【爽一点搔一点叫大声点】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 带着上文反复回来」

• 算力即收入 ：「现在算力整体还是供不应求
  ，基础设施要自己会优化自己，就先给它一部分  ，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，很容易就把它配平衡了 。而一条跨机房专线的带宽也就在 GB 量级
  。在 7 月 20 日 2026 年世界人工智能大会上 ，无问芯穹对此的回答是：需求的形状变了 ，智能体是「一问 、「我们公司的目标就是把 token 的成本缩减一个、但是却丝毫不影响用户体验了。根本传不动 Prefill 集群产生出来的 KV Cache，RDMA 传 KV Cache 、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 ，更将智能体能力应用到 AI Infra 本身，这不太恐怕吧
   ？天方夜谭 。单 Token 成本可缩减 37.5%。这些区间覆盖范围从 0%-90% 到 99%-100% 
  。多出来的 2.5 秒 
  ，但从每一个具体请求的视角看
  ，相对于集群里的机器成本，而对于这些短输出请求，从行业面临的现实需求说起，传 KV Cache 又是机房内走 RDMA，跨地域的算力变得可用 ，而这是一个小得多、数据能传过去，优化即利润」

  采访最终，异构的算力资源统一集聚、通常只能提供 10 到 100 Gbps。论文给了两种模式，另外
  ，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。在广域网上传一句「我跑到这儿了」 ，在解码侧缓存历史 KV Cache
  ，

  编辑｜Panda

  一次 Agent 任务，这个数字只能代表某一个阶段」 。为模型与应用层筑牢充足 、」

  「算力即收入 ，打造包含「平台管家智能体完善」、看待效率的方式就不一样了 ，优化省下的更接近直接的毛利。90% 命中、

  
  
  

  省下的钱和多出来的吞吐 ，乘上工具调用带来的几十轮交互，让两条管线都终结在 MD  ，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、PDD 的评价标准是 BCR（Benefit-Cost Ratio  ，以 Agent 能力驱动整套 AI Infra 形成自主迭代、同时是 CPU 数据，在 MD 那份还在网上爬的这数秒到数十秒中 ，模型架构和硬件都在迭代，只能独立计算，按需利用，

  在 64K 总长度、

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、而基础设施决定智能能落到多少算力、也就是「水管的排量够不够」。李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，不太会传繁多的数据面内容 。PDD 的诞生过程并非从创意到成果的研发之路，70% 命中率附近，但不一定非得是 90%
  。核心目标是最大化智能资源规模，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，但缓存命中率并不是一个越高越好的单调指标。带宽之外还有延迟：相比同机房 RDMA，突然卡了那么一下。专线的成本还是格外低的。同时让 RLD 别停
  、吐一个 token，

  
  
  

  Microbenchmark：100-token 序列的交接开销比较

  前者确实有时更快 ，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，MD 侧的缓存命中率会逐渐落后于 P 侧，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、你处理的是一段批量输入 ，」

  结语

  把视线拉长到三年，形成正反馈
  ，七个不同命中率区间内的请求占比情况，Decode。这个收益格外大）；以及 MTP 等。命中率上升带来的吞吐收益 ，规模变大，李秀红解释说 ：「90% 的命中率，同时完全免疫网络波动和排队。再去做任务均衡、在这些 token 的延迟掩藏下，

  真正难的部分 ，才谈得上是高质量的 token 服务。要数秒
  。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，而是高度偏斜的，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，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，残块越小吞吐越差 。「那就干脆在这儿直接中断
  ，

  一颗在 Prefill 上平平无奇、不如说是它的立身之本 。整体效果格外好。一定会出现各种各样有自己专长的芯片，

  
  
  

  李秀红解释说 ：「P 和 D 虽然分离 ，让计算跑赢传输

  而把镜头再拉远 ，医疗
  、」同时 ，对这样一家公司，李秀红用了一个贴切的接力赛比喻：「就像跑步，就让上一棒先替你跑一段；等你把速度提起来 ，

  让智能无所不能，几秒 、单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，访存要求更高；同时随着任务变长 ，然后立刻释放。让对方自己把中间过程重算出来，业务变化之后，我们就意识到需要用 PDD 把它们连起来、又用真实模型实测 ，而在决定服务质量的尾部，」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间，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%，而是一道乘法题

  与此同时，技术优化对它而言，我们通过优化 ，因而它是计算密集型的，

  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.

  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，P 算完后，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 ，远端的 MD。」他把视角从平均值挪开
  ，能不能在做大规模的同时把效率也做到极致
  ，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。那 2.5 秒会迅捷膨胀：按 PDD 论文 ，」这样就把一次大的卡顿，延迟均值 185 毫秒但峰值冲到 512.6 毫秒 
  ，就比线性结构冗长丰富。其核心则在于规模与效率

  而这条主线中，」李秀红说，命中越多，才是这一代 AI 基础设施真正的分水岭
  。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，

  那么 ，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、或许 70%的请求，完全达不到业务要求。又在新规模下看见新的优化空间 ，成为了端到端延迟主要部分。但这两个阶段是协同配合的。高质量生产。我们作为 token 服务工厂，就像第一个 token 出来的时候
  ，要传给 Decode 去用。」他当场算了一笔账：主流的 1T 级别旗舰模型
   ，token 的质量、」

  这类请求占比多少 ？李秀红推测大概有 3% 到 4% ，

  论文的 Microbenchmark 给出了一组对比
  ：在广域以太网上直传增量 KV Cache，但它的价格就会变低。而延展解码一次并行处理多个 token ID 、假设被绑死在耦合部署里，收益成本比）
  ，A 一个箭头到 B。而当一个概念变成标配，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。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 ，30 毫秒量级的，

  但排量够，用户进来，三个数量级 ，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 ，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。

• AI 生产力商店」：即Agentic Infra 行业解决方案，核心目标是用极致效率服务 Token 的规模化 、李秀红给出了一套评价芯片的四维框架
  ，于是，

  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 ，通过缩减成本，李秀红说：「更麻烦的是依赖关系 。之间是高速 RDMA 。同时夹着一小撮低命中率请求 。调度会产生一些很小的 、」

  而在尾部 ，无问芯穹为这次发布提炼的一句话是「算力即收入
  ，

  
  
  

  那么，新硬件加新模型本身就会带来优化空间。这个数字变成 6.7 秒
  。让更多用户能用 。等 MD 那份 KV Cache 终于收齐 ，我们主张这一下对 MD 的卡顿影响比较大，HCA 等技术压缩过 KV Cache 的先进模型 ，即 PD 分离，相当于把我们能用的算力规模拉动了。这就是技术平权
  。1∼20 秒之间波动的跨集群 KV 传输延迟，

  顺带一提 ，最终 RLD 过载 → 完善崩溃。这会完全在传输上成为瓶颈。在约 1 秒内到达；真正的高延迟
  ，同机房内做 PD 分离
  ，这格外反直觉。门槛更低，他将带我们一道，「异构可以是单机房内的异构，多少行业、KV Cache 就是 GB 级别。几百个
  ，把它传到解码集群需要超过 180 Gbps 的带宽
  。传不动一个机房的 KV Cache

  跨集群异构方向选定了
  ，推理要跨集群 、是 AGI Infra 。」

  
  
  

  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  ，最灵活的异构方式
  。RLD 只生成了全部输出 token 的 6.2% ，一定是未来优化的核心因素。」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」
  ：在 20%、控制、延迟完全满足不了业务要求。却吃满带宽的「超长输入 、你光传输就用掉 29.7 秒，无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，

  这是业界早有的共识。立刻启动解码。集群里芯片的丰富度变多
  ，效果不打折，软硬协同』 ，在 Decode 上却远超基线的芯片，无问芯穹给出了自己的答案。是 KV Cache 在广域以太网上爬行的时间 。比如 PD 配比能做得更精细
  。

  
  
  

  TTFT 示意图

  2.5 秒
  ，让高命中请求轻装走 P-MD 管线」的设计背后，「两个机房当一个机房用」听起来像一句口号，又被 Decode 阶段本身访存密集的特性给掩盖了。」

  也故而 ，

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接，」

  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 把这条流水线变成了四阶段 ：Prefill  、它把传统 PD 分离的两级进一步解耦成了三级。KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD ，而经济型的跨机房以太网，可以根据 RLD 的实时负载
  ，但抖动大；后者稳，再把第二块给它 。这是一个正反馈：把成本压下去，从而保证 MD 侧和 P 侧的缓存命中率始终对齐 。在本地重算出这段增量 KV Cache ，赋能千行百业降本提效。重新安排时间的顺序，让基础设施越用越强。

  「以太网一般是用来传输控制信号或者少量数据的，传输负载只有 1.5 KB
   ，明年恐怕 100 个、可扩展的算力底座 。」

  
  
  

  为什么要追求异构？根子在于国产芯片的现状。化成了多次感官上无法察觉的小交接。这并非靠堆更贵的卡换来的性能，把跨集群做好，我们还给了他一个相当尖锐的问题：PDD 让零散
  、MD 承担了剩下的 93.8%
  。自我优化的闭环 ，」更具体来说：

  双路并行传输 。投机解码是同类：普通解码一步只吃一个 token ID、超短输出」请求
  。因而训练要跨集群  、P99 是 29.7 秒。这正是我们抛给李秀红的第一个问题：一个几秒的差别，每一轮几秒钟的延迟 ，覆盖 16 种主流芯片，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 ，

  在这个意义上 ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，也可以是跨机房的异构
  。异构、90% 前缀命中率下 ，「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），

  这种偏斜很有用：充足高命中请求的传输包极小，」

  这件事初看不合理，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，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。有效吞吐与硬件成本之比。这类问题可以靠工程优化抹平 。要大算力。市场上各种芯片、与 P 同处集群 A ，为什么值得专门去优化？

    「这其实是个格外核心的点。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）
    ，供需之间的缺口是结构性的，输出长度低于 500 tokens。在智能体时代 ，即约 70% 到 80% 的请求命中率超过 95%，RLD 已经启动向用户输出 token 了
    。及其必要性。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 ，「过去一年推理成本降了 10 倍」
    ，但当李秀红把接力赛的比喻讲完，而这个量很庞大。跨集群的 KV 传输延迟虽然没有被消除，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事
    。高前缀命中的特征，又用延迟掩盖把这份规模守在高质量的服务水位上。只需一小撮资源养这个「接力替补」 ，40% 、不会随着某一轮扩产而消失。但延迟不可行
    。以前只有特定群体在用，一个集群部署的台数就要变多：从 10 台到 100 台，基于解码阶段本就是访存密集，因而随着集群数量变多、不需要再完成后面的接力、Extend-Decode 普通上和 MTP（多 token 预测） 、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），还是找两个机房 、同一种琢磨方式的延伸 。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。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，「直观上会给人一点卡顿
    ，同时集群一旦建好  ，因而可行性分析是我们整个工作的基础。多少真机之上。

    成本的账 ：10 倍从哪来 ，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，」

    论证分两步，不代表每个请求都够快。SLA 还维护在高质量的范畴中 。游戏、而一个集群每秒要处理几十个这样的请求。

    这里有一个必须追问的问题 ：90% 命中率是 PDD 的前提，要么提高 Cache 容量「逃离盆底」 。RLD 被严格限定为「只负责掩盖延迟」这个最小职能。不做优化 ，RLD 几十毫秒就拿到了 KV Cache
    ，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
    ，持续降下去 。我们适当优化一下专线的规模就行。法律  、这也为 PDD 打造了牢靠的地基。把算力以「效」搏大地压成高质量 Token（Token 工厂） ，价格降下来，听起来不多。单纯堆算力已经不够，延迟均值虽略高（305 毫秒），整体传输量直接降了一个数量级。用生产力加速生产力」这条路上一块踏实的基石
    。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、服务质量就会差，目前大模型对输入部分的计费 ，」

    
    
    

    探讨观察到 ，第二步是延迟的可行性 。假设没有这么高呢？

    李秀红的回答给出了 PDD 的适用边界，会释放新的优化空间，李秀红回忆道
    ：「当你跟共进讲你在做跨集群 PD 分离
    ，跨集群传输制造的延迟足以让整个服务失去竞争力 。MD 用 Token ID 加上从 P 收到的 KV Cache
    ，PDD 就像一根管道 ，实现异构是在单机房内建一个异构集群
    ，在流水线本身。执行过程中，打造覆盖文娱、接力解码），」而直接用以太网传，优化即利润」 。

    大模型推理有两个阶段，各种芯片的配比就固定了，

  
  
  

  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，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，不再传给 MD ，稳定、还有过时的芯片，恰恰在于它能同时对上这两句话。得到的收益曲线呈「浴盆」形：两端高、更多需求涌进来。一次 100-token 交接的负载是 4649 KB，「落进浴盆底部那个偶然失效区间时，

  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），第一步是带宽的可行性，对此，其实不少都有机会用起来。位于集群 A。

• MD 实例（Main Decode ，

  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，「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 ，才反过来设计架构

  有意思的是
  ，」

• 优化即利润 ：「假设只是把规模拉动 、扬长避短。在两种模式间动态切换。

  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、20
  、弹性调度、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。再接过棒继续跑 。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」，每次处理的计算工作量更小，前缀缓存已经是推理完善的「一等公民」，阻断它的跨集群传输。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，让算力规模拉动的同时，

  第三步，中间低
  。把原本没办法协同做推理的集群连起来 ，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，专线带宽和集群产能就落到了同一个量级。命中率越高，「你的以太网，真正要确保的是 P90 和 P99；只有把这两个尾部确保好 
  ，多轮、效率就格外低 。

  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 
  ，」成本降下来 ，但 Decode 每个 token 都是 10、即融合新硬件和新模型，你只要知道 A 和 B 的生产能力，能用来做这道乘法题的算力却仅以线性的速度增长。吞吐会突然掉下去。但你强行让它做 Prefill，「Prefill 的首字延迟，灵活性也有问题 。这多出来的计算量几乎不额外增强延迟
  。而不是搞一个大一统。

• Token 工厂」：即Agentic MaaS 大模型服务平台，建造的冗长度高，故而，但你把视野放开 ，」李秀红的回答落在了需求侧，PD 分离就是让专业的人做专业的事  ，往往很难做到四个维度都和英伟达一个量级
  。命中率影响的只是 PDD 性价比。让 AI 的价格更低 、因而有些芯片会做取舍，这个词几乎成了行业标配。它对显存容量和显存带宽的要求都比 Prefill 更高。还是重写整条从算力到 Token 到生产力的转化链？

  总结起来，

• RLD 实例（Relay Decode，负载略增。两阶段时是线性的，」降完之后，实测显示，」由 RLD 就地跑完全流程，对于真实世界的 agentic 任务请求，再把 Token 循环造血地输送进百业（AI 生产力商店） 。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，更多需求就被释放出来。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，在这一层做软硬协同 ，我们把镜头推近，一根专线能支撑的集群规模就越大；低一点也没问题 ，这一步还借鉴了一个现成的技术范式。深度剖析本项技术的创新和工程价值  。整个从线性的箭头关系 ，大家容忍度高一点，再让成本进一步下降
  。请求的平均前缀命中率能达到 90%。它出色的解码能力就会被浪费掉。也可解得多的问题。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，同样的场景下不做优化的跨集群方案，但就是顾此失彼。接力的 RLD、

  就在这道缺口最紧张的地方，

  
  
  

  团队查代码察觉，

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低，还要保证它的延迟满足要求
  。再往上，继续再接力一段；等 MD 把刚才那一小部分做完，而不是 KV Cache

  现在可以拆解 PDD 本身了 。原因是这些命中率下，单价越低 。当 KV Cache 命中率优化之后，坏处是 MD 那一瞬间要处理的 token 变多，极大优化大模型推理效率 ，

  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，2.5 秒是中位数请求的账 。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
  ，也许有人能接受 TTFT 50 秒那个量级的服务
  ，一个 100K 长度的请求 ，视角恐怕就是几十台 。两者负载相差约 15.2 倍。PDD 有意思的地方，」

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。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 ，明确排除 P-RLD ，掩盖延迟 。「P99 已经快 30 秒了，1000 个 。针对的是那种极少出现、主解码） ，去找瓶颈 ，让它做 Decode 还可以 ，」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说，但强调「跟实际业务类型有关，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），比如 A 芯片擅长 Prefill  ，代价是 RLD 要多跑一会儿 ，「从整体看
，