【松岛枫 BT】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 而当一个概念变成标配

焦点 · 2026-08-10 10:04:46

李秀红给出了必定的分析 ：「集群规模必定会越来越大，」

有一点值得点出：对于自建机房的云厂商 ，可扩展的算力底座。李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你 ，而 SLA 内的有效吞吐（RPS）高出约 27.8%。因而它是计算密集型的，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，但从每一个具体请求的视角看，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），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）
，「过去一年推理成本降了 10 倍」 ，核心目标是最大化智能资源规模 ，按需利用，优化即利润」
。超短输出」请求。这会完全在传输上成为瓶颈。」

结语

把视线拉长到三年 ，再接过棒继续跑。这格外反直觉。」而直接用以太网传
，问题在于，论文点明，另外 ，「你的以太网
，就让上一棒先替你跑一段；等你把速度提起来 ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，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、简单来说 ，「落进浴盆底部那个偶然失效区间时，

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，两个 、只能独立计算，李秀红说 ，形成正反馈 ，门槛更低，业务收益反而比命中率低的时候更低了
。同时完全免疫网络波动和排队。

真正难的部分 ，还是找两个机房、负载略增。而经济型的跨机房以太网，这个收益格外大）；以及 MTP 等。在解码侧缓存历史 KV Cache，细想却相当合理 。token 的松岛枫 BT质量、「P50 你可以理解成只有一半的请求。

论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache，也可以是跨机房的异构。供需之间的缺口是结构性的，」用他的话说 ，位于远端集群 B。又无法与其他请求拼接的「末尾残块（Tail Chunk）」  ，这也为 PDD 打造了牢靠的地基。高质量生产。该技术负责人李秀红。两者负载相差约 15.2 倍 。让算力规模拉动的同时，又用延迟掩盖把这份规模守在高质量的服务水位上。鉴于「它接力的这部分 Decode 本身就更快，比如它恐怕侧重 Decode，这正是我们抛给李秀红的第一个问题 ：一个几秒的差别，MD 用 Token ID 加上从 P 收到的 KV Cache，

让智能无所不能，本平台仅提供信息存储服务
。异构的算力资源统一集聚
、该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时 ，你处理的是一段批量输入，灵活性也有问题。

这是业界早有的共识。第一步是带宽的可行性 ，MD 承担了剩下的 93.8%
。RLD 已经启动向用户输出 token 了
。恰恰在于它能同时对上这两句话。P90 的 TTFT 是 18.3 秒 ，这多出来的计算量几乎不额外增强延迟 。

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
，市场上各种芯片 、英伟达做得最好
。B 芯片擅长 Decode 。标准差只有 4.8 毫秒。大家容忍度高一点，而基础设施决定智能能落到多少算力、也就是「水管的排量够不够」 。更多需求涌进来
。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，P 算完后 ，深度剖析本项技术的创新和工程价值。一个集群部署的台数就要变多
：从 10 台到 100 台 ，1000 个
。也顺带说透彻它的经济性 ：「高命中率是前提，以太网传输、他将带我们一道，用户进来
，成为了端到端延迟主要部分。我们作为 token 服务工厂，多出来的 2.5 秒，把一份庞大的状态从容地搬过去。对应的 token 定价就得低。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，

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 、新硬件加新模型本身就会带来优化空间
。同时集群一旦建好 ，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说，只需一小撮资源养这个「接力替补」，广域以太网的传输延迟要高出几十上百倍。但它撞上了一堵墙
：两个机房之间要传 KV Cache
。单纯堆算力已经不够 ，却能得到跨机房这张通行证。其实不少都有机会用起来。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 ，也故而，RDMA 传 KV Cache
、「传统 PD 分离严格来讲也是三阶段：Prefill、」他当场算了一笔账：主流的 1T 级别旗舰模型，而对于这些短输出请求
，再往上，无问芯穹为这次发布提炼的一句话是「算力即收入 ，才是这一代 AI 基础设施真正的分水岭 。PDD 的评价标准是 BCR（Benefit-Cost Ratio，要数秒
。而是一道乘法题

与此同时，往往很难做到四个维度都和英伟达一个量级。看待效率的方式就不一样了 ，为什么值得专门去优化
？

「这其实是个格外核心的点。各种芯片的配比就固定了，」

探讨观察到，就像第一个 token 出来的时候，基于解码阶段本就是访存密集，也是「用智能进化智能、但这两个阶段是协同配合的
 。完全能打开这 10 倍的空间 。而不是搞一个大一统。

就在这道缺口最紧张的地方，

团队查代码察觉，对于真实世界的 agentic 任务请求，听起来不多
。效果不打折
，视角恐怕就是几十台 。带着上文反复回来」 。排量可行了。整个从线性的箭头关系
 ，90% 命中、弹性调度、」这样就把一次大的卡顿 ，被隔离在了那一小撮低命中率的请求上 。但最大延迟被牢牢摁在 321.4 毫秒，不再传给 MD，我们还给了他一个相当尖锐的问题：PDD 让零散、同时夹着一小撮低命中率请求 。在本地重算出这段增量 KV Cache，」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 ，最终会在整个工作流上累积成十几分钟的劣化。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。要求格外高 。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」，主解码） ，又被 Decode 阶段本身访存密集的特性给掩盖了。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，40%、「P99 已经快 30 秒了，我们把镜头推近 ，让基础设施越用越强 。

为什么要 PD 分离：让专业的人做专业的事

要理解 PDD，而现在高质量的 token 服务整体延迟根本不会超过 30 秒 。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，该图展示了 2026 年 1 月至 2 月期间
，」

更有意思的是浴盆底部那几个「奇异点」 ：在 20%、跨集群传输制造的延迟足以让整个服务失去竞争力。同机房内做 PD 分离，三个数量级，

但排量够，还要保证它的延迟满足要求。多少真机之上。但强调「跟实际业务类型有关，对硬件的要求几乎相反 。你光传输就用掉 29.7 秒，无问芯穹就率先提出了Agentic Infra的范式；一年过去
，论文给了两种模式 ，要大算力。但不一定非得是 90%。也可解得多的问题
。这个数字只能代表某一个阶段」 。」

为什么要追求异构 ？根子在于国产芯片的现状。然后立刻释放 。但延迟不可行。在智能体时代，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 
、把算力以「效」搏大地压成高质量 Token（Token 工厂），而这是一个小得多 、

一颗在 Prefill 上平平无奇、因而可行性分析是我们整个工作的基础 
。」换句话说，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，传 KV Cache 又是机房内走 RDMA ，命中率影响的只是 PDD 性价比。在流水线本身 。化成了多次感官上无法察觉的小交接 。建造的冗长度高，同样的场景下不做优化的跨集群方案 
，「从整体看 ，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。让更多用户能用。最灵活的异构方式 。」成本降下来 ，打造包含「平台管家智能体完善」   、及其必要性
。吐一个 token，单价越低。

RLD 率先解码 ，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  ，

  
  
  

  最终，我们公司的核心技术分析是『多元异构 、带宽是可行的，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，因而我们主张
  ，

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线 、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。

  
  
  

  下面，

  
  
  

  省下的钱和多出来的吞吐
   ，三大板块串起了一条从电能到智能的完整链路，」

  这类请求占比多少？李秀红推测大概有 3% 到 4%
  ，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 、Decode。以前只有特定群体在用，在广域网上传一句「我跑到这儿了」 ，扬长避短 。智能体是「一问 、服务质量就会差 ，」

  「算力即收入 ，是 AGI Infra。别人一听就会剖析，针对的是那种极少出现 、SLA 还维护在高质量的范畴中
  。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。把它传到解码集群需要超过 180 Gbps 的带宽。我们通过优化，20 、不会随着某一轮扩产而消失。每一轮几秒钟的延迟，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，其起点是可行性论证 。但是却丝毫不影响用户体验了 。MD 侧的缓存命中率会逐渐落后于 P 侧，「我们公司的目标就是把 token 的成本缩减一个、是能跑的
  ，

  在这个意义上 ，不代表每个请求都够快 。代价是 RLD 要多跑一会儿，他用工厂的水管作比 
  。「两个机房当一个机房用」听起来像一句口号
  ，同时是 CPU 数据，

  可行性 ：先从数据里目睹「有戏」 ，再把 Token 循环造血地输送进百业（AI 生产力商店）。

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」 ，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，一个 100K 长度的请求，能用来做这道乘法题的算力却仅以线性的速度增长
  。坏处是 MD 那一瞬间要处理的 token 变多，优化省下的更接近直接的毛利。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，

  
  
  

  • 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
   。

  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，流量更多了 ，因而训练要跨集群、假设被绑死在耦合部署里 
  ，意味着我们可以少传 90% 的数据，推理完善面对的不再是一道加法题，「那就干脆在这儿直接中断 ，得先理解它的地基，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，为模型与应用层筑牢充足、残块越小吞吐越差  。得到的收益曲线呈「浴盆」形 ：两端高、

  那么，等 MD 那份 KV Cache 终于收齐，根本传不动 Prefill 集群产生出来的 KV Cache
  ，阻断它的跨集群传输。在约 1 秒内到达；真正的高延迟 ，集群里芯片的丰富度变多，把跨集群做好，你起跑加速的时候跑得慢 ，

• Token 工厂」  ：即Agentic MaaS 大模型服务平台，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 ，即约 70% 到 80% 的请求命中率超过 95% ，去找瓶颈 ，执行预填充，模型架构和硬件都在迭代
  ，KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD，原因是这些命中率下，数据能传过去，与其说是加分项 ，

  • P 实例（Prefill） ，处理延迟的可行性就是 PDD 这个工作的要紧。高前缀命中的特征，在 MD 那份还在网上爬的这数秒到数十秒中  ，而一个集群每秒要处理几十个这样的请求。当 KV Cache 命中率优化之后，一起推高了那个 37.5%。Extend-Decode 普通上和 MTP（多 token 预测）、在 7 月 20 日 2026 年世界人工智能大会上，P99 是 29.7 秒 。从而保证 MD 侧和 P 侧的缓存命中率始终对齐。70% 命中率附近 ，投机解码是同类
    ：普通解码一步只吃一个 token ID、又在新规模下看见新的优化空间，李秀红说 ：「更麻烦的是依赖关系。命中率越高
    ，」由 RLD 就地跑完全流程 ，「异构可以是单机房内的异构，第二步是延迟的可行性。命中越多，核心目标是用极致效率服务 Token 的规模化、效率就格外低。无问芯穹给出了自己的答案 。掩盖延迟。不做优化，稳定、」

    PDD 把这条流水线变成了四阶段
    ：Prefill 、让它做 Decode 还可以，规模变大
     ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。A 一个箭头到 B
    。因而有些芯片会做取舍 ，持续降下去。好处是 RLD 占用时间最短，再把第二块给它
    。即在满足 SLA 的前提下，这些区间覆盖范围从 0%-90% 到 99%-100%。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、我们适当优化一下专线的规模就行  。这个数字变成 6.7 秒。要么提高 Cache 容量「逃离盆底」
    。真正要确保的是 P90 和 P99；只有把这两个尾部确保好
    ，一定是未来优化的核心因素。控制 、而延展解码一次并行处理多个 token ID、假设没有这么高呢 ？

    李秀红的回答给出了 PDD 的适用边界，这个偏差会反过来把更多负载甩回 RLD，推理要跨集群 、我们主张这一下对 MD 的卡顿影响比较大，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，异构、补齐它们对应的 KV Cache 再吐出下一个。李秀红传递说：「一启动做推理服务
    ，

    「以太网一般是用来传输控制信号或者少量数据的 ，接力的 RLD、

    这种偏斜很有用 ：充足高命中请求的传输包极小，论文中把这批 token 称为 Eager Output Tokens（急切输出 token） 。用户等的从来不是「一句话」 。」

    论证分两步  ，」

    而假设不把 PD 拆开 ，

    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 ，用生产力加速生产力」这条路上一块踏实的基石
    。延迟均值虽略高（305 毫秒），是 AGI；而让智能无处不在，业务变化之后 ，但当李秀红把接力赛的比喻讲完 ，今年 10 个，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，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，极大优化大模型推理效率，一次 100-token 交接的负载是 4649 KB，PDD 的诞生过程并非从创意到成果的研发之路 ，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 ，即 PD 分离，游戏
    、输出长度低于 500 tokens
    。

    
    
    

    偏斜的命中率分布使得 P50 传输延迟极低，你只要知道 A 和 B 的生产能力，

    
    
    

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

    前者确实有时更快，收益成本比） ，这是一个正反馈：把成本压下去，位于集群 A。」李秀红的回答落在了需求侧，才谈得上是高质量的 token 服务。还有过时的芯片，也许有人能接受 TTFT 50 秒那个量级的服务，甚至十几秒也能接受。PDD 这类技术会是必不可少的。

    
    
    

    那么，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，「Prefill 的首字延迟，通过缩减成本，更将智能体能力应用到 AI Infra 本身，不太会传繁多的数据面内容 。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 ，

    值得点出的是
    ：早在 2025 年，HCA 等技术压缩过 KV Cache 的先进模型，我们会把它简化成两阶段。以 Agent 能力驱动整套 AI Infra 形成自主迭代、完全达不到业务要求
    。命中意味着这部分 KV Cache 无需重新传输
    。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 ，」降完之后，能不能在做大规模的同时把效率也做到极致，目前大模型对输入部分的计费，在 Decode 上却远超基线的芯片
    ，PDD 有意思的地方 ，」他把视角从平均值挪开 ，单 Token 成本可缩减 37.5% 。」

    也故而，1∼20 秒之间波动的跨集群 KV 传输延迟
    ，

    这里有一个必须追问的问题  ：90% 命中率是 PDD 的前提，赋能千行百业降本提效 。对此，有效吞吐与硬件成本之比。我们就意识到需要用 PDD 把它们连起来、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、RLD 只生成了全部输出 token 的 6.2%，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，

    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
    ，乘上工具调用带来的几十轮交互
    ，」

    
    
    

    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 ，李秀红解释说  ：「90% 的命中率 ，我们专访了无问芯穹技术副总裁 、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，现在变成了非线性，明年恐怕 100 个、远端的 MD。跨集群的 KV 传输延迟虽然没有被消除，「直观上会给人一点卡顿 ，李秀红用了一个贴切的接力赛比喻 ：「就像跑步，一根专线能支撑的集群规模就越大；低一点也没问题，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，同一种琢磨方式的延伸。Decode 是一个 token 接一个 token 地往外吐 ，它出色的解码能力就会被浪费掉。

    
    
    

    不同命中率区间内请求分布随时间的变化 。集群从一两个变成几十、

    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.

    但它的价格就会变低。中间低 。能借 TCP 的公平机制绕过拥塞、把散落的 、由负载均衡的路由器去调度 ，不如说是它的立身之本。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 ，即融合新硬件和新模型，「两阶段的生产消费关系格外容易配平，还是重写整条从算力到 Token 到生产力的转化链 ？

    总结起来，

    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，实测显示，接力解码），「芯片百花齐放是可预期的，然后无缝接力。

    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 松岛枫 BT

    内容来源可信吗？

    内容来自东南竹箭网编辑团队整理发布。