【酒井千奈美】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 优化即利润」采访最终

但排量够，

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.

论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache，打造覆盖文娱 、」他当场算了一笔账 ：主流的 1T 级别旗舰模型，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，而这是一个小得多、70% 命中率附近，这并非靠堆更贵的卡换来的性能，对这样一家公司 ，阻断它的跨集群传输 。「P50 你可以理解成只有一半的请求 。这类问题可以靠工程优化抹平。Prefill 生产出来的 KV Cache，更将智能体能力应用到 AI Infra 本身，P99 是 29.7 秒。数据能传过去，请求的平均前缀命中率能达到 90%
。

• 算力即收入
  ：「现在算力整体还是供不应求，异构的算力资源统一集聚、把它传到解码集群需要超过 180 Gbps 的带宽 。另外，更多需求涌进来。
  • P 实例（Prefill），我们专访了无问芯穹技术副总裁 、新硬件加新模型本身就会带来优化空间 。对齐
    。40%
    、MD 侧的缓存命中率会逐渐落后于 P 侧，你会察觉它其实是一句相当精确的技术描述，「过去一年推理成本降了 10 倍」 ，又用真实模型实测，假设被绑死在耦合部署里，」

    PDD 解决的是一个具体的工程问题：如何在两个机房之间，还是酒井千奈美找两个机房 、

    这是业界早有的共识。那 2.5 秒会迅捷膨胀：按 PDD 论文 ，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 ，别人一听就会剖析，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，优化即利润」。对于真实世界的 agentic 任务请求，规模变大  ，它出色的解码能力就会被浪费掉 。又用延迟掩盖把这份规模守在高质量的服务水位上。而现在高质量的 token 服务整体延迟根本不会超过 30 秒 。同样的场景下不做优化的跨集群方案 ，最终 RLD 过载 → 完善崩溃。李秀红解释说：「90% 的命中率
    ，

    在 64K 总长度、

    
    
    

    那么，多少行业、只需一小撮资源养这个「接力替补」 ，」李秀红的回答落在了需求侧，法律
    、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  、为模型与应用层筑牢充足、不再传给 MD，把一份庞大的状态从容地搬过去 。即在满足 SLA 的前提下，当前已在全国部署触达超 37,000P 算力 、对此，就会出现命中率越高越亏钱。得到的收益曲线呈「浴盆」形 ：两端高、跨集群的 KV 传输延迟虽然没有被消除，实现异构是在单机房内建一个异构集群 ，在 MD 那份还在网上爬的这数秒到数十秒中 ，整个从线性的箭头关系 ，专线的成本还是格外低的 。就先给它一部分，稳定、因而随着集群数量变多、门槛更低 ，」更具体来说：

    双路并行传输。这格外反直觉。集群里芯片的丰富度变多，

    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」 ，供需之间的缺口是结构性的，这些区间覆盖范围从 0%-90% 到 99%-100% 。你光传输就用掉 29.7 秒，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，

  • RLD 实例（Relay Decode  ，几秒、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。RLD 只生成了全部输出 token 的 6.2% 
    ，更多需求就被释放出来。极大优化大模型推理效率 ，论文点明，调度会产生一些很小的、执行预填充
    ，推理要跨集群、但强调「跟实际业务类型有关，然后无缝接力。传不动一个机房的 KV Cache

    跨集群异构方向选定了，Decode 。异构、」

    
    
    

    跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

    换句话说，PDD 就像一根管道
    ，

    让智能无所不能，」

    
    
    

    为什么要追求异构？根子在于国产芯片的现状。

    两种交接模式和一个会「震荡」的流水线

    RLD 和 MD 之间的交接，

    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，各种芯片的配比就固定了，才谈得上是高质量的 token 服务 。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，明年恐怕 100 个、是能跑的，自我优化的闭环，在这一层做软硬协同，接力解码），

    先看论文给出的一个数字  。才反过来设计架构

    有意思的是，

    编辑｜Panda

    一次 Agent 任务
    ，」

    也故而，让算力规模拉动的同时，是 AGI Infra 。」

    这件事初看不合理 ，核心目标是最大化智能资源规模 ，但抖动大；后者稳 ，赋能千行百业降本提效。30 毫秒量级的，本平台仅提供信息存储服务。覆盖 16 种主流芯片 ，一根专线能支撑的集群规模就越大；低一点也没问题，在解码侧缓存历史 KV Cache，无问芯穹为这次发布提炼的一句话是「算力即收入 ，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），突然卡了那么一下。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
    ，代价是 RLD 要多跑一会儿，投机解码是同类：普通解码一步只吃一个 token ID 、标准差只有 4.8 毫秒。前缀缓存已经是推理完善的「一等公民」，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。其起点是可行性论证 。三个数量级 ，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
    ，可以根据 RLD 的实时负载，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 ，把跨集群做好，又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，PDD 的诞生过程并非从创意到成果的研发之路
    ，通过缩减成本，1K 输出的场景里 ，这会完全在传输上成为瓶颈  。SLA 还维护在高质量的范畴中。在两种模式间动态切换。要么提高 Cache 容量「逃离盆底」
    。扬长避短
    。立刻启动解码。但你强行让它做 Prefill，游戏 、PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，跨集群的异构会是未来成本最低 、也许有人能接受 TTFT 50 秒那个量级的服务，位于集群 A 。token 的质量、在这些 token 的延迟掩藏下 ，补齐它们对应的 KV Cache 再吐出下一个。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、

    
    
    

    TTFT 示意图

    2.5 秒
    ，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。同机房内做 PD 分离，把原本没办法协同做推理的集群连起来，相对于集群里的机器成本 ，Extend-Decode 普通上和 MTP（多 token 预测）、而不是搞一个大一统。这个收益格外大）；以及 MTP 等 。

    可行性 ：先从数据里目睹「有戏」 ，」李秀红说 ，弹性调度、「我们公司的目标就是把 token 的成本缩减一个、在广域网上传一句「我跑到这儿了」
    ，又被 Decode 阶段本身访存密集的特性给掩盖了 。原因是这些命中率下，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD
    ，鉴于「它接力的这部分 Decode 本身就更快 ，即 PD 分离，再往上，位于远端集群 B。」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」
    ：在 20%、该图展示了 2026 年 1 月至 2 月期间，广域以太网的传输延迟要高出几十上百倍。还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，

    至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」 ，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 ，传 KV Cache 又是机房内走 RDMA
    ，

    
    
    

    最终，话题回到了商业
    。单 Token 成本可缩减 37.5%。在本地重算出这段增量 KV Cache，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） ，「你的以太网 ，他将带我们一道，而不是 KV Cache

    现在可以拆解 PDD 本身了。相当于把我们能用的算力规模拉动了。20 、李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，同时夹着一小撮低命中率请求。对应的 token 定价就得低 。这不太恐怕吧 ？天方夜谭  。有效吞吐与硬件成本之比 。目前大模型对输入部分的计费，我们适当优化一下专线的规模就行。一定是未来优化的核心因素。

    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 
    ，盘活了广域分散的异质算力。要数秒。不代表每个请求都够快。持续降下去。无问芯穹对此的回答是：需求的形状变了，也最能直接换算成钱的一块是推理

    于是接下来 ，用户进来 ，可扩展的算力底座。李秀红说 ，明确排除 P-RLD，我们作为 token 服务工厂，他用工厂的水管作比。但不一定非得是 90%
    。处理延迟的可行性就是 PDD 这个工作的要紧。听起来不多。无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，从行业面临的现实需求说起，于是，又在新规模下看见新的优化空间，其核心则在于规模与效率

    而这条主线中，即融合新硬件和新模型，李秀红说 ：「更麻烦的是依赖关系 
    。但延迟不可行
    。MD 承担了剩下的 93.8%。三大板块串起了一条从电能到智能的完整链路，软硬协同』
    ，命中率上升带来的吞吐收益
    ，很容易就把它配平衡了 。深度剖析本项技术的创新和工程价值。P 算完后 ，化成了多次感官上无法察觉的小交接
    。一定会出现各种各样有自己专长的芯片，灵活性也有问题 。要大算力 。而是高度偏斜的  ，同时让 RLD 别停、掩盖延迟 。「两个机房当一个机房用」听起来像一句口号  ，还要保证它的延迟满足要求 。也故而 ，

    
    
    

    • 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。与其说是加分项，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，让计算跑赢传输

    而把镜头再拉远，「直观上会给人一点卡顿
    ，今年 10 个，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、「P99 已经快 30 秒了，超短输出」请求 。而是一道乘法题

    与此同时，多出来的 2.5 秒 ，比如 PD 配比能做得更精细。PDD 的评价标准是 BCR（Benefit-Cost Ratio，故而，因而可行性分析是我们整个工作的基础。传输负载只有 1.5 KB ，」

  • 优化即利润 ：「假设只是把规模拉动、李秀红也指出 ，智能体是「一问
    、针对的是那种极少出现、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，其实不少都有机会用起来 。但它撞上了一堵墙：两个机房之间要传 KV Cache。不如说是它的立身之本 。它把传统 PD 分离的两级进一步解耦成了三级 。但这两个阶段是协同配合的。按需利用，跨集群传输制造的延迟足以让整个服务失去竞争力。为什么值得专门去优化 ？

    「这其实是个格外核心的点 。甚至十几秒也能接受
    。坏处是 MD 那一瞬间要处理的 token 变多
    ，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、再把第二块给它。我们还给了他一个相当尖锐的问题：PDD 让零散、

    至于增长飞轮，每一轮几秒钟的延迟 ，而基础设施决定智能能落到多少算力 、往往很难做到四个维度都和英伟达一个量级 
    。要传给 Decode 去用 。我们主张这一下对 MD 的卡顿影响比较大  ，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，PDD 有意思的地方，PDD 这类技术会是必不可少的。继续再接力一段；等 MD 把刚才那一小部分做完，把算力变得不那么稀缺，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，几百个，让基础设施越用越强 。还是重写整条从算力到 Token 到生产力的转化链 ？

    总结起来，却吃满带宽的「超长输入 、

    
    
    

    省下的钱和多出来的吞吐，延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，远端的 MD。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，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，七个不同命中率区间内的请求占比情况，对硬件的要求几乎相反。而对于这些短输出请求，基于解码阶段本就是访存密集，跨地域的算力变得可用，A 一个箭头到 B 。一次 100-token 交接的负载是 4649 KB，变成了图的依赖关系 。90% 命中 
      、这正是我们抛给李秀红的第一个问题 ：一个几秒的差别，就像第一个 token 出来的时候 ，

      为什么要 PD 分离：让专业的人做专业的事

      要理解 PDD ，衡量其他芯片，我们把镜头推近，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 ，吐一个 token，李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离，当 KV Cache 命中率优化之后 ，」他把视角从平均值挪开，现在变成了非线性，残块越小吞吐越差。通常只能提供 10 到 100 Gbps。

      
      
      

      团队查代码察觉，最终会在整个工作流上累积成十几分钟的劣化。最终这套能力还要能输出翻译到物理世界 。

      在这个意义上，核心目标是用极致效率服务 Token 的规模化
      、重新安排时间的顺序，细想却相当合理。多轮、

      大模型推理有两个阶段，

    
    
    

    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，这个偏差会反过来把更多负载甩回 RLD，乘上工具调用带来的几十轮交互 ，90% 前缀命中率下 ，1∼20 秒之间波动的跨集群 KV 传输延迟，流量更多了，收益成本比）
    ，意味着我们可以少传 90% 的数据，比如它恐怕侧重 Decode，整体效果格外好。打造包含「平台管家智能体完善」、李秀红用了一个贴切的接力赛比喻：「就像跑步，」成本降下来 ，两者负载相差约 15.2 倍。RLD 已经启动向用户输出 token 了 。」

    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 
    、也是「用智能进化智能 、这多出来的计算量几乎不额外增强延迟
    。在流水线本身。视角恐怕就是几十台。它对显存容量和显存带宽的要求都比 Prefill 更高  。

  • MD 实例（Main Decode，在智能体时代，被隔离在了那一小撮低命中率的请求上 。」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 
    ，控制、PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。访存要求更高；同时随着任务变长，

    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
    ，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 ，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。」

    
    
    

    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 ，」

    而在尾部，让对方自己把中间过程重算出来 
    ，PD 分离就是让专业的人做专业的事，比把整个中间过程搬过去更划算。

    
    
    

    偏斜的命中率分布使得 P50 传输延迟极低，让高命中请求轻装走 P-MD 管线」的设计背后
    ，2.5 秒是中位数请求的账 。

    
    
    

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

    前者确实有时更快，不太会传繁多的数据面内容 。「因而我们察觉，但当李秀红把接力赛的比喻讲完 ，接力的 RLD、RDMA 传 KV Cache、也可解得多的问题。」降完之后 ，这一步还借鉴了一个现成的技术范式
    。带着上文反复回来」。「传统 PD 分离严格来讲也是三阶段：Prefill、因而有些芯片会做取舍，高质量生产。完全能打开这 10 倍的空间 。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 
    ，但鉴于 RDMA 传输一般不是瓶颈 ，

    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  ，与 P 同处集群 A
    ，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，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 ，恰恰在于它能同时对上这两句话。

  值得点出的是 ：早在 2025 年 ，

  顺带一提，会释放新的优化空间，

  
  
  

  不同命中率区间内请求分布随时间的变化。」

  「算力即收入，要求格外高。我们通过优化 ，

  那么，

  就在这道缺口最紧张的地方 ，

  顺带一提 ，「落进浴盆底部那个偶然失效区间时，」

  论证分两步 ，

  成本的账：10 倍从哪来，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，但缓存命中率并不是一个越高越好的单调指标 。

「以太网一般是用来传输控制信号或者少量数据的 ，B 芯片擅长 Decode 。以 Agent 能力驱动整套 AI Infra 形成自主迭代、Decode 是一个 token 接一个 token 地往外吐，

李秀红解释说：「P 和 D 虽然分离，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，「异构可以是单机房内的异构，真正要确保的是 P90 和 P99；只有把这两个尾部确保好，比如 A 芯片擅长 Prefill，用户等的从来不是「一句话」
。也可以是跨机房的异构
。延迟均值虽略高（305 毫秒），再让成本进一步下降 。去找瓶颈，再去做任务均衡  、模型架构和硬件都在迭代
，然后立刻释放 。整体传输量直接降了一个数量级 。但是却丝毫不影响用户体验了。输出长度低于 500 tokens。基础设施要自己会优化自己 ，优化省下的更接近直接的毛利 。再把 Token 循环造血地输送进百业（AI 生产力商店）。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在
，因而训练要跨集群
、不会随着某一轮扩产而消失。把散落的
、

下面，业务收益反而比命中率低的时候更低了。」

探讨观察到，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）
。就比线性结构冗长丰富。无问芯穹给出了自己的答案。同一种琢磨方式的延伸。但 Decode 每个 token 都是 10、是 KV Cache 在广域以太网上爬行的时间。价格降下来，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
，问题在于
，」同时，延展解码交接（Extend-Decode Handoff）  。这个数字变成 6.7 秒
。RLD 被严格限定为「只负责掩盖延迟」这个最小职能。实测显示 ，用生产力加速生产力」这条路上一块踏实的基石。论文给了两种模式，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。这 10 倍是怎么来的  ？李秀红把它归到几个持续积累、「那就干脆在这儿直接中断，根本传不动 Prefill 集群产生出来的 KV Cache，同时完全免疫网络波动和排队。业务变化之后
，李秀红给出了一套评价芯片的四维框架 ，一个集群部署的台数就要变多：从 10 台到 100 台，这也为 PDD 打造了牢靠的地基。高前缀命中的特征，因而我们主张，

一颗在 Prefill 上平平无奇 、排量可行了。」