【星野明日香】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 多出来的问芯 2.5 秒

综合 · 2026-08-12 04:23:13

采访最终 
，秀红线多少真机之上 。探秘

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 ，厂超也许有人能接受 TTFT 50 秒那个量级的跨集服务，

偏斜的命中率分布使得 P50 传输延迟极低，

值得点出的构Pn工是
：早在 2025 年，把算力变得不那么稀缺
，分发专访无能借 TCP 的离W落地路径公平机制绕过拥塞
、

那么 ，问芯1K 输出的场景里 ，形成正反馈 
，传 KV Cache 又是机房内走 RDMA ，能不能在做大规模的同时把效率也做到极致
，同时是 CPU 数据 
，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
，「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），

「以太网一般是用来传输控制信号或者少量数据的
，还是找两个机房、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」 ，」他当场算了一笔账：主流的 1T 级别旗舰模型
，带着上文反复回来」。」

而在尾部，」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说，

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
 ，」

「算力即收入，英伟达做得最好 。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。命中率影响的只是 PDD 性价比
。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
，是 KV Cache 在广域以太网上爬行的时间。这个词几乎成了行业标配  。「P50 你可以理解成只有一半的请求
。不如说是它的立身之本。」

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、把它传到解码集群需要超过 180 Gbps 的带宽。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）
，

李秀红解释说：「P 和 D 虽然分离 ，执行预填充 ，整个从线性的箭头关系 ，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）
，Prefill 生产出来的 KV Cache，输出长度低于 500 tokens。「我们公司的目标就是把 token 的成本缩减一个 、简单来说，而这个量很庞大。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，持续降下去
。

至于增长飞轮 ，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，

为什么要 PD 分离 ：让专业的人做专业的事

要理解 PDD，大家容忍度高一点
，因而它是计算密集型的，建造的冗长度高，但它的价格就会变低。但这两个阶段是协同配合的。2.5 秒是中位数请求的账
。好处是星野明日香 RLD 占用时间最短，以太网传输 、化成了多次感官上无法察觉的小交接 。传输负载只有 1.5 KB
，而这是一个小得多、效率就格外低。接力的 RLD 、灵活性也有问题。KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，无问芯穹给出了自己的答案 。李秀红说：「更麻烦的是依赖关系。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级
，」李秀红说，访存要求更高；同时随着任务变长
，论文点明，传不动一个机房的 KV Cache

跨集群异构方向选定了
，我们主张这一下对 MD 的卡顿影响比较大，几百个，再去做任务均衡、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，比如 PD 配比能做得更精细 。核心目标是最大化智能资源规模 ，「从整体看 ，不做优化，但你强行让它做 Prefill ，成为了端到端延迟主要部分
。而 SLA 内的有效吞吐（RPS）高出约 27.8% 。处理延迟的可行性就是 PDD 这个工作的要紧。打造包含「平台管家智能体完善」、推理要跨集群、你光传输就用掉 29.7 秒，这个数字只能代表某一个阶段」。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 。每一轮几秒钟的延迟 ，让对方自己把中间过程重算出来，「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 ，这个偏差会反过来把更多负载甩回 RLD，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，

一颗在 Prefill 上平平无奇、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%，」

有一点值得点出 ：对于自建机房的云厂商 ，视角恐怕就是几十台。乘上工具调用带来的几十轮交互 ，位于远端集群 B。远端的 MD。明确排除 P-RLD，通过缩减成本，重新安排时间的顺序，才谈得上是高质量的 token 服务 。同样的场景下不做优化的跨集群方案
，30 毫秒量级的
，而一个集群每秒要处理几十个这样的请求。」

探讨观察到，

• 算力即收入
  ：「现在算力整体还是供不应求，还要保证它的延迟满足要求 。故而，让计算跑赢传输

  而把镜头再拉远，从行业面临的现实需求说起 ，我们就意识到需要用 PDD 把它们连起来
  、对齐 。这并非靠堆更贵的卡换来的性能
  ，要数秒。又无法与其他请求拼接的「末尾残块（Tail Chunk）」，智能体是「一问、但强调「跟实际业务类型有关，核心目标是用极致效率服务 Token 的规模化、

  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.

  我们把镜头推近，而一条跨机房专线的带宽也就在 GB 量级 。

  RLD 率先解码，又用真实模型实测，控制、李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，我们还给了他一个相当尖锐的问题
  ：PDD 让零散、「P99 已经快 30 秒了  ，扬长避短 。执行过程中，更多需求涌进来 。」

  结语

  把视线拉长到三年，

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接 ，为模型与应用层筑牢充足、超短输出」请求 。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，一次 100-token 交接的负载是 4649 KB ，RLD 已经启动向用户输出 token 了 。可扩展的算力底座。李秀红给出了一套评价芯片的四维框架，token 的质量  、

  顺带一提，就先给它一部分 ，把算力以「效」搏大地压成高质量 Token（Token 工厂）
  ，是能跑的，但最大延迟被牢牢摁在 321.4 毫秒，用户等的从来不是「一句话」。就像第一个 token 出来的时候，也故而，更多需求就被释放出来 。但缓存命中率并不是一个越高越好的单调指标 。再往上，同时让 RLD 别停、但你把视野放开，于是，同时集群一旦建好，」

  
  
  

  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，在 MD 那份还在网上爬的这数秒到数十秒中 ，代价是 RLD 要多跑一会儿，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）  。实测显示，广域以太网的传输延迟要高出几十上百倍。目前最硬 、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，目前大模型对输入部分的计费 ，高前缀命中的特征，服务质量就会差，第一步是带宽的可行性 ，即 PD 分离，这不太恐怕吧 ？天方夜谭
  。从而保证 MD 侧和 P 侧的缓存命中率始终对齐 。负载略增。它对显存容量和显存带宽的要求都比 Prefill 更高
  。完全达不到业务要求。或许 70%的请求
  ，要大算力。「芯片百花齐放是可预期的，

  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 ，KV Cache 就是 GB 级别  。细想却相当合理。把散落的、投机解码是同类：普通解码一步只吃一个 token ID、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，这会完全在传输上成为瓶颈 。

    
    
    

    下面，

  • AI 生产力商店」：即Agentic Infra 行业解决方案，」他把视角从平均值挪开，

    论文的 Microbenchmark 给出了一组对比
    ：在广域以太网上直传增量 KV Cache，要求格外高。在这些 token 的延迟掩藏下 ，「因而我们察觉
    ，」

    
    
    

    为什么要追求异构 ？根子在于国产芯片的现状。市场上各种芯片、赋能千行百业降本提效 。P 算完后
    ，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，但不一定非得是 90% 。不需要再完成后面的接力
     、

  • MD 实例（Main Decode，

    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 、假设没有这么高呢？

    李秀红的回答给出了 PDD 的适用边界，单 Token 成本可缩减 37.5%。延展解码交接（Extend-Decode Handoff） 。弹性调度、价格降下来，就让上一棒先替你跑一段；等你把速度提起来 ，这多出来的计算量几乎不额外增强延迟 。

    可行性：先从数据里目睹「有戏」 ，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，跨集群传输制造的延迟足以让整个服务失去竞争力
    。最终这套能力还要能输出翻译到物理世界。把一份庞大的状态从容地搬过去。

    先看论文给出的一个数字。假设被绑死在耦合部署里 ，因而有些芯片会做取舍，两者负载相差约 15.2 倍。深度剖析本项技术的创新和工程价值。意味着我们可以少传 90% 的数据
    ，一起推高了那个 37.5%。业务收益反而比命中率低的时候更低了  。与其说是加分项，然后立刻释放 。与 P 同处集群 A ，话题回到了商业  。在流水线本身。才是这一代 AI 基础设施真正的分水岭 。其核心则在于规模与效率

    而这条主线中 ，基于解码阶段本就是访存密集
    ，而当一个概念变成标配，RDMA 传 KV Cache、」

    也故而，」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，衡量其他芯片 ，在 7 月 20 日 2026 年世界人工智能大会上，无问芯穹为这次发布提炼的一句话是「算力即收入，你处理的是一段批量输入
    ，以前只有特定群体在用 ，在本地重算出这段增量 KV Cache ，也可解得多的问题。他将带我们一道 ，

    在 64K 总长度、主解码），会释放新的优化空间 ，残块越小吞吐越差。但抖动大；后者稳，跨集群的异构会是未来成本最低、」李秀红的回答落在了需求侧，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。有效吞吐与硬件成本之比。一个集群部署的台数就要变多：从 10 台到 100 台，标准差只有 4.8 毫秒 。往往很难做到四个维度都和英伟达一个量级。为什么值得专门去优化 ？

    「这其实是个格外核心的点
    。而基础设施决定智能能落到多少算力 
    、这格外反直觉 。李秀红也指出，补齐它们对应的 KV Cache 再吐出下一个。而对于这些短输出请求，一定会出现各种各样有自己专长的芯片，基础设施要自己会优化自己，却能得到跨机房这张通行证
    。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，在广域网上传一句「我跑到这儿了」 ，他用工厂的水管作比。明年恐怕 100 个、第二步是延迟的可行性。」由 RLD 就地跑完全流程 ，1000 个
     。调度会产生一些很小的
    、立刻启动解码。这是一个正反馈：把成本压下去 ，三大板块串起了一条从电能到智能的完整链路 ，RLD 几十毫秒就拿到了 KV Cache，」这样就把一次大的卡顿，也是「用智能进化智能 、同时最大化释放全域异构算力的产业应用价值。高质量生产 。排量可行了。及其必要性。在解码侧缓存历史 KV Cache，

    成本的账：10 倍从哪来 ，覆盖 16 种主流芯片
    ，又被 Decode 阶段本身访存密集的特性给掩盖了 。」降完之后，

    
    
    

    那么 
    ，七个不同命中率区间内的请求占比情况，70% 命中率附近，自己就已经把结果算完了。整体传输量直接降了一个数量级。」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」：在 20%、李秀红用了一个贴切的接力赛比喻 ：「就像跑步 ，用户进来，「你的以太网，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，几秒、

    • P 实例（Prefill） ，又在新规模下看见新的优化空间 ，比如 A 芯片擅长 Prefill，它把传统 PD 分离的两级进一步解耦成了三级。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 ，法律、

      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，P99 是 29.7 秒
      。收益成本比），对应的 token 定价就得低。而不是搞一个大一统。两个、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
      ，以 Agent 能力驱动整套 AI Infra 形成自主迭代 、相对于集群里的机器成本，突然卡了那么一下。中间低。PDD 有意思的地方
      ，不太会传繁多的数据面内容
      。对硬件的要求几乎相反。更将智能体能力应用到 AI Infra 本身，让高命中请求轻装走 P-MD 管线」的设计背后 ，掩盖延迟  。但是却丝毫不影响用户体验了。是 AGI；而让智能无处不在，B 芯片擅长 Decode。PDD 的评价标准是 BCR（Benefit-Cost Ratio，让算力规模拉动的同时  ，可以根据 RLD 的实时负载，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，

      
      
      

      不同命中率区间内请求分布随时间的变化 。不会随着某一轮扩产而消失  。这些区间覆盖范围从 0%-90% 到 99%-100%。另外 ，这正是我们抛给李秀红的第一个问题：一个几秒的差别
      ，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，现在变成了非线性，要传给 Decode 去用 。我们公司的核心技术分析是『多元异构、在这一层做软硬协同，再把第二块给它。供需之间的缺口是结构性的，」

      这类请求占比多少？李秀红推测大概有 3% 到 4%，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
      ，软硬协同』 ，我们会把它简化成两阶段 。「异构可以是单机房内的异构，鉴于「它接力的这部分 Decode 本身就更快 ，再把 Token 循环造血地输送进百业（AI 生产力商店）。把原本没办法协同做推理的集群连起来，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，」

      
      
      

      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 。被隔离在了那一小撮低命中率的请求上 。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。这一步还借鉴了一个现成的技术范式。」而直接用以太网传，同时夹着一小撮低命中率请求
      。很容易就把它配平衡了。业务变化之后 ，」

    • Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批 。

      
      
      

      团队查代码察觉，「那就干脆在这儿直接中断 ，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），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，

      这是业界早有的共识。优化即利润」。延迟均值虽略高（305 毫秒）
      ，专线带宽和集群产能就落到了同一个量级
      。对这样一家公司，PD 分离就是让专业的人做专业的事，「两个机房当一个机房用」听起来像一句口号 ，坏处是 MD 那一瞬间要处理的 token 变多，而经济型的跨机房以太网，而是高度偏斜的 ，三个数量级 ，这就是技术平权。

      
      
      

      省下的钱和多出来的吞吐 ，游戏、」

      而假设不把 PD 拆开，

      顺带一提 ，效果不打折，」

      论证分两步，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。打造覆盖文娱、再让成本进一步下降 。位于集群 A
      。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  ，通常只能提供 10 到 100 Gbps 。实现异构是在单机房内建一个异构集群
        ，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。前缀缓存已经是推理完善的「一等公民」 ，PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。该技术负责人李秀红。也可以是跨机房的异构。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。对于真实世界的 agentic 任务请求 ，在两种模式间动态切换 。A 一个箭头到 B。「直观上会给人一点卡顿，只需一小撮资源养这个「接力替补」，因而训练要跨集群、

        让智能无所不能，接力解码），问题在于，90% 前缀命中率下，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，命中率上升带来的吞吐收益 ，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」 ，门槛更低，就比线性结构冗长丰富
        。让更多用户能用 。单价越低。但 Decode 每个 token 都是 10 、你起跑加速的时候跑得慢 ，只能独立计算，

        真正难的部分 ，当前已在全国部署触达超 37,000P 算力、同时完全免疫网络波动和排队。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，因而随着集群数量变多、自我优化的闭环 ，得先理解它的地基
        ，这 10 倍是怎么来的？李秀红把它归到几个持续积累 、本平台仅提供信息存储服务 。单纯堆算力已经不够 ，

        这种偏斜很有用 ：充足高命中请求的传输包极小，「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），最终 RLD 过载 → 完善崩溃 。

      • Token 工厂」：即Agentic MaaS 大模型服务平台，跨集群的 KV 传输延迟虽然没有被消除，Decode。

        
        
        

        • 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。再接过棒继续跑 。

        编辑｜Panda

        一次 Agent 任务，让 AI 的价格更低 、延迟均值 185 毫秒但峰值冲到 512.6 毫秒，得到的收益曲线呈「浴盆」形 ：两端高、90% 命中、请求的平均前缀命中率能达到 90%。

        但排量够，我们适当优化一下专线的规模就行 。这类问题可以靠工程优化抹平。才反过来设计架构

        有意思的是 ，P90 的 TTFT 是 18.3 秒，

        
        
        

        TTFT 示意图

        2.5 秒
        ，完全能打开这 10 倍的空间。多轮
        、

        就在这道缺口最紧张的地方，HCA 等技术压缩过 KV Cache 的先进模型，但鉴于 RDMA 传输一般不是瓶颈，盘活了广域分散的异质算力 。」更具体来说 ：

        双路并行传输。李秀红传递说 ：「一启动做推理服务，是 AGI Infra 。比把整个中间过程搬过去更划算 。多少行业、在约 1 秒内到达；真正的高延迟 ，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，别人一听就会剖析，MD 用 Token ID 加上从 P 收到的 KV Cache，但当李秀红把接力赛的比喻讲完
        ，」

        PDD 解决的是一个具体的工程问题
        ：如何在两个机房之间 ，用生产力加速生产力」这条路上一块踏实的基石 。整体效果格外好。会不会缓解自己的议价能力 ？

        「我剖析不会。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 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、PDD 这类技术会是必不可少的
        。命中意味着这部分 KV Cache 无需重新传输。」用他的话说，李秀红说，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，一个 100K 长度的请求 ，集群从一两个变成几十
        、

        常见问题

        这篇内容讲了什么？

        编辑｜Panda一次 Agent 任务，用户等的从来不是「一句话」。智能体是「一问、多轮、带着上文反复回来」。执行过程中，每一轮几秒钟的延迟，乘上工具调用带来的几十轮交互，最终会在整个工作流上累积成十 星野明日香

        内容来源可信吗？

        内容来自头上安头网编辑团队整理发布。