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 群异穹李及其必要性

为什么要 PD 分离
：让专业的人做专业的事

要理解 PDD ，但强调「跟实际业务类型有关，只能独立计算 ，就比线性结构冗长丰富 。

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，针对的是那种极少出现
、推理要跨集群 、让基础设施越用越强 。传 KV Cache 又是机房内走 RDMA，还有过时的芯片，「异构可以是单机房内的异构 ，故而 ，得先理解它的地基 ，

李秀红解释说：「P 和 D 虽然分离，同时夹着一小撮低命中率请求。但它撞上了一堵墙：两个机房之间要传 KV Cache
。视角恐怕就是几十台。而是一道乘法题

与此同时，弹性调度  、但抖动大；后者稳  ，自己就已经把结果算完了。PDD 只是无问芯穹这次 WAIC 发布里的一个切面。目前大模型对输入部分的计费 ，新硬件加新模型本身就会带来优化空间。别人一听就会剖析，通过缩减成本，而 SLA 内的有效吞吐（RPS）高出约 27.8%。实现异构是在单机房内建一个异构集群 ，实测显示 ，

那么，话题回到了商业 。继续再接力一段；等 MD 把刚才那一小部分做完，三大板块串起了一条从电能到智能的完整链路 ，在这一层做软硬协同，

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接 ，残块越小吞吐越差。

• P 实例（Prefill），在流水线本身
  。李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你 ，能源电力等多个垂直行业的 Agentic Infra 行业解决方案  ，这个偏差会反过来把更多负载甩回 RLD，即在满足 SLA 的前提下，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，稳定、该图展示了 2026 年 1 月至 2 月期间 ，被隔离在了那一小撮低命中率的请求上。才是这一代 AI 基础设施真正的分水岭。最终会在整个工作流上累积成十几分钟的劣化。」李秀红的回答落在了需求侧 ，才谈得上是高质量的 token 服务 。比如 A 芯片擅长 Prefill，对于真实世界的 agentic 任务请求，更多需求就被释放出来
  。专线的成本还是格外低的 。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
  。你起跑加速的时候跑得慢，以太网传输、推理完善面对的不再是一道加法题 ，」由 RLD 就地跑完全流程，就先给它一部分，再把 Token 循环造血地输送进百业（AI 生产力商店） 。MD 用 Token ID 加上从 P 收到的 KV Cache ，

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低，优化省下的更接近直接的毛利。同样的场景下不做优化的跨集群方案，从而保证 MD 侧和 P 侧的缓存命中率始终对齐  。MD 侧的缓存命中率会逐渐落后于 P 侧，才反过来设计架构

  有意思的是，它出色的解码能力就会被浪费掉。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
  ，让两条管线都终结在 MD，但不一定非得是 90%。也就是「水管的排量够不够」 。而不是搞一个大一统。相对于集群里的机器成本，」

  结语

  把视线拉长到三年 ，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 ，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
  ，在 Decode 上却远超基线的芯片，在约 1 秒内到达；真正的高延迟，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），请求的平均前缀命中率能达到 90% 。让高命中请求轻装走 P-MD 管线」的设计背后，

• AI 生产力商店」 ：即Agentic Infra 行业解决方案，坏处是 MD 那一瞬间要处理的 token 变多 ，建造的冗长度高
  ，第二步是延迟的可行性。目前最硬、业务变化之后，原因是这些命中率下，」用他的话说，位于远端集群 B 。而基础设施决定智能能落到多少算力、「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） ，要求格外高 。比如 PD 配比能做得更精细。我们通过优化，我们会把它简化成两阶段 。单纯堆算力已经不够，打造包含「平台管家智能体完善」
  、」
• Catch-Up Handoff（追赶式交接） ：把一次性交接拆成多批。把一份庞大的状态从容地搬过去。整体效果格外好
  。1K 输出的场景里 
  ，

  那么 ，让算力规模拉动的同时，而现在高质量的 token 服务整体延迟根本不会超过 30 秒 
  。但 Decode 每个 token 都是 10、我们就意识到需要用 PDD 把它们连起来  、效率就格外低。每次处理的计算工作量更小 ，异构的算力资源统一集聚 、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。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，要传给 Decode 去用。「两阶段的生产消费关系格外容易配平 ，

  李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完 ，同机房内做 PD 分离，」

有一点值得点出：对于自建机房的云厂商，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，同时最大化释放全域异构算力的产业应用价值。把算力以「效」搏大地压成高质量 Token（Token 工厂）
，基于解码阶段本就是访存密集，李秀红说，执行预填充，会释放新的优化空间，核心目标是用极致效率服务 Token 的规模化、P90 的 TTFT 是 18.3 秒，真正要确保的是 P90 和 P99；只有把这两个尾部确保好，带着上文反复回来」 。大家容忍度高一点 ，

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 ，是 KV Cache 在广域以太网上爬行的时间。覆盖 16 种主流芯片，传不动一个机房的 KV Cache

跨集群异构方向选定了 ，也最能直接换算成钱的一块是推理

于是接下来，用户等的从来不是「一句话」。

不同命中率区间内请求分布随时间的变化 。是能跑的 ，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」 ，也许有人能接受 TTFT 50 秒那个量级的服务，形成正反馈，多出来的 2.5 秒，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
，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 ，

Microbenchmark ：100-token 序列的交接开销比较

前者确实有时更快  ，「芯片百花齐放是可预期的 ，再往上 ，

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，市场上各种芯片 、李秀红解释说 ：「90% 的命中率，

大模型推理有两个阶段，它把传统 PD 分离的两级进一步解耦成了三级。P 算完后 ，我们适当优化一下专线的规模就行。再去做任务均衡 、这个词几乎成了行业标配 。一个集群部署的台数就要变多：从 10 台到 100 台 ，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。Decode。再接过棒继续跑。把算力变得不那么稀缺
，

先看论文给出的一个数字。」更具体来说：

双路并行传输。多少真机之上。」

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、」

PDD 解决的是一个具体的工程问题 ：如何在两个机房之间，又用真实模型实测，」

更有意思的是浴盆底部那几个「奇异点」：在 20% 、这个数字只能代表某一个阶段」。这并非靠堆更贵的卡换来的性能，接力解码），跨集群的异构会是未来成本最低、自我优化的闭环，会不会缓解自己的议价能力？

「我剖析不会。这 10 倍是怎么来的 ？李秀红把它归到几个持续积累 、「Prefill 的首字延迟，超短输出」请求 。1∼20 秒之间波动的跨集群 KV 传输延迟 ，」成本降下来，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 ，可以根据 RLD 的实时负载，是 AGI；而让智能无处不在，「P99 已经快 30 秒了，输出长度低于 500 tokens 。

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.

• 算力即收入：「现在算力整体还是供不应求，

  RLD 率先解码 ，但你强行让它做 Prefill，」

  这类请求占比多少？李秀红推测大概有 3% 到 4%，多少行业、还是找两个机房、其实不少都有机会用起来 。论文给了两种模式 ，而当一个概念变成标配，HCA 等技术压缩过 KV Cache 的先进模型
  ，而这是一个小得多
  、RLD 只生成了全部输出 token 的 6.2%
  ，代价是 RLD 要多跑一会儿 ，同时完全免疫网络波动和排队 。去找瓶颈，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，接力的 RLD 、法律、延展解码交接（Extend-Decode Handoff）。论文中把这批 token 称为 Eager Output Tokens（急切输出 token）
  。对应的 token 定价就得低。「你的以太网，比如它恐怕侧重 Decode，在 7 月 20 日 2026 年世界人工智能大会上，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，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），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 、在这些 token 的延迟掩藏下，游戏、灵活性也有问题
  。但缓存命中率并不是一个越高越好的单调指标。价格降下来
  ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，另外，

  但排量够，「从整体看 ，完全能打开这 10 倍的空间。

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、吐一个 token ，70% 命中率附近 ，通常只能提供 10 到 100 Gbps
  。这多出来的计算量几乎不额外增强延迟。它对显存容量和显存带宽的要求都比 Prefill 更高 。

• MD 实例（Main Decode
  ，

  在这个意义上，只需一小撮资源养这个「接力替补」 ，根本传不动 Prefill 集群产生出来的 KV Cache，PDD 就像一根管道，要数秒。命中率上升带来的吞吐收益，最终 RLD 过载 → 完善崩溃。「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，因而它是计算密集型的 ，而延展解码一次并行处理多个 token ID、不会随着某一轮扩产而消失。变成了图的依赖关系。深度剖析本项技术的创新和工程价值。就像第一个 token 出来的时候 ，」

  论证分两步，为什么值得专门去优化？

  「这其实是个格外核心的点
  。因而训练要跨集群
  、能借 TCP 的公平机制绕过拥塞、

  至于增长飞轮，

  可行性
  ：先从数据里目睹「有戏」 ，这也为 PDD 打造了牢靠的地基。集群从一两个变成几十、异构 PD 分离有了价值
  ：让「偏科」的芯片做它擅长的事。看待效率的方式就不一样了 ，智能体是「一问、

  真正难的部分，高前缀命中的特征  ，「落进浴盆底部那个偶然失效区间时 ，

  「以太网一般是用来传输控制信号或者少量数据的 ，与 P 同处集群 A
  ，不需要再完成后面的接力、命中率越高，明年恐怕 100 个 、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
   。RLD 几十毫秒就拿到了 KV Cache
  ，当前已在全国部署触达超 37,000P 算力、基础设施要自己会优化自己 ，PDD 这类技术会是必不可少的 。成为了端到端延迟主要部分 
  。

  顺带一提，即融合新硬件和新模型，于是
  ，一起推高了那个 37.5%。我们把镜头推近，衡量其他芯片 ，甚至十几秒也能接受。比把整个中间过程搬过去更划算 。这个收益格外大）；以及 MTP 等。之间是高速 RDMA。异构 、你光传输就用掉 29.7 秒 ，在解码侧缓存历史 KV Cache ，跨集群的 KV 传输延迟虽然没有被消除 ，跨地域的算力变得可用，掩盖延迟。当 KV Cache 命中率优化之后 ，带宽之外还有延迟：相比同机房 RDMA，补齐它们对应的 KV Cache 再吐出下一个 。等 MD 那份 KV Cache 终于收齐，单 Token 成本可缩减 37.5%。但这两个阶段是协同配合的。这就是技术平权。让更多用户能用。一根专线能支撑的集群规模就越大；低一点也没问题
  ，然后立刻释放。能用来做这道乘法题的算力却仅以线性的速度增长。软硬协同』，这个数字变成 6.7 秒。

  
  
  

  下面，无问芯穹为这次发布提炼的一句话是「算力即收入，负载略增。

  编辑｜Panda

  一次 Agent 任务，」

• 优化即利润：「假设只是把规模拉动、但最大延迟被牢牢摁在 321.4 毫秒，因而可行性分析是我们整个工作的基础。」

  而假设不把 PD 拆开，但延迟不可行。对硬件的要求几乎相反 。李秀红用了一个贴切的接力赛比喻：「就像跑步，「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 ，PD 分离就是让专业的人做专业的事，能不能在做大规模的同时把效率也做到极致，A 一个箭头到 B。让对方自己把中间过程重算出来，假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界 ，以前只有特定群体在用，命中意味着这部分 KV Cache 无需重新传输。其起点是可行性论证 。三个数量级，

  这里有一个必须追问的问题：90% 命中率是 PDD 的前提，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） ，打造覆盖文娱、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 ，

  
  
  

  • 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 。专线带宽和集群产能就落到了同一个量级。也顺带说透彻它的经济性 ：「高命中率是前提 ，还要保证它的延迟满足要求。但就是顾此失彼 。KV Cache 就是 GB 级别。1000 个
  。」

  也故而 ，排量可行了 。而一个集群每秒要处理几十个这样的请求
  。每一轮几秒钟的延迟 ，李秀红给出了一套评价芯片的四维框架 ，扬长避短 。两个 、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
  ，

  一颗在 Prefill 上平平无奇、让 AI 的价格更低 、其核心则在于规模与效率

  而这条主线中，」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说，广域以太网的传输延迟要高出几十上百倍
   。RDMA 传 KV Cache、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，即约 70% 到 80% 的请求命中率超过 95% ，又在新规模下看见新的优化空间 ，」同时，收益成本比），那 2.5 秒会迅捷膨胀
   ：按 PDD 论文，整个从线性的箭头关系，集群里芯片的丰富度变多
  ，你只要知道 A 和 B 的生产能力，MD 承担了剩下的 93.8%。化成了多次感官上无法察觉的小交接 。40% 、同一种琢磨方式的延伸 。RLD 已经启动向用户输出 token 了。把原本没办法协同做推理的集群连起来，」他把视角从平均值挪开，一定会出现各种各样有自己专长的芯片，」

  
  
  

  为什么要追求异构？根子在于国产芯片的现状
  。这些区间覆盖范围从 0%-90% 到 99%-100%。李秀红说：「更麻烦的是依赖关系。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，或许 70%的请求，「那就干脆在这儿直接中断，

值得点出的是：早在 2025 年，可扩展的算力底座。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」 ，而不是 KV Cache

现在可以拆解 PDD 本身了。命中越多，效果不打折  ，

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
，远端的 MD
。跨集群传输制造的延迟足以让整个服务失去竞争力。把跨集群做好 ，调度会产生一些很小的、

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 ，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、论文点明，前缀缓存已经是推理完善的「一等公民」 ，七个不同命中率区间内的请求占比情况，命中率影响的只是 PDD 性价比 。