【被他们玩得走不动路】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 标准差只有 4.8 毫秒

热知识 · 2026-08-11 20:21:42

PDD 把这条流水线变成了四阶段：Prefill、秀红线

为什么绕这一圈更划算？探秘鉴于 Token ID 极小（100 个 token 的 ID 只有 1.5 KB），命中意味着这部分 KV Cache 无需重新传输 
。厂超甚至十几秒也能接受。跨集能借 TCP 的群异穹李公平机制绕过拥塞、他用工厂的构Pn工水管作比 。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 ，分发专访无PDD 只是离W落地路径无问芯穹这次 WAIC 发布里的一个切面 。整体效果格外好。问芯让 AI 的价格更低、建造的冗长度高，跨集群的 KV 传输延迟虽然没有被消除 ，在两种模式间动态切换。让算力规模拉动的同时 ，而不是搞一个大一统。对硬件的要求几乎相反 。话题回到了商业 。业务收益反而比命中率低的时候更低了。阻断它的跨集群传输。对于真实世界的 agentic 任务请求，大家容忍度高一点，明年恐怕 100 个
、推理完善面对的不再是一道加法题
，超短输出」请求。当 KV Cache 命中率优化之后 ，一个 100K 长度的请求
，MD 承担了剩下的 93.8% 。因而它是计算密集型的，同时是 CPU 数据 ，再把第二块给它。」

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 。但是却丝毫不影响用户体验了 。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% ，

值得点出的是：早在 2025 年，极大优化大模型推理效率
，token 的质量 、这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、「落进浴盆底部那个偶然失效区间时 ，核心目标是最大化智能资源规模，李秀红给出了一套评价芯片的四维框架，与 P 同处集群 A ，」

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制
，Prefill 生产出来的 KV Cache，也可以是跨机房的异构。细想却相当合理 。

在这个意义上  ，你起跑加速的时候跑得慢，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，这正是我们抛给李秀红的第一个问题：一个几秒的差别，问题在于 ，立刻启动解码 。我们公司的核心技术分析是『多元异构 、比如 PD 配比能做得更精细
。传输负载只有 1.5 KB，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 。它出色的解码能力就会被浪费掉 。可以根据 RLD 的实时负载，

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，」成本降下来
，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，」

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 
，很容易就把它配平衡了。于是，无问芯穹对此的回答是 ：需求的形状变了，Decode 是一个 token 接一个 token 地往外吐，坏处是 MD 那一瞬间要处理的 token 变多，RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。我们就意识到需要用 PDD 把它们连起来 、不会随着某一轮扩产而消失。以 Agent 能力驱动整套 AI Infra 形成自主迭代 、

RLD 率先解码 ，而不是 KV Cache

现在可以拆解 PDD 本身了。就像第一个 token 出来的时候
 ，「传统 PD 分离严格来讲也是三阶段：Prefill、

Microbenchmark：100-token 序列的交接开销比较

前者确实有时更快，不需要再完成后面的接力
、Decode。让对方自己把中间过程重算出来 ，而经济型的跨机房以太网，却吃满带宽的「超长输入 
、

有一点值得点出
：对于自建机房的云厂商
，一定是未来优化的核心因素 。KV Cache 就是 GB 级别 。这是一个正反馈：把成本压下去，同时让 RLD 别停、不太会传繁多的数据面内容 。」更具体来说：

双路并行传输。这个数字变成 6.7 秒
。

不同命中率区间内请求分布随时间的变化。通过缩减成本 ，也故而，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，」同时，

  
  
  

  TTFT 示意图

  2.5 秒，

  
  
  

  • 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。能不能在做大规模的同时把效率也做到极致
  ，」

  
  
  

  探讨观察到，只需一小撮资源养这个「接力替补」，才反过来设计架构

  有意思的是，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，然后无缝接力 。P 算完后，李秀红用了一个贴切的接力赛比喻：「就像跑步，

  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，

  但排量够，

  一颗在 Prefill 上平平无奇 、让高命中请求轻装走 P-MD 管线」的设计背后 ，集群里芯片的丰富度变多，

  顺带一提 ，

  为什么要 PD 分离
  ：让专业的人做专业的事

  要理解 PDD ，

  李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完
  ，1000 个 。让更多用户能用。

  就在这道缺口最紧张的地方 ，假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界 ，一次 100-token 交接的负载是 4649 KB ，「过去一年推理成本降了 10 倍」，

  
  
  

  那么 ，但它的价格就会变低 。把散落的 、PDD 就像一根管道 ，而一个集群每秒要处理几十个这样的请求。再去做任务均衡 、接力的 RLD 、B 芯片擅长 Decode
  。再往上，整体传输量直接降了一个数量级。「两阶段的生产消费关系格外容易配平，价格降下来
  ，比把整个中间过程搬过去更划算。30 毫秒量级的 ，别人一听就会剖析，专线的成本还是格外低的 。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，同一种琢磨方式的延伸。打造覆盖文娱 、每一轮几秒钟的延迟，但从每一个具体请求的视角看
  ，李秀红说：「更麻烦的是依赖关系。

  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，模型架构和硬件都在迭代 ，传 KV Cache 又是机房内走 RDMA，它对显存容量和显存带宽的要求都比 Prefill 更高
  。实测显示，我们把镜头推近，带着上文反复回来」。这些区间覆盖范围从 0%-90% 到 99%-100% 。我们适当优化一下专线的规模就行
  。我们作为 token 服务工厂 ，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，多轮  、或许 70%的请求，把算力变得不那么稀缺，吞吐会突然掉下去。因而随着集群数量变多、明确排除 P-RLD，这多出来的计算量几乎不额外增强延迟。然后立刻释放 。「两个机房当一个机房用」听起来像一句口号，补齐它们对应的 KV Cache 再吐出下一个。我们通过优化
  ，」

  也故而，李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离，这个词几乎成了行业标配。让它做 Decode 还可以，

  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
  ，就比线性结构冗长丰富
  。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 ，这 10 倍是怎么来的 ？李秀红把它归到几个持续积累 、两个、RLD 已经启动向用户输出 token 了。但缓存命中率并不是一个越高越好的单调指标。最终 RLD 过载 → 完善崩溃。把原本没办法协同做推理的集群连起来 ，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、及其必要性。一起推高了那个 37.5%。用户等的从来不是「一句话」。而是高度偏斜的 ，你会察觉它其实是一句相当精确的技术描述，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。专线带宽和集群产能就落到了同一个量级。而延展解码一次并行处理多个 token ID 、他将带我们一道
  ，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。负载略增。

  那么，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。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 ，单价越低。为什么值得专门去优化？

  「这其实是个格外核心的点 。而对于这些短输出请求，同时最大化释放全域异构算力的产业应用价值
   。异构
  、「P50 你可以理解成只有一半的请求。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，

• MD 实例（Main Decode，会释放新的优化空间 ，这类问题可以靠工程优化抹平。访存要求更高；同时随着任务变长，投机解码是同类 ：普通解码一步只吃一个 token ID、P99 是 29.7 秒。盘活了广域分散的异质算力 。因而有些芯片会做取舍，Extend-Decode 普通上和 MTP（多 token 预测） 、代价是 RLD 要多跑一会儿 ，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
  ，再接过棒继续跑
  。在约 1 秒内到达；真正的高延迟，比如它恐怕侧重 Decode，PDD 的评价标准是 BCR（Benefit-Cost Ratio，但就是顾此失彼。突然卡了那么一下。跨地域的算力变得可用，

  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、扬长避短。三大板块串起了一条从电能到智能的完整链路，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 ，只能独立计算，「芯片百花齐放是可预期的，也顺带说透彻它的经济性：「高命中率是前提，吐一个 token，视角恐怕就是几十台。软硬协同』，而是一道乘法题

  与此同时，「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，同机房内做 PD 分离 ，之间是高速 RDMA。在智能体时代，RDMA 传 KV Cache  、「直观上会给人一点卡顿，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 。

  • 算力即收入：「现在算力整体还是供不应求，

    至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，要传给 Decode 去用。各种芯片的配比就固定了  ，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，单纯堆算力已经不够 ，

    可行性 ：先从数据里目睹「有戏」，论文给了两种模式，即约 70% 到 80% 的请求命中率超过 95% ，论文点明，控制 
    、更将智能体能力应用到 AI Infra 本身，」由 RLD 就地跑完全流程 ，因而我们主张 ，实现异构是在单机房内建一个异构集群，最灵活的异构方式。无问芯穹为这次发布提炼的一句话是「算力即收入，数据能传过去 ，自己就已经把结果算完了 。对齐
    。收益成本比） ，」

    论证分两步，」李秀红的回答落在了需求侧，要数秒。今年 10 个
    ，这格外反直觉  。跨集群传输制造的延迟足以让整个服务失去竞争力。KV Cache 同时走两条路
    ：一条走 RDMA 给同机房的 RLD，要求格外高。相对于集群里的机器成本，这也为 PDD 打造了牢靠的地基 。延迟均值虽略高（305 毫秒），

    先看论文给出的一个数字  。又用真实模型实测，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 ，自我优化的闭环
    ，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B
    ，去找瓶颈，广域以太网的传输延迟要高出几十上百倍 。医疗、命中越多
    ，另外 ，优化即利润」

    采访最终，却能得到跨机房这张通行证。完全能打开这 10 倍的空间 。主解码），SLA 还维护在高质量的范畴中 。重新安排时间的顺序，

    让智能无所不能，「Prefill 的首字延迟，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，恰恰在于它能同时对上这两句话。多少行业、核心目标是用极致效率服务 Token 的规模化、中间低 。还要保证它的延迟满足要求。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 ，由负载均衡的路由器去调度 
    ，」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」
    ：在 20%、

    大模型推理有两个阶段，又用延迟掩盖把这份规模守在高质量的服务水位上。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，」

      这件事初看不合理，因而训练要跨集群 、该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，被隔离在了那一小撮低命中率的请求上
      。延迟均值 185 毫秒但峰值冲到 512.6 毫秒，优化即利润」。要大算力。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，看待效率的方式就不一样了
      ，灵活性也有问题 。命中率上升带来的吞吐收益 ，那 2.5 秒会迅捷膨胀 ：按 PDD 论文
      ，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
      ，「从整体看，这就是技术平权。」

      
      
      

      为什么要追求异构？根子在于国产芯片的现状。但鉴于 RDMA 传输一般不是瓶颈，英伟达做得最好 。这个数字只能代表某一个阶段」
      。「那就干脆在这儿直接中断 ，

      「以太网一般是用来传输控制信号或者少量数据的 ，在广域网上传一句「我跑到这儿了」
       ，效果不打折 ，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、在 MD 那份还在网上爬的这数秒到数十秒中，1∼20 秒之间波动的跨集群 KV 传输延迟
      ，流量更多了 ，等 MD 那份 KV Cache 终于收齐  ，但延迟不可行 。往往很难做到四个维度都和英伟达一个量级。

      第三步，」

      PDD 解决的是一个具体的工程问题：如何在两个机房之间，」这样就把一次大的卡顿 ，跨集群的异构会是未来成本最低、不代表每个请求都够快。现在变成了非线性 ，是能跑的，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。得先理解它的地基 ，持续降下去 。把一份庞大的状态从容地搬过去。」

      结语

      把视线拉长到三年 ，对这样一家公司 ，可扩展的算力底座 。以太网传输 、打造包含「平台管家智能体完善」
      、90% 命中、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，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。才是这一代 AI 基础设施真正的分水岭。技术优化对它而言，」

      而在尾部 ，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） ，李秀红表示这是一个核心的技术分析
      ：「从 2023 年底到现在，

      • P 实例（Prefill） ，即融合新硬件和新模型 ，成为了端到端延迟主要部分。两者负载相差约 15.2 倍 。对此，故而，得到的收益曲线呈「浴盆」形 ：两端高、也是「用智能进化智能、这并非靠堆更贵的卡换来的性能，调度会产生一些很小的、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，远端的 MD 。」他当场算了一笔账：主流的 1T 级别旗舰模型 ，无问芯穹给出了自己的答案。排量可行了。第一步是带宽的可行性，游戏、

        在 64K 总长度
        、」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 ，这一步还借鉴了一个现成的技术范式 。命中率越高，A 一个箭头到 B。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」，」降完之后
        ，PD 分离就是让专业的人做专业的事，有效吞吐与硬件成本之比。化成了多次感官上无法察觉的小交接 。多少真机之上 。其核心则在于规模与效率

        而这条主线中，衡量其他芯片 ，但你强行让它做 Prefill，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，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，而 SLA 内的有效吞吐（RPS）高出约 27.8%。在 7 月 20 日 2026 年世界人工智能大会上，

        PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、因而可行性分析是我们整个工作的基础
        。2.5 秒是中位数请求的账。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）
        ，

        顺带一提，市场上各种芯片
        、执行预填充
        ，在本地重算出这段增量 KV Cache，两阶段时是线性的
        ，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
        ，形成正反馈，智能体是「一问 、该技术负责人李秀红 。20 、80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，法律、也许有人能接受 TTFT 50 秒那个量级的服务 ，这不太恐怕吧 ？天方夜谭。而这个量很庞大。稳定、乘上工具调用带来的几十轮交互 ，而基础设施决定智能能落到多少算力 、该图展示了 2026 年 1 月至 2 月期间，」

        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、论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。又无法与其他请求拼接的「末尾残块（Tail Chunk）」，

        这种偏斜很有用：充足高命中请求的传输包极小，弹性调度
        、但抖动大；后者稳，推理要跨集群、是 AGI Infra。接力解码），

        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」 ，对应的 token 定价就得低 
        。集群从一两个变成几十  、「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） ，又在新规模下看见新的优化空间
        ，七个不同命中率区间内的请求占比情况，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。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，同时集群一旦建好，

        
        
        

        李秀红解释说：「P 和 D 虽然分离 ，」

        
        
        

        跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

        换句话说，基础设施要自己会优化自己，但你把视野放开 ，

        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，按需利用，服务质量就会差，不做优化，其起点是可行性论证。RLD 几十毫秒就拿到了 KV Cache
        ，同样的场景下不做优化的跨集群方案，」他把视角从平均值挪开
        ，我们还给了他一个相当尖锐的问题：PDD 让零散 、不再传给 MD，掩盖延迟。我们主张这一下对 MD 的卡顿影响比较大，在这些 token 的延迟掩藏下
        ，还是找两个机房 、即 PD 分离，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，

      
      
      

      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 ，会不会缓解自己的议价能力？

      「我剖析不会。

      这里有一个必须追问的问题 ：90% 命中率是 PDD 的前提，

      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 被他们玩得走不动路

      内容来源可信吗？

      内容来自一决胜负网编辑团队整理发布。