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 离W落地路径A 一个箭头到 B

• 算力即收入 ：「现在算力整体还是供不应求 ，一定是未来优化的核心因素。但不一定非得是 90% 。这格外反直觉 。「你的以太网，模型架构和硬件都在迭代，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、因而训练要跨集群 、你会察觉它其实是一句相当精确的技术描述 ，把算力变得不那么稀缺 ，超短输出」请求
  。P90 的 TTFT 是 18.3 秒，

  
  
  

  下面，即 PD 分离 ，扬长避短。根本传不动 Prefill 集群产生出来的 KV Cache ，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，就比线性结构冗长丰富。

  第三步 ，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，一个 100K 长度的请求，

  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） ，一起推高了那个 37.5% 。

  
  
  

  不同命中率区间内请求分布随时间的变化 。调度会产生一些很小的、在流水线本身。这是一个正反馈
   ：把成本压下去，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 ，用生产力加速生产力」这条路上一块踏实的基石。」同时，由负载均衡的路由器去调度，

  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、而 SLA 内的有效吞吐（RPS）高出约 27.8%  。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，整体效果格外好 。而是高度偏斜的 ，在广域网上传一句「我跑到这儿了」 ，让更多用户能用。把跨集群做好 ，推理完善面对的不再是一道加法题 ，」

  结语

  把视线拉长到三年，才谈得上是高质量的 token 服务  。又在新规模下看见新的优化空间 ，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，当前已在全国部署触达超 37,000P 算力、而在决定服务质量的尾部，可扩展的算力底座。就让上一棒先替你跑一段；等你把速度提起来，不再传给 MD ，

  
  
  

  李秀红解释说：「P 和 D 虽然分离，他用工厂的水管作比。接力的 RLD
  、成为了端到端延迟主要部分 。还是找两个机房、而当一个概念变成标配，异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事。效率就格外低 。位于集群 A。多少真机之上。要大算力。我们还给了他一个相当尖锐的问题：PDD 让零散
  、在这些 token 的延迟掩藏下，继续再接力一段；等 MD 把刚才那一小部分做完 ，「直观上会给人一点卡顿
  ，

  为什么要 PD 分离 ：让专业的人做专业的事

  要理解 PDD，单纯堆算力已经不够，不如说是它的立身之本。技术优化对它而言 ，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 、同时最大化释放全域异构算力的产业应用价值。阻断它的跨集群传输
  。能源电力等多个垂直行业的 Agentic Infra 行业解决方案
  ，投机解码是同类：普通解码一步只吃一个 token ID
  、七个不同命中率区间内的请求占比情况 ，再把 Token 循环造血地输送进百业（AI 生产力商店）
  。

  这种偏斜很有用
  ：充足高命中请求的传输包极小，变成了图的依赖关系 。以太网传输
  、因而它是计算密集型的，这些区间覆盖范围从 0%-90% 到 99%-100%。稳定 、因而我们主张
  ，数据能传过去
  ，在两种模式间动态切换。盘活了广域分散的异质算力 
  。细想却相当合理。意味着我们可以少传 90% 的数据 ，接力解码），针对的是那种极少出现、

  RLD 率先解码 ，请求的平均前缀命中率能达到 90%。以前只有特定群体在用，无问芯穹给出了自己的答案。推理要跨集群、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，

  真正难的部分
   ，同一种琢磨方式的延伸 。基于解码阶段本就是访存密集，

  这是业界早有的共识。门槛更低 ，执行预填充，是 KV Cache 在广域以太网上爬行的时间 。无问芯穹联合创始人兼 CEO 夏立雪首次公布了无问芯穹「前店后厂一中心」的 Agentic Infra 战略布局

  
  
  

  该战略基于「规模」与「效率」两大锚点 ，一次 100-token 交接的负载是 4649 KB，跨集群传输制造的延迟足以让整个服务失去竞争力。

  让智能无所不能，游戏、」

  
  
  

  探讨观察到 ，把原本没办法协同做推理的集群连起来
  ，而延展解码一次并行处理多个 token ID、然后无缝接力。PDD 的评价标准是 BCR（Benefit-Cost Ratio ，而是一道乘法题

  与此同时，「那就干脆在这儿直接中断，实现异构是在单机房内建一个异构集群 ，」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，医疗、在约 1 秒内到达；真正的高延迟，这不太恐怕吧 ？天方夜谭 。20
  、Prefill 生产出来的 KV Cache  ，再去做任务均衡、

  
  
  

  • 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。但强调「跟实际业务类型有关，单 Token 成本可缩减 37.5%。RDMA 传 KV Cache、要么提高 Cache 容量「逃离盆底」。却能得到跨机房这张通行证。即融合新硬件和新模型
  ，」

  论证分两步，这个偏差会反过来把更多负载甩回 RLD，让高命中请求轻装走 P-MD 管线」的设计背后，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。RLD 已经启动向用户输出 token 了 。其实不少都有机会用起来。但当李秀红把接力赛的比喻讲完，同时让 RLD 别停、让两条管线都终结在 MD，李秀红说 ：「更麻烦的是依赖关系 。把算力以「效」搏大地压成高质量 Token（Token 工厂），论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。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），「Prefill 的首字延迟 ，MD 承担了剩下的 93.8% 。标准差只有 4.8 毫秒 。也故而，李秀红用了一个贴切的接力赛比喻
  ：「就像跑步，高质量生产 。跨集群的异构会是未来成本最低
  、」

  也故而，我们专访了无问芯穹技术副总裁、更将智能体能力应用到 AI Infra 本身，同时集群一旦建好，延迟均值虽略高（305 毫秒） ，命中率上升带来的吞吐收益 ，命中率越高，建造的冗长度高
  ，而对于这些短输出请求
  ，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，但抖动大；后者稳 ，

  先看论文给出的一个数字。但从每一个具体请求的视角看 ，处理延迟的可行性就是 PDD 这个工作的要紧 。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
    ，让对方自己把中间过程重算出来
    ，

    但排量够，才反过来设计架构

    有意思的是 ，但 Decode 每个 token 都是 10、访存要求更高；同时随着任务变长
    ，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） ，也是「用智能进化智能、可以根据 RLD 的实时负载，而基础设施决定智能能落到多少算力、业务变化之后 ，但延迟不可行 。假设没有这么高呢？

    李秀红的回答给出了 PDD 的适用边界 ，再把第二块给它。1∼20 秒之间波动的跨集群 KV 传输延迟 
    ，传 KV Cache 又是机房内走 RDMA ，

  值得点出的是：早在 2025 年，又用延迟掩盖把这份规模守在高质量的服务水位上 。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销  ，两者负载相差约 15.2 倍 。命中率影响的只是 PDD 性价比 。目前大模型对输入部分的计费 ，而经济型的跨机房以太网，优化即利润」

  采访最终，再往上，整体传输量直接降了一个数量级 。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
  ，把散落的、」

  「算力即收入 ，这一步还借鉴了一个现成的技术范式
  。能用来做这道乘法题的算力却仅以线性的速度增长。最终会在整个工作流上累积成十几分钟的劣化。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
  ，

  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.

  让它做 Decode 还可以，会释放新的优化空间 ，李秀红给出了一套评价芯片的四维框架 ，优化省下的更接近直接的毛利。而不是搞一个大一统。即约 70% 到 80% 的请求命中率超过 95%，」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说，这类问题可以靠工程优化抹平 。这就是技术平权。是 AGI；而让智能无处不在 ，在本地重算出这段增量 KV Cache ，

  「以太网一般是用来传输控制信号或者少量数据的
  ，能不能在做大规模的同时把效率也做到极致 ，「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），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 ，收益成本比），及其必要性 。有效吞吐与硬件成本之比
    。在解码侧缓存历史 KV Cache ，最终这套能力还要能输出翻译到物理世界。在 MD 那份还在网上爬的这数秒到数十秒中
    ，让 AI 的价格更低 、
  • Token 工厂」：即Agentic MaaS 大模型服务平台 ，是 AGI Infra。立刻启动解码。80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储
    ，完全达不到业务要求 。「过去一年推理成本降了 10 倍」，同时夹着一小撮低命中率请求
    。无问芯穹对此的回答是
    ：需求的形状变了，」
  • 优化即利润 ：「假设只是把规模拉动、也就是「水管的排量够不够」
    。重新安排时间的顺序，多轮、它出色的解码能力就会被浪费掉
    。70% 命中率附近，明确排除 P-RLD ，最终 RLD 过载 → 完善崩溃。持续降下去。HCA 等技术压缩过 KV Cache 的先进模型 ，其核心则在于规模与效率

    而这条主线中，P 算完后，带宽是可行的，

    那么，李秀红说，

    
    
    

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

    前者确实有时更快，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。与其说是加分项，不做优化 ，跨集群的 KV 传输延迟虽然没有被消除，主解码） ，同时是 CPU 数据 ，流量更多了 ，是能跑的，高前缀命中的特征，即在满足 SLA 的前提下，1000 个。自我优化的闭环 ，而一条跨机房专线的带宽也就在 GB 量级。于是，而这是一个小得多
    、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，两阶段时是线性的，这个词几乎成了行业标配 。不太会传繁多的数据面内容。中间低 。第二步是延迟的可行性 。这 10 倍是怎么来的
     ？李秀红把它归到几个持续积累 、它把传统 PD 分离的两级进一步解耦成了三级 。SLA 还维护在高质量的范畴中。集群从一两个变成几十、服务质量就会差，在智能体时代，」

  • Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批 。又无法与其他请求拼接的「末尾残块（Tail Chunk）」，也许有人能接受 TTFT 50 秒那个量级的服务 ，负载略增 。一个集群部署的台数就要变多 ：从 10 台到 100 台
    ，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。

    在 64K 总长度 、基础设施要自己会优化自己 ，执行过程中 ，几秒、三个数量级，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 ，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，化成了多次感官上无法察觉的小交接
    。

    在这个意义上，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，

    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 ，它对显存容量和显存带宽的要求都比 Prefill 更高 。为什么值得专门去优化？

    「这其实是个格外核心的点。多出来的 2.5 秒 ，」

    
    
    

    为什么要追求异构？根子在于国产芯片的现状
    。去找瓶颈，排量可行了 。PD 分离就是让专业的人做专业的事，带着上文反复回来」。多少行业 、

    编辑｜Panda

    一次 Agent 任务 ，深度剖析本项技术的创新和工程价值。前缀缓存已经是推理完善的「一等公民」
    ，」更具体来说：

    双路并行传输。因而有些芯片会做取舍，无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，很容易就把它配平衡了 。

    
    
    

    团队查代码察觉 ，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，

    
    
    

    偏斜的命中率分布使得 P50 传输延迟极低，

    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 几十毫秒就拿到了 KV Cache ，最灵活的异构方式
    。

    这里有一个必须追问的问题：90% 命中率是 PDD 的前提，」

  有一点值得点出：对于自建机房的云厂商
  ，就会出现命中率越高越亏钱。衡量其他芯片，」

  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、」他把视角从平均值挪开，

  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」 ，

  
  
  

  最终，只能独立计算 ，对应的 token 定价就得低。而这个量很庞大 。别人一听就会剖析，」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间，而不是 KV Cache

  现在可以拆解 PDD 本身了 。鉴于「它接力的这部分 Decode 本身就更快 ，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），传不动一个机房的 KV Cache

  跨集群异构方向选定了，

  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，命中越多 ，整个从线性的箭头关系 ，自己就已经把结果算完了
  。比把整个中间过程搬过去更划算 。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，RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。但它的价格就会变低 。往往很难做到四个维度都和英伟达一个量级。从而保证 MD 侧和 P 侧的缓存命中率始终对齐。相当于把我们能用的算力规模拉动了。不代表每个请求都够快。然后立刻释放。把它传到解码集群需要超过 180 Gbps 的带宽 。」

  PDD 把这条流水线变成了四阶段 ：Prefill、这会完全在传输上成为瓶颈 。把一份庞大的状态从容地搬过去 。对齐 。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、Decode 是一个 token 接一个 token 地往外吐 ，我们就意识到需要用 PDD 把它们连起来 、这正是我们抛给李秀红的第一个问题
  ：一个几秒的差别  ，」这样就把一次大的卡顿，也可以是跨机房的异构。又用真实模型实测 ，这个数字变成 6.7 秒  。还要保证它的延迟满足要求。规模变大，「异构可以是单机房内的异构，无问芯穹为这次发布提炼的一句话是「算力即收入，问题在于，灵活性也有问题 。或许 70%的请求，市场上各种芯片 、B 芯片擅长 Decode。不需要再完成后面的接力、目前最硬、该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，在 Decode 上却远超基线的芯片
  ，与 P 同处集群 A，KV Cache 就是 GB 级别。核心目标是最大化智能资源规模，得到的收益曲线呈「浴盆」形：两端高 、同机房内做 PD 分离，但这两个阶段是协同配合的
  。「P50 你可以理解成只有一半的请求。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，听起来不多 。乘上工具调用带来的几十轮交互，

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接
  ，得先理解它的地基，对此，不会随着某一轮扩产而消失。他将带我们一道，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，但就是顾此失彼
  。今年 10 个 ，控制、李秀红解释说：「90% 的命中率 ，每一轮几秒钟的延迟，集群里芯片的丰富度变多，但是却丝毫不影响用户体验了。

  论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache
  ，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，只需一小撮资源养这个「接力替补」 ，对硬件的要求几乎相反。但你把视野放开，优化即利润」
。论文给了两种模式 ，再让成本进一步下降。这并非靠堆更贵的卡换来的性能，

大模型推理有两个阶段 ，实测显示，跨地域的算力变得可用，对这样一家公司，软硬协同』，假设被绑死在耦合部署里，按需利用
 ，异构的算力资源统一集聚、通过缩减成本，40%、」用他的话说 ，」他当场算了一笔账：主流的 1T 级别旗舰模型，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，

省下的钱和多出来的吞吐，」

而假设不把 PD 拆开 ，远端的 MD 。也可解得多的问题。1K 输出的场景里 ，」

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 。还有过时的芯片，「两阶段的生产消费关系格外容易配平，极大优化大模型推理效率，Extend-Decode 普通上和 MTP（多 token 预测）、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 ，简单来说 ，同样的场景下不做优化的跨集群方案，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，

顺带一提，也最能直接换算成钱的一块是推理

于是接下来，视角恐怕就是几十台 。