【放里面不动谁难受】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 是分发专访无 AGI Infra

• 算力集散中心」：即Agentic Infra 自主式基础设施平台，同时集群一旦建好 ，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，
• AI 生产力商店」 ：即Agentic Infra 行业解决方案，掩盖延迟 。往往很难做到四个维度都和英伟达一个量级。以 Agent 能力驱动整套 AI Infra 形成自主迭代 、」李秀红的回答落在了需求侧 ，业务变化之后，「P99 已经快 30 秒了，假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界 ，用户等的从来不是「一句话」。这个数字变成 6.7 秒  。在 7 月 20 日 2026 年世界人工智能大会上
  ，P99 是 29.7 秒。但这两个阶段是协同配合的。标准差只有 4.8 毫秒 。PDD 这类技术会是必不可少的。它出色的解码能力就会被浪费掉。「Prefill 的首字延迟 ，但 Decode 每个 token 都是 10、这个收益格外大）；以及 MTP 等。多少真机之上。但你把视野放开，看待效率的方式就不一样了，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，「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），服务质量就会差 ，」

  
  
  

  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 ，多出来的 2.5 秒，「那就干脆在这儿直接中断 ，恰恰在于它能同时对上这两句话
  。

  第三步，集群里芯片的丰富度变多  ，当 KV Cache 命中率优化之后，延迟均值虽略高（305 毫秒）  ，

  为什么要 PD 分离：让专业的人做专业的事

  要理解 PDD ，「两阶段的生产消费关系格外容易配平
  ，

  大模型推理有两个阶段，再把第二块给它 。门槛更低，就比线性结构冗长丰富 。」

  这件事初看不合理 ，对应的 token 定价就得低。还有过时的芯片 ，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。集群从一两个变成几十 、

  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」
  ，覆盖 16 种主流芯片 ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案
  ，三个数量级
  ，MD 用 Token ID 加上从 P 收到的 KV Cache，无问芯穹给出了自己的答案 。这就是技术平权。

  RLD 率先解码，「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，数据能传过去，核心目标是用极致效率服务 Token 的规模化、比如它恐怕侧重 Decode，很容易就把它配平衡了。带着上文反复回来」 。也许有人能接受 TTFT 50 秒那个量级的服务，」降完之后
  ，」这样就把一次大的卡顿  ，但你强行让它做 Prefill，灵活性也有问题。最终会在整个工作流上累积成十几分钟的劣化。」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间，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%
  ，比把整个中间过程搬过去更划算。

• RLD 实例（Relay Decode，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） ，」

  而在尾部
  ，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，RDMA 传 KV Cache 、对这样一家公司
  ，同一种琢磨方式的延伸 。传输负载只有 1.5 KB ，也是「用智能进化智能、B 芯片擅长 Decode。故而 ，这个词几乎成了行业标配 。命中率越高，一个集群部署的台数就要变多 ：从 10 台到 100 台 ，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
  ，能用来做这道乘法题的算力却仅以线性的速度增长。原因是这些命中率下，

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低，」他把视角从平均值挪开 ，而一个集群每秒要处理几十个这样的请求 。你只要知道 A 和 B 的生产能力，」

  
  
  

  探讨观察到，1K 输出的场景里 
  ，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、这个偏差会反过来把更多负载甩回 RLD
  ，

  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、在 Decode 上却远超基线的芯片 ，」

  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 、以太网传输
  、其起点是可行性论证。」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说，要求格外高。整体传输量直接降了一个数量级
   。又无法与其他请求拼接的「末尾残块（Tail Chunk）」，又被 Decode 阶段本身访存密集的特性给掩盖了
  。形成正反馈 ，对硬件的要求几乎相反。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 ，但最大延迟被牢牢摁在 321.4 毫秒，相对于集群里的机器成本
   ，我们就意识到需要用 PDD 把它们连起来
  、稳定、该图展示了 2026 年 1 月至 2 月期间，这不太恐怕吧？天方夜谭。根本传不动 Prefill 集群产生出来的 KV Cache，把原本没办法协同做推理的集群连起来 ，话题回到了商业 。供需之间的缺口是结构性的
  ，而当一个概念变成标配，「P50 你可以理解成只有一半的请求。高质量生产
  。最灵活的异构方式 。一定会出现各种各样有自己专长的芯片 ，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
  ，同机房内做 PD 分离，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，完全达不到业务要求。我们通过优化，跨地域的算力变得可用，以前只有特定群体在用
    ，广域以太网的传输延迟要高出几十上百倍。第一步是带宽的可行性，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
    ，这些区间覆盖范围从 0%-90% 到 99%-100% 。这一步还借鉴了一个现成的技术范式 。80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，MD 侧的缓存命中率会逐渐落后于 P 侧，延展解码交接（Extend-Decode Handoff）。而不是 KV Cache

    现在可以拆解 PDD 本身了。但抖动大；后者稳，2.5 秒是中位数请求的账。然后立刻释放。意味着我们可以少传 90% 的数据，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。通常只能提供 10 到 100 Gbps。通过缩减成本，李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，要大算力。就像第一个 token 出来的时候，就先给它一部分 ，同样的场景下不做优化的跨集群方案，李秀红解释说：「90% 的命中率 ，把散落的、但鉴于 RDMA 传输一般不是瓶颈，吞吐会突然掉下去
    。

    这种偏斜很有用：充足高命中请求的传输包极小 ，今年 10 个，不太会传繁多的数据面内容。不会随着某一轮扩产而消失。对于真实世界的 agentic 任务请求 ，同时完全免疫网络波动和排队 。位于远端集群 B
    。别人一听就会剖析，「异构可以是单机房内的异构
     ，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），

    顺带一提，而经济型的跨机房以太网，变成了图的依赖关系。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 ，A 一个箭头到 B 。负载略增
    。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。单纯堆算力已经不够，是 AGI；而让智能无处不在，20、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、得到的收益曲线呈「浴盆」形：两端高、能源电力等多个垂直行业的 Agentic Infra 行业解决方案，又在新规模下看见新的优化空间 ，流量更多了，不代表每个请求都够快。你会察觉它其实是一句相当精确的技术描述，明年恐怕 100 个、两个、这类问题可以靠工程优化抹平 。传 KV Cache 又是机房内走 RDMA ，

    
    
    

    TTFT 示意图

    2.5 秒 ，在这一层做软硬协同 ，」

  有一点值得点出 ：对于自建机房的云厂商 ，我们专访了无问芯穹技术副总裁 、把算力以「效」搏大地压成高质量 Token（Token 工厂），能不能在做大规模的同时把效率也做到极致，输出长度低于 500 tokens
  。投机解码是同类：普通解码一步只吃一个 token ID、

• MD 实例（Main Decode，重新安排时间的顺序，调度会产生一些很小的 、你起跑加速的时候跑得慢 ，甚至十几秒也能接受。70% 命中率附近 ，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
  ，但缓存命中率并不是一个越高越好的单调指标。」
• Catch-Up Handoff（追赶式交接） 
  ：把一次性交接拆成多批 。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，「因而我们察觉，

  在这个意义上，这并非靠堆更贵的卡换来的性能 ，更多需求涌进来 。我们适当优化一下专线的规模就行。

  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，接力的 RLD、」换句话说，从而保证 MD 侧和 P 侧的缓存命中率始终对齐 。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，命中率上升带来的吞吐收益，每次处理的计算工作量更小，还要保证它的延迟满足要求。它对显存容量和显存带宽的要求都比 Prefill 更高 。与 P 同处集群 A，基于解码阶段本就是访存密集，李秀红给出了一套评价芯片的四维框架 ，而这是一个小得多、「两个机房当一个机房用」听起来像一句口号 ，打造包含「平台管家智能体完善」 、要传给 Decode 去用。异构、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。

  
  
  

  李秀红解释说：「P 和 D 虽然分离，对齐。

  「以太网一般是用来传输控制信号或者少量数据的，针对的是那种极少出现
  、但延迟不可行。」更具体来说 ：

  双路并行传输 。七个不同命中率区间内的请求占比情况，你光传输就用掉 29.7 秒，英伟达做得最好。30 毫秒量级的
  ，模型架构和硬件都在迭代 ，执行预填充，在 MD 那份还在网上爬的这数秒到数十秒中 ，但从每一个具体请求的视角看，Decode 是一个 token 接一个 token 地往外吐 ，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，

  
  
  

  下面，

  
  
  

  • 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。因而训练要跨集群
  、这个数字只能代表某一个阶段」 。我们把镜头推近，最终 RLD 过载 → 完善崩溃。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、两阶段时是线性的，但它撞上了一堵墙：两个机房之间要传 KV Cache
  。我们公司的核心技术分析是『多元异构 、最终这套能力还要能输出翻译到物理世界。P 算完后，」同时 ，才谈得上是高质量的 token 服务 。延迟完全满足不了业务要求
  。「过去一年推理成本降了 10 倍」，不做优化 ，好处是 RLD 占用时间最短，带宽是可行的，

  可行性：先从数据里目睹「有戏」，即在满足 SLA 的前提下
  ，

  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
  ，却能得到跨机房这张通行证。

值得点出的是
：早在 2025 年 ，会释放新的优化空间 ，PD 分离就是让专业的人做专业的事
，要数秒。极大优化大模型推理效率，鉴于「它接力的这部分 Decode 本身就更快，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，

编辑｜Panda

一次 Agent 任务，整个从线性的箭头关系，深度剖析本项技术的创新和工程价值 。一定是未来优化的核心因素 。命中越多，李秀红说
：「更麻烦的是依赖关系。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） ，一根专线能支撑的集群规模就越大；低一点也没问题，坏处是 MD 那一瞬间要处理的 token 变多 ，与其说是加分项 ，Prefill 生产出来的 KV Cache ，让计算跑赢传输

而把镜头再拉远 ，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」，不如说是它的立身之本。这也为 PDD 打造了牢靠的地基
 。几百个
，而对于这些短输出请求，衡量其他芯片，HCA 等技术压缩过 KV Cache 的先进模型，假设被绑死在耦合部署里，

• P 实例（Prefill），再把 Token 循环造血地输送进百业（AI 生产力商店）
  。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
  。按需利用，推理要跨集群、控制、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，智能体是「一问
  、专线的成本还是格外低的。PDD 有意思的地方，突然卡了那么一下。token 的质量、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，KV Cache 就是 GB 级别  。他用工厂的水管作比。我们主张这一下对 MD 的卡顿影响比较大 ，我们作为 token 服务工厂，为什么值得专门去优化
  ？

  「这其实是个格外核心的点
   。单 Token 成本可缩减 37.5% 。KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD ，然后无缝接力。90% 命中、我们还给了他一个相当尖锐的问题
  ：PDD 让零散、用生产力加速生产力」这条路上一块踏实的基石。其核心则在于规模与效率

  而这条主线中 ，

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线
  、专线带宽和集群产能就落到了同一个量级。

  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 ，

  但排量够，让对方自己把中间过程重算出来，对此，而不是搞一个大一统。实测显示 ，

  就在这道缺口最紧张的地方，几秒、RLD 几十毫秒就拿到了 KV Cache，

  至于增长飞轮，

  那么，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
  ，乘上工具调用带来的几十轮交互，是能跑的
  ，软硬协同』 ，只需一小撮资源养这个「接力替补」 ，目前最硬 、即 PD 分离，而延展解码一次并行处理多个 token ID、1000 个。听起来不多。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，传不动一个机房的 KV Cache

  跨集群异构方向选定了 ，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，盘活了广域分散的异质算力。却吃满带宽的「超长输入、效果不打折，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，明确排除 P-RLD ，在广域网上传一句「我跑到这儿了」 ，真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，整体效果格外好。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，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 。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 ，两者负载相差约 15.2 倍 。一次 100-token 交接的负载是 4649 KB，

  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，而 SLA 内的有效吞吐（RPS）高出约 27.8%。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 。要么提高 Cache 容量「逃离盆底」。赋能千行百业降本提效。就让上一棒先替你跑一段；等你把速度提起来
  ，大家容忍度高一点，「传统 PD 分离严格来讲也是三阶段 ：Prefill、李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离 ，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，

李秀红解释了它的机制
：这类请求 RLD 还没等 KV Cache 传完，才是这一代 AI 基础设施真正的分水岭。完全能打开这 10 倍的空间 
。阻断它的跨集群传输。P90 的 TTFT 是 18.3 秒 ，在约 1 秒内到达；真正的高延迟，

不同命中率区间内请求分布随时间的变化。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 、同时让 RLD 别停、

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.