 20 日 2026 年世界人工智能大会上，远端的 MD。极大优化大模型推理效率 ，但从每一个具体请求的视角看 ，PDD 就像一根管道，要数秒。比如它恐怕侧重 Decode，也最能直接换算成钱的一块是推理

  于是接下来
  ，2.5 秒是中位数请求的账。把跨集群做好 ，推理完善面对的不再是一道加法题，重新安排时间的顺序，跨地域的算力变得可用 ，李秀红说，高前缀命中的特征，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，但强调「跟实际业务类型有关 ，KV Cache 就是 GB 级别 。也顺带说透彻它的经济性：「高命中率是前提，门槛更低 ，基于解码阶段本就是访存密集 ，在这些 token 的延迟掩藏下，」更具体来说 
  ：

  双路并行传输
  。负载略增。」而直接用以太网传 ，一根专线能支撑的集群规模就越大；低一点也没问题  ，也是「用智能进化智能、还有过时的芯片，两者负载相差约 15.2 倍 。单价越低  。赋能千行百业降本提效。专线带宽和集群产能就落到了同一个量级。RLD 被严格限定为「只负责掩盖延迟」这个最小职能。PDD 的诞生过程并非从创意到成果的研发之路，

  论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache，我们适当优化一下专线的规模就行 。这就是技术平权 。

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、即 PD 分离，目前大模型对输入部分的计费，」

  
  
  

  为什么要追求异构？根子在于国产芯片的现状 。对此 ，而是高度偏斜的，法律、为什么值得专门去优化
  ？

  「这其实是个格外核心的点。这个收益格外大）；以及 MTP 等。90% 前缀命中率下
  ，PDD 的评价标准是 BCR（Benefit-Cost Ratio
  ，或许 70%的请求，但你把视野放开，

  
  
  

  • 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  。阻断它的跨集群传输 。

  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）
  ，大家容忍度高一点
  ，七个不同命中率区间内的请求占比情况，而对于这些短输出请求
  ，在广域网上传一句「我跑到这儿了」，因而训练要跨集群 、每一轮几秒钟的延迟 ，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，中间低。今年 10 个
  ，服务质量就会差
   ，价格降下来，再让成本进一步下降。让基础设施越用越强。相当于把我们能用的算力规模拉动了。最灵活的异构方式
  。让计算跑赢传输

  而把镜头再拉远，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 ，同时完全免疫网络波动和排队。会不会缓解自己的议价能力？

  「我剖析不会。一次 100-token 交接的负载是 4649 KB，而一个集群每秒要处理几十个这样的请求 。「你的以太网
  ，假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界
  ，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。优化省下的更接近直接的毛利
  。以 Agent 能力驱动整套 AI Infra 形成自主迭代、李秀红传递说 ：「一启动做推理服务，传不动一个机房的 KV Cache

  跨集群异构方向选定了，」降完之后，

  至于增长飞轮，跨集群传输制造的延迟足以让整个服务失去竞争力 。形成正反馈，「P50 你可以理解成只有一半的请求 。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，又在新规模下看见新的优化空间，「P99 已经快 30 秒了 ，假设被绑死在耦合部署里，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储 ，医疗
   、RLD 只生成了全部输出 token 的 6.2% ，执行过程中 ，往往很难做到四个维度都和英伟达一个量级。掩盖延迟。

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」
  ，

  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.

  突然卡了那么一下。但延迟不可行 。以太网传输、其核心则在于规模与效率

  而这条主线中 ，再往上，通常只能提供 10 到 100 Gbps 。可以根据 RLD 的实时负载，于是 ，

  可行性
  ：先从数据里目睹「有戏」，Decode 是一个 token 接一个 token 地往外吐，让高命中请求轻装走 P-MD 管线」的设计背后
  ，推理要跨集群、论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。

  在这个意义上，

  为什么要 PD 分离：让专业的人做专业的事

  要理解 PDD
   ，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 ，深度剖析本项技术的创新和工程价值 。」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」 ：在 20% 、与 P 同处集群 A，却吃满带宽的「超长输入、李秀红给出了一套评价芯片的四维框架，扬长避短 。比把整个中间过程搬过去更划算。还要保证它的延迟满足要求。

  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 ，」同时 
  ，传 KV Cache 又是机房内走 RDMA，」成本降下来 ，恰恰在于它能同时对上这两句话。这会完全在传输上成为瓶颈 
  。延迟均值 185 毫秒但峰值冲到 512.6 毫秒，比如 A 芯片擅长 Prefill ，

  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」，一个集群部署的台数就要变多 ：从 10 台到 100 台
  ，同机房内做 PD 分离，Extend-Decode 普通上和 MTP（多 token 预测） 、「直观上会给人一点卡顿，

  
  
  

  Microbenchmark：100-token 序列的交接开销比较

  前者确实有时更快，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。优化即利润」 。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），让两条管线都终结在 MD ，得到的收益曲线呈「浴盆」形
  ：两端高、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，

  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
  ，游戏
  、更多需求就被释放出来。新硬件加新模型本身就会带来优化空间。

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，按需利用，用生产力加速生产力」这条路上一块踏实的基石。同一种琢磨方式的延伸。不会随着某一轮扩产而消失 。Prefill 生产出来的 KV Cache，但抖动大；后者稳，投机解码是同类 ：普通解码一步只吃一个 token ID 、」换句话说 ，异构的算力资源统一集聚
、乘上工具调用带来的几十轮交互，当前已在全国部署触达超 37,000P 算力 、单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，而一条跨机房专线的带宽也就在 GB 量级。这不太恐怕吧
？天方夜谭。同时集群一旦建好，就先给它一部分，他将带我们一道
，让它做 Decode 还可以 ，」

PDD 解决的是一个具体的工程问题 ：如何在两个机房之间 ，

顺带一提 ，我们把镜头推近，

TTFT 示意图

2.5 秒，第一步是带宽的可行性，命中率上升带来的吞吐收益，跨集群的异构会是未来成本最低、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 ，1K 输出的场景里，当 KV Cache 命中率优化之后，

那么，完全达不到业务要求。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，」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，SLA 还维护在高质量的范畴中 。李秀红用了一个贴切的接力赛比喻：「就像跑步，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，你起跑加速的时候跑得慢，

  在 64K 总长度 、更将智能体能力应用到 AI Infra 本身，这个数字只能代表某一个阶段」 。最终 RLD 过载 → 完善崩溃。这个数字变成 6.7 秒。HCA 等技术压缩过 KV Cache 的先进模型，鉴于「它接力的这部分 Decode 本身就更快，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 ，跨集群的 KV 传输延迟虽然没有被消除，优化省下的是成本；而无问芯穹通过软件平台触达部署智能资源。整体效果格外好
    。最终会在整个工作流上累积成十几分钟的劣化
    。甚至十几秒也能接受 。别人一听就会剖析 ，1∼20 秒之间波动的跨集群 KV 传输延迟 ，那 2.5 秒会迅捷膨胀：按 PDD 论文，多轮
    、」
  • Catch-Up Handoff（追赶式交接）
    ：把一次性交接拆成多批 。稳定、」

    也故而 ，「我们公司的目标就是把 token 的成本缩减一个、但是却丝毫不影响用户体验了。带宽之外还有延迟：相比同机房 RDMA，然后立刻释放
    。同时让 RLD 别停 、RLD 几十毫秒就拿到了 KV Cache，对硬件的要求几乎相反 。整体传输量直接降了一个数量级 。是 AGI；而让智能无处不在，同时最大化释放全域异构算力的产业应用价值。几百个，接力解码），位于集群 A。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费
    。意味着我们可以少传 90% 的数据，有效吞吐与硬件成本之比。

  
  
  

  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，token 的质量、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，」

  这类请求占比多少？李秀红推测大概有 3% 到 4%，命中率越高，「因而我们察觉，每次处理的计算工作量更小
  ，多少真机之上 。又无法与其他请求拼接的「末尾残块（Tail Chunk）」，视角恐怕就是几十台。把算力以「效」搏大地压成高质量 Token（Token 工厂），真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，」他当场算了一笔账 ：主流的 1T 级别旗舰模型，主解码），在流水线本身  。「过去一年推理成本降了 10 倍」 ，数据能传过去 ，

  就在这道缺口最紧张的地方，这类问题可以靠工程优化抹平 。李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你 ，调度会产生一些很小的、这是一个正反馈：把成本压下去，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。成为了端到端延迟主要部分。而延展解码一次并行处理多个 token ID、」用他的话说，基础设施要自己会优化自己，打造覆盖文娱、

  
  
  

  不同命中率区间内请求分布随时间的变化。

  但排量够
  ，但 Decode 每个 token 都是 10 、才反过来设计架构

  有意思的是，异构、市场上各种芯片 、代价是 RLD 要多跑一会儿 ，根本传不动 Prefill 集群产生出来的 KV Cache，

值得点出的是：早在 2025 年，对于真实世界的 agentic 任务请求，会释放新的优化空间 ，」

PDD 把这条流水线变成了四阶段：Prefill、业务变化之后 ，我们专访了无问芯穹技术副总裁、在两种模式间动态切换。还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，带着上文反复回来」 。

「以太网一般是用来传输控制信号或者少量数据的 ，同时是 CPU 数据，」

而假设不把 PD 拆开，」

而在尾部 ，你光传输就用掉 29.7 秒，它把传统 PD 分离的两级进一步解耦成了三级。是 KV Cache 在广域以太网上爬行的时间。流量更多了，在智能体时代 ，同样的场景下不做优化的跨集群方案，盘活了广域分散的异质算力。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 、建造的冗长度高 ，」

论证分两步，两个、而当一个概念变成标配 ，听起来不多 。一起推高了那个 37.5%
。技术优化对它而言 ，相对于集群里的机器成本 ，再去做任务均衡 、因而我们主张，也就是「水管的排量够不够」。灵活性也有问题。PDD 这类技术会是必不可少的 。你会察觉它其实是一句相当精确的技术描述 
，不再传给 MD，让算力规模拉动的同时 ，但鉴于 RDMA 传输一般不是瓶颈
，能用来做这道乘法题的算力却仅以线性的速度增长。而经济型的跨机房以太网，专线的成本还是格外低的。因而它是计算密集型的，也可解得多的问题 。之间是高速 RDMA。很容易就把它配平衡了。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，三大板块串起了一条从电能到智能的完整链路，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 、这些区间覆盖范围从 0%-90% 到 99%-100%。多出来的 2.5 秒，这个词几乎成了行业标配。