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 再加一条跨机房专线

热点 · 2026-08-10 19:50:19

可行性：先从数据里目睹「有戏」，群异穹李会不会缓解自己的构Pn工议价能力？

「我剖析不会。我们通过优化 ，分发专访无

论文的离W落地路径 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache
，而是问芯高度偏斜的 ，李秀红说，秀红线」

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，兼具二者是厂超正交的 ：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。PDD 的跨集评价标准是 BCR（Benefit-Cost Ratio，也顺带说透彻它的群异穹李经济性：「高命中率是前提，因而可行性分析是构Pn工我们整个工作的基础 
。可以根据 RLD 的分发专访无实时负载
，但它撞上了一堵墙：两个机房之间要传 KV Cache。离W落地路径

团队查代码察觉，继续再接力一段；等 MD 把刚才那一小部分做完 ，」同时
，一根专线能支撑的集群规模就越大；低一点也没问题，衡量其他芯片，这个收益格外大）；以及 MTP 等。PDD 就像一根管道，这也为 PDD 打造了牢靠的地基。」更具体来说 ：

双路并行传输。处理延迟的可行性就是 PDD 这个工作的要紧。他用工厂的水管作比 。为什么值得专门去优化  ？

「这其实是个格外核心的点 。及其必要性 。它对显存容量和显存带宽的要求都比 Prefill 更高
。

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 ，真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。

大模型推理有两个阶段 
，1000 个。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%，针对的是那种极少出现
、」

更有意思的是浴盆底部那几个「奇异点」 ：在 20% 、标准差只有 4.8 毫秒。整体传输量直接降了一个数量级。变成了图的依赖关系。又用延迟掩盖把这份规模守在高质量的服务水位上。位于远端集群 B
。又用真实模型实测 ，李秀红解释说 ：「90% 的命中率，还是找两个机房、假设被绑死在耦合部署里
 ，在 MD 那份还在网上爬的这数秒到数十秒中 ，对于真实世界的 agentic 任务请求，

至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，单价越低。

成本的账：10 倍从哪来 ，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 ，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
，得先理解它的地基 ，这正是我们抛给李秀红的第一个问题：一个几秒的差别 ，一起推高了那个 37.5%。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，又被 Decode 阶段本身访存密集的特性给掩盖了。优化即利润」。智能体是「一问
、还要保证它的延迟满足要求。它把传统 PD 分离的两级进一步解耦成了三级。我们作为 token 服务工厂 ，因而有些芯片会做取舍，乘上工具调用带来的几十轮交互 
，覆盖 16 种主流芯片
，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 ，「你的以太网，比如 PD 配比能做得更精细
。

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接，用户进来，由负载均衡的路由器去调度，让它做 Decode 还可以，而基础设施决定智能能落到多少算力、多少行业 、然后无缝接力。A 一个箭头到 B。同时夹着一小撮低命中率请求。意味着我们可以少传 90% 的数据 ，让对方自己把中间过程重算出来，MD 侧的缓存命中率会逐渐落后于 P 侧 ，「落进浴盆底部那个偶然失效区间时，因而随着集群数量变多、高质量生产 。

但排量够 
，完全能打开这 10 倍的空间。论文给了两种模式，软硬协同』，效果不打折
，往往很难做到四个维度都和英伟达一个量级
。但鉴于 RDMA 传输一般不是瓶颈
，RDMA 传 KV Cache、吞吐会突然掉下去。接力解码），在约 1 秒内到达；真正的高延迟
，SLA 还维护在高质量的范畴中
。延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，李秀红给出了一套评价芯片的四维框架 ，市场上各种芯片、请求的平均前缀命中率能达到 90% 。P99 是 29.7 秒 。最终会在整个工作流上累积成十几分钟的劣化。两个
、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，再把第二块给它。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，业务收益反而比命中率低的时候更低了 。一定是未来优化的核心因素。残块越小吞吐越差。

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
 ，这个数字变成 6.7 秒。赋能千行百业降本提效。却能得到跨机房这张通行证。更多需求涌进来 。看待效率的方式就不一样了 ，那 2.5 秒会迅捷膨胀
：按 PDD 论文，盘活了广域分散的异质算力
。」由 RLD 就地跑完全流程，而一个集群每秒要处理几十个这样的请求。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，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。被隔离在了那一小撮低命中率的请求上。就会出现命中率越高越亏钱。去找瓶颈
，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，打造包含「平台管家智能体完善」、我们会把它简化成两阶段 。1K 输出的场景里，才反过来设计架构

有意思的是
，也最能直接换算成钱的一块是推理

于是接下来 ，PD 分离就是让专业的人做专业的事 ，价格降下来，把算力变得不那么稀缺
，两者负载相差约 15.2 倍 。带着上文反复回来」 。也是「用智能进化智能、90% 命中、实现异构是在单机房内建一个异构集群，代价是 RLD 要多跑一会儿 ，其核心则在于规模与效率

而这条主线中  ，你起跑加速的时候跑得慢，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。以前只有特定群体在用，

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、「因而我们察觉，无问芯穹就率先提出了Agentic Infra的范式；一年过去，也故而，更将智能体能力应用到 AI Infra 本身，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖
、

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，Extend-Decode 普通上和 MTP（多 token 预测） 、我们适当优化一下专线的规模就行。跨集群传输制造的延迟足以让整个服务失去竞争力 。自己就已经把结果算完了。要大算力 。也就是「水管的排量够不够」。而 SLA 内的有效吞吐（RPS）高出约 27.8%。KV Cache 就是 GB 级别  。在解码侧缓存历史 KV Cache，这个词几乎成了行业标配。排量可行了  。他将带我们一道 ，李秀红用了一个贴切的接力赛比喻：「就像跑步，整个从线性的箭头关系，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 ，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 、但延迟不可行 。基础设施要自己会优化自己，「两阶段的生产消费关系格外容易配平 ，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，同时是 CPU 数据，就让上一棒先替你跑一段；等你把速度提起来 ，PDD 的诞生过程并非从创意到成果的研发之路，PDD 有意思的地方，再让成本进一步下降
。RLD 已经启动向用户输出 token 了。同时完全免疫网络波动和排队 
。中间低
。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
，话题回到了商业。把一份庞大的状态从容地搬过去
。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  。执行过程中，命中意味着这部分 KV Cache 无需重新传输。只需一小撮资源养这个「接力替补」，是能跑的 ，对硬件的要求几乎相反
。多轮、等 MD 那份 KV Cache 终于收齐 ，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，」

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、命中率越高，让基础设施越用越强。但你强行让它做 Prefill
，故而
，几百个，建造的冗长度高 ，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，这不太恐怕吧？天方夜谭。推理完善面对的不再是一道加法题，

• P 实例（Prefill），「P99 已经快 30 秒了，从行业面临的现实需求说起 ，

  
  
  

  那么，RLD 几十毫秒就拿到了 KV Cache
  ，

  那么 ，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，其实不少都有机会用起来 。PDD 这类技术会是必不可少的。延迟完全满足不了业务要求。游戏 、

    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.

    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，投机解码是同类 ：普通解码一步只吃一个 token ID、供需之间的缺口是结构性的 ，传不动一个机房的 KV Cache

    跨集群异构方向选定了，这个数字只能代表某一个阶段」
    。

    在这个意义上
    ，现在变成了非线性
    ，因而训练要跨集群 、又在新规模下看见新的优化空间，

    为什么要 PD 分离
    ：让专业的人做专业的事

    要理解 PDD，以太网传输 、多少真机之上
    。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），」

    PDD 解决的是一个具体的工程问题 ：如何在两个机房之间
    ，而一条跨机房专线的带宽也就在 GB 量级。我们把镜头推近，而对于这些短输出请求，却吃满带宽的「超长输入、得到的收益曲线呈「浴盆」形 ：两端高 、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
     。但就是顾此失彼。李秀红说：「更麻烦的是依赖关系
    。每一轮几秒钟的延迟 ，无问芯穹对此的回答是：需求的形状变了，该图展示了 2026 年 1 月至 2 月期间 ，你光传输就用掉 29.7 秒 
    ，

    让智能无所不能，在本地重算出这段增量 KV Cache
    ，与其说是加分项，在智能体时代，视角恐怕就是几十台 。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  ，

    
    
    

    TTFT 示意图

    2.5 秒，把散落的
     、门槛更低，今年 10 个，更多需求就被释放出来
     。30 毫秒量级的 ，而经济型的跨机房以太网，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 ，」李秀红的回答落在了需求侧，最终 RLD 过载 → 完善崩溃。对应的 token 定价就得低 。目前大模型对输入部分的计费，灵活性也有问题。当前已在全国部署触达超 37,000P 算力
      、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 。比把整个中间过程搬过去更划算 。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、再把 Token 循环造血地输送进百业（AI 生产力商店）
      。其起点是可行性论证 。让更多用户能用  。假设没有这么高呢？

      李秀红的回答给出了 PDD 的适用边界
      ，

      顺带一提
      ，为模型与应用层筑牢充足 、Decode
      。」

    • 优化即利润
      ：「假设只是把规模拉动 、几秒、这些区间覆盖范围从 0%-90% 到 99%-100%。模型架构和硬件都在迭代，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，稳定、我们就意识到需要用 PDD 把它们连起来 、相对于集群里的机器成本 ，带宽之外还有延迟：相比同机房 RDMA ，不如说是它的立身之本 。」

      这件事初看不合理 ，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 。也可以是跨机房的异构 。Prefill 生产出来的 KV Cache，

      
      
      

      下面，40% 、在流水线本身。但不一定非得是 90% 。」成本降下来，「芯片百花齐放是可预期的，」他当场算了一笔账：主流的 1T 级别旗舰模型，对齐
       。又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，不太会传繁多的数据面内容。让两条管线都终结在 MD
      ，问题在于
      ，「传统 PD 分离严格来讲也是三阶段
      ：Prefill、单纯堆算力已经不够，于是
      ，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。也许有人能接受 TTFT 50 秒那个量级的服务，」换句话说
      ，是 AGI；而让智能无处不在，

      第三步，

      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，但当李秀红把接力赛的比喻讲完，「直观上会给人一点卡顿，「过去一年推理成本降了 10 倍」，论文点明，让 AI 的价格更低 、同时让 RLD 别停、」

      「算力即收入，当 KV Cache 命中率优化之后
      ，70% 命中率附近，坏处是 MD 那一瞬间要处理的 token 变多，单 Token 成本可缩减 37.5%。让算力规模拉动的同时，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，即 PD 分离，」

    有一点值得点出：对于自建机房的云厂商，「异构可以是单机房内的异构，」

    论证分两步，多出来的 2.5 秒，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 ，

    先看论文给出的一个数字
    。」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，异构的算力资源统一集聚、之间是高速 RDMA。

  值得点出的是：早在 2025 年
  ，P90 的 TTFT 是 18.3 秒，执行预填充
  ，

  
  
  

  不同命中率区间内请求分布随时间的变化。甚至十几秒也能接受。能源电力等多个垂直行业的 Agentic Infra 行业解决方案，重新安排时间的顺序，MD 承担了剩下的 93.8% 。同时最大化释放全域异构算力的产业应用价值 。对此，调度会产生一些很小的 、对这样一家公司
  ，把跨集群做好 ，B 芯片擅长 Decode。法律、这个偏差会反过来把更多负载甩回 RLD，MD 用 Token ID 加上从 P 收到的 KV Cache ，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，在两种模式间动态切换
  。

  
  
  

  最终
  ，各种芯片的配比就固定了，它出色的解码能力就会被浪费掉
  。命中越多，

  
  
  

  Microbenchmark：100-token 序列的交接开销比较

  前者确实有时更快
  ，」

  也故而，打造覆盖文娱、传 KV Cache 又是机房内走 RDMA ，因而我们主张 ，」

  这类请求占比多少 ？李秀红推测大概有 3% 到 4%  ，而在决定服务质量的尾部，把它传到解码集群需要超过 180 Gbps 的带宽
  。」

  而在尾部，最终这套能力还要能输出翻译到物理世界。还有过时的芯片，持续降下去。

  RLD 率先解码，而是一道乘法题

  与此同时
  ，要数秒
  。访存要求更高；同时随着任务变长，比如 A 芯片擅长 Prefill，李秀红传递说：「一启动做推理服务，有效吞吐与硬件成本之比。

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、」而直接用以太网传，位于集群 A 。按需利用，会释放新的优化空间
  ，吐一个 token，根本传不动 Prefill 集群产生出来的 KV Cache ，集群里芯片的丰富度变多 ，即在满足 SLA 的前提下 ，

  
  
  

  李秀红解释说：「P 和 D 虽然分离 ，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，或许 70%的请求，Decode 是一个 token 接一个 token 地往外吐
，第二步是延迟的可行性 。「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 ，」降完之后，与 P 同处集群 A ，要传给 Decode 去用。2.5 秒是中位数请求的账。即融合新硬件和新模型，带宽是可行的
，通常只能提供 10 到 100 Gbps。在 Decode 上却远超基线的芯片，

顺带一提，」

探讨观察到，让计算跑赢传输

而把镜头再拉远，传输负载只有 1.5 KB ，才谈得上是高质量的 token 服务 。但是却丝毫不影响用户体验了
。只能独立计算，无问芯穹为这次发布提炼的一句话是「算力即收入
，」这样就把一次大的卡顿，

这里有一个必须追问的问题 ：90% 命中率是 PDD 的前提 ，这格外反直觉。同时集群一旦建好 ，核心目标是用极致效率服务 Token 的规模化、但你把视野放开，一个集群部署的台数就要变多：从 10 台到 100 台，掩盖延迟
。但抖动大；后者稳，英伟达做得最好。接力的 RLD、形成正反馈
，但 Decode 每个 token 都是 10、但强调「跟实际业务类型有关，

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），效率就格外低
。但从每一个具体请求的视角看
，弹性调度
、

一颗在 Prefill 上平平无奇、

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
。要么提高 Cache 容量「逃离盆底」。技术优化对它而言，但它的价格就会变低 
。我们专访了无问芯穹技术副总裁
、「P50 你可以理解成只有一半的请求。通过缩减成本 ，负载略增 。一定会出现各种各样有自己专长的芯片，明年恐怕 100 个、

至于增长飞轮，然后立刻释放 。推理要跨集群、好处是 RLD 占用时间最短 ，

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」 ，把原本没办法协同做推理的集群连起来，就先给它一部分，你会察觉它其实是一句相当精确的技术描述，才是这一代 AI 基础设施真正的分水岭 。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 ，控制、而不是搞一个大一统。

就在这道缺口最紧张的地方，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，在 7 月 20 日 2026 年世界人工智能大会上，但缓存命中率并不是一个越高越好的单调指标
。异构 PD 分离有了价值
 ：让「偏科」的芯片做它擅长的事。别人一听就会剖析 ，三大板块串起了一条从电能到智能的完整链路，

这种偏斜很有用：充足高命中请求的传输包极小 ，

省下的钱和多出来的吞吐 ，收益成本比），20、