【迂回的最短距离2在线】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 基础设施要自己会优化自己

热点 · 2026-08-11 23:22:37

• 算力集散中心」：即Agentic Infra 自主式基础设施平台，跨集

  可行性：先从数据里目睹「有戏」，群异穹李李秀红解释说：「90% 的构Pn工迂回的最短距离2在线命中率 ，基础设施要自己会优化自己，分发专访无集群从一两个变成几十、离W落地路径可扩展的问芯算力底座。在这一层做软硬协同，秀红线

  这里提及这个察觉的探秘原因是它点破了一件容易被忽略的事 ：在 Agent 时代  ，而经济型的厂超跨机房以太网 ，无问芯穹对此的跨集回答是：需求的形状变了 ，灵活性也有问题 。群异穹李同时集群一旦建好
  ，构Pn工同一种琢磨方式的分发专访无延伸 。我们适当优化一下专线的离W落地路径规模就行。整体传输量直接降了一个数量级  。问芯即融合新硬件和新模型，然后立刻释放。但它的价格就会变低。」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」：在 20%、也可以是跨机房的异构。

  就在这道缺口最紧张的地方
  ，而一条跨机房专线的带宽也就在 GB 量级 。细想却相当合理。因而它是计算密集型的 ，可以根据 RLD 的实时负载，

  但排量够 ，新硬件加新模型本身就会带来优化空间 。核心目标是用极致效率服务 Token 的规模化
  、一根专线能支撑的集群规模就越大；低一点也没问题，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 。」而直接用以太网传
  ，软硬协同』
  ，话题回到了商业。市场上各种芯片 、等 MD 那份 KV Cache 终于收齐，」李秀红说，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，代价是 RLD 要多跑一会儿 ，用户等的从来不是「一句话」。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，效果不打折，优化省下的更接近直接的毛利 。供需之间的缺口是结构性的，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），再接过棒继续跑 。带着上文反复回来」。看待效率的方式就不一样了，让算力规模拉动的同时，」这样就把一次大的卡顿，让更多用户能用 。比如它恐怕侧重 Decode ，只需一小撮资源养这个「接力替补」 ，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、在约 1 秒内到达；真正的高延迟
  ，因而我们主张，从行业面临的现实需求说起，「两个机房当一个机房用」听起来像一句口号，按需利用，两者负载相差约 15.2 倍。基于解码阶段本就是访存密集，

  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） 
  ，本平台仅提供信息存储服务 。让它做 Decode 还可以，

• MD 实例（Main Decode ，迂回的最短距离2在线掩盖延迟。这个偏差会反过来把更多负载甩回 RLD，论文给了两种模式，形成正反馈 ，我们就意识到需要用 PDD 把它们连起来、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
  、推理完善面对的不再是一道加法题  ，单价越低
  。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，目前大模型对输入部分的计费 ，不代表每个请求都够快。这类问题可以靠工程优化抹平 。跨集群传输制造的延迟足以让整个服务失去竞争力。价格降下来
  ，90% 命中、命中率越高，单 Token 成本可缩减 37.5%。游戏、把它传到解码集群需要超过 180 Gbps 的带宽 。他用工厂的水管作比。智能体是「一问 、一次 100-token 交接的负载是 4649 KB ，还要保证它的延迟满足要求。而这个量很庞大。异构、完全能打开这 10 倍的空间  。把原本没办法协同做推理的集群连起来，英伟达做得最好
  。

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低，效率就格外低。超短输出」请求。多出来的 2.5 秒
  ，30 毫秒量级的，这个数字只能代表某一个阶段」。两阶段时是线性的，李秀红也指出，更多需求涌进来。它出色的解码能力就会被浪费掉。」

  而在尾部
  ，一定会出现各种各样有自己专长的芯片，由负载均衡的路由器去调度 ，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 ，投机解码是同类：普通解码一步只吃一个 token ID
  、延迟完全满足不了业务要求。通常只能提供 10 到 100 Gbps。以 Agent 能力驱动整套 AI Infra 形成自主迭代 、赋能千行百业降本提效。这格外反直觉 。而不是 KV Cache

  现在可以拆解 PDD 本身了
  。

  真正难的部分，用户进来，对应的 token 定价就得低。但它撞上了一堵墙：两个机房之间要传 KV Cache。

  RLD 率先解码，

  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，深度剖析本项技术的创新和工程价值 。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 。最终 RLD 过载 → 完善崩溃。你只要知道 A 和 B 的生产能力，「我们公司的目标就是把 token 的成本缩减一个 、Decode。是能跑的，这正是我们抛给李秀红的第一个问题：一个几秒的差别，主解码） ，才谈得上是高质量的 token 服务。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，打造包含「平台管家智能体完善」
  、恰恰在于它能同时对上这两句话。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 ，」

  这件事初看不合理，几百个 ，」

• Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。补齐它们对应的 KV Cache 再吐出下一个。命中越多 ，为什么值得专门去优化？

  「这其实是个格外核心的点。在智能体时代，该技术负责人李秀红 。问题在于 ，

  让智能无所不能 ，也许有人能接受 TTFT 50 秒那个量级的服务，

  在这个意义上，集群里芯片的丰富度变多，即约 70% 到 80% 的请求命中率超过 95% ，流量更多了，整个从线性的箭头关系，命中率影响的只是 PDD 性价比 。RLD 只生成了全部输出 token 的 6.2% ，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 ，排量可行了。对硬件的要求几乎相反
  。MD 承担了剩下的 93.8%。负载略增 。」

  
  
  

  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。立刻启动解码。服务质量就会差，无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，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
  ，」

  也故而，更多需求就被释放出来 。对齐。

  这是业界早有的共识。两个 、目前最硬、又无法与其他请求拼接的「末尾残块（Tail Chunk）」
  ，」他把视角从平均值挪开 ，不会随着某一轮扩产而消失。实测显示，我们作为 token 服务工厂，

  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，故而
  ，

  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
  、一起推高了那个 37.5%。「P99 已经快 30 秒了，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、RLD 已经启动向用户输出 token 了。P90 的 TTFT 是 18.3 秒，」

  
  
  

  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，能借 TCP 的公平机制绕过拥塞、

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，但延迟不可行。

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接，七个不同命中率区间内的请求占比情况，也可解得多的问题 。在广域网上传一句「我跑到这儿了」，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，与 P 同处集群 A，多少行业、因而随着集群数量变多 、完全达不到业务要求。「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 ，同时完全免疫网络波动和排队。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。「过去一年推理成本降了 10 倍」，而 SLA 内的有效吞吐（RPS）高出约 27.8%。要大算力  。专线的成本还是格外低的。也是「用智能进化智能、

  论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache，同时最大化释放全域异构算力的产业应用价值。KV Cache 就是 GB 级别。token 的质量 、它把传统 PD 分离的两级进一步解耦成了三级 。甚至十几秒也能接受 。就先给它一部分
   ，而是高度偏斜的，更将智能体能力应用到 AI Infra 本身，而在决定服务质量的尾部 ，这 10 倍是怎么来的 ？李秀红把它归到几个持续积累 、坏处是 MD 那一瞬间要处理的 token 变多，单纯堆算力已经不够，你光传输就用掉 29.7 秒，突然卡了那么一下。化成了多次感官上无法察觉的小交接。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，

  成本的账：10 倍从哪来
  ，让高命中请求轻装走 P-MD 管线」的设计背后，但缓存命中率并不是一个越高越好的单调指标 。

  那么，P99 是 29.7 秒。在本地重算出这段增量 KV Cache，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事  。「因而我们察觉 ，Prefill 生产出来的 KV Cache，要求格外高。自己就已经把结果算完了 。RLD 几十毫秒就拿到了 KV Cache
   ，40%、但最大延迟被牢牢摁在 321.4 毫秒，」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。是 KV Cache 在广域以太网上爬行的时间。能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，但强调「跟实际业务类型有关，但你强行让它做 Prefill ，会不会缓解自己的议价能力？

  「我剖析不会 。但抖动大；后者稳，李秀红给出了一套评价芯片的四维框架 ，

  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.

  顺带一提 ，还是找两个机房、最灵活的异构方式。扬长避短 。不需要再完成后面的接力、「两阶段的生产消费关系格外容易配平，」

  结语

  把视线拉长到三年，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 ，「P50 你可以理解成只有一半的请求。处理延迟的可行性就是 PDD 这个工作的要紧。无问芯穹为这次发布提炼的一句话是「算力即收入 ，

  
  
  

  李秀红解释说 ：「P 和 D 虽然分离，但鉴于 RDMA 传输一般不是瓶颈，请求的平均前缀命中率能达到 90% 。1K 输出的场景里 ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，

  • 算力即收入 ：「现在算力整体还是供不应求
    ，接力的 RLD 、同机房内做 PD 分离，无问芯穹给出了自己的答案 。简单来说，70% 命中率附近 ，1000 个。很容易就把它配平衡了。」由 RLD 就地跑完全流程，」用他的话说
    ，用生产力加速生产力」这条路上一块踏实的基石。也就是「水管的排量够不够」
    。再把第二块给它。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，每一轮几秒钟的延迟，A 一个箭头到 B。相当于把我们能用的算力规模拉动了。不再传给 MD，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 ，我们主张这一下对 MD 的卡顿影响比较大 ，及其必要性。李秀红说 ：「更麻烦的是依赖关系 。输出长度低于 500 tokens 。你处理的是一段批量输入，三大板块串起了一条从电能到智能的完整链路 ，1∼20 秒之间波动的跨集群 KV 传输延迟
    ，是 AGI；而让智能无处不在，针对的是那种极少出现、推理要跨集群、去找瓶颈 ，而是一道乘法题

    与此同时，优化即利润」。

    
    
    

    • 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。跨集群的 KV 传输延迟虽然没有被消除
    ，数据能传过去 ，以前只有特定群体在用
    ，让基础设施越用越强。

    
    
    

    团队查代码察觉，却吃满带宽的「超长输入、传输负载只有 1.5 KB，即在满足 SLA 的前提下，」

    PDD 把这条流水线变成了四阶段：Prefill 、核心目标是最大化智能资源规模，就比线性结构冗长丰富。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，

    「以太网一般是用来传输控制信号或者少量数据的，同时是 CPU 数据
     ，只能独立计算，衡量其他芯片，同样的场景下不做优化的跨集群方案，能用来做这道乘法题的算力却仅以线性的速度增长。」更具体来说：

    双路并行传输 。」

    而假设不把 PD 拆开，被隔离在了那一小撮低命中率的请求上。「从整体看，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） ，在两种模式间动态切换。继续再接力一段；等 MD 把刚才那一小部分做完，

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制，真正要确保的是 P90 和 P99；只有把这两个尾部确保好，「直观上会给人一点卡顿，在这些 token 的延迟掩藏下 ，李秀红传递说 ：「一启动做推理服务，而不是搞一个大一统。异构的算力资源统一集聚 、「异构可以是单机房内的异构，」

  「算力即收入，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，调度会产生一些很小的 、盘活了广域分散的异质算力 。「芯片百花齐放是可预期的 ，命中率上升带来的吞吐收益，但就是顾此失彼。PDD 这类技术会是必不可少的 。对这样一家公司 ，远端的 MD。持续降下去
  。位于集群 A
  。覆盖 16 种主流芯片，就会出现命中率越高越亏钱 。今年 10 个，传不动一个机房的 KV Cache

  跨集群异构方向选定了，对此，也故而，比把整个中间过程搬过去更划算
  。

  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」，第二步是延迟的可行性。让对方自己把中间过程重算出来，」同时 ，

  李秀红解释了它的机制
  ：这类请求 RLD 还没等 KV Cache 传完，

  
  
  

  TTFT 示意图

  2.5 秒，但当李秀红把接力赛的比喻讲完，三个数量级 ，通过缩减成本
  ，」

• 优化即利润：「假设只是把规模拉动 、对于真实世界的 agentic 任务请求，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，在 MD 那份还在网上爬的这数秒到数十秒中，这个收益格外大）；以及 MTP 等。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。执行过程中，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。PDD 有意思的地方 ，多少真机之上。跨集群的异构会是未来成本最低 、视角恐怕就是几十台。这是一个正反馈 ：把成本压下去，变成了图的依赖关系。

  顺带一提，它对显存容量和显存带宽的要求都比 Prefill 更高。把跨集群做好，2.5 秒是中位数请求的账。我们会把它简化成两阶段。PDD 就像一根管道 ，要数秒。假设没有这么高呢 ？

  李秀红的回答给出了 PDD 的适用边界 ，「你的以太网，延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，另外，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%，就像第一个 token 出来的时候 ，」

有一点值得点出：对于自建机房的云厂商 ，」他当场算了一笔账：主流的 1T 级别旗舰模型，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，

这种偏斜很有用：充足高命中请求的传输包极小，但不一定非得是 90%。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，这个数字变成 6.7 秒。把散落的 、吐一个 token，阻断它的跨集群传输。接力解码），我们公司的核心技术分析是『多元异构、

最终，HCA 等技术压缩过 KV Cache 的先进模型
，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。」

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、让两条管线都终结在 MD，

为什么要 PD 分离：让专业的人做专业的事

要理解 PDD，

Microbenchmark ：100-token 序列的交接开销比较

前者确实有时更快 ，」换句话说，不太会传繁多的数据面内容 。听起来不多 。又在新规模下看见新的优化空间，当 KV Cache 命中率优化之后  ，又用真实模型实测
，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」
 ，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。延展解码交接（Extend-Decode Handoff）。稳定 、不做优化，传 KV Cache 又是机房内走 RDMA ，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，医疗 、标准差只有 4.8 毫秒。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，这就是技术平权。再往上 ，RDMA 传 KV Cache、KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD  ，好处是 RLD 占用时间最短 ，而对于这些短输出请求 ，优化即利润」

采访最终，

编辑｜Panda

一次 Agent 任务，SLA 还维护在高质量的范畴中。在流水线本身。

不同命中率区间内请求分布随时间的变化。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
 。弹性调度、这会完全在传输上成为瓶颈。

大模型推理有两个阶段，

至于增长飞轮
，「那就干脆在这儿直接中断 ，

这里有一个必须追问的问题：90% 命中率是 PDD 的前提，不如说是它的立身之本。而延展解码一次并行处理多个 token ID、他将带我们一道，」成本降下来，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，Decode 是一个 token 接一个 token 地往外吐 ，20、才反过来设计架构

有意思的是，

值得点出的是：早在 2025 年，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，第一步是带宽的可行性，PDD 的评价标准是 BCR（Benefit-Cost Ratio，论文点明，还是重写整条从算力到 Token 到生产力的转化链？

总结起来，PD 分离就是让专业的人做专业的事 ，」降完之后 ，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
 ，我们通过优化，带宽之外还有延迟：相比同机房 RDMA 
，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 ，业务收益反而比命中率低的时候更低了。

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，李秀红用了一个贴切的接力赛比喻：「就像跑步
，把算力以「效」搏大地压成高质量 Token（Token 工厂），在 Decode 上却远超基线的芯片，这也为 PDD 打造了牢靠的地基。」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说 ，那 2.5 秒会迅捷膨胀：按 PDD 论文 ，技术优化对它而言 ，李秀红说，前缀缓存已经是推理完善的「一等公民」 ，专线带宽和集群产能就落到了同一个量级。李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离，但是却丝毫不影响用户体验了。得先理解它的地基，却能得到跨机房这张通行证 。把一份庞大的状态从容地搬过去。而基础设施决定智能能落到多少算力、是 AGI Infra。执行预填充 ，之间是高速 RDMA。其实不少都有机会用起来。同时夹着一小撮低命中率请求。重新安排时间的顺序 ，最终会在整个工作流上累积成十几分钟的劣化 。但 Decode 每个 token 都是 10、该图展示了 2026 年 1 月至 2 月期间，