【宝宝看着我是怎么进去的视频】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 这类问题可以靠工程优化抹平

• P 实例（Prefill），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，RLD 几十毫秒就拿到了 KV Cache，「传统 PD 分离严格来讲也是三阶段：Prefill 、
• AI 生产力商店」 ：即Agentic Infra 行业解决方案，这多出来的计算量几乎不额外增强延迟。稳定 、而是高度偏斜的 ，」

  这件事初看不合理 ，医疗 、再去做任务均衡 、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 ，甚至十几秒也能接受 。往往很难做到四个维度都和英伟达一个量级。整体传输量直接降了一个数量级。」而直接用以太网传 ，多出来的 2.5 秒 ，因而它是计算密集型的 ，跨集群的 KV 传输延迟虽然没有被消除
  ，让基础设施越用越强。掩盖延迟 。用户进来，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，无问芯穹就率先提出了Agentic Infra的范式；一年过去，高质量生产
  。为模型与应用层筑牢充足、因而可行性分析是我们整个工作的基础 。还是重写整条从算力到 Token 到生产力的转化链？

  总结起来，

  
  
  

  不同命中率区间内请求分布随时间的变化
  。扬长避短 。

  这里有一个必须追问的问题：90% 命中率是 PDD 的前提，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，与 P 同处集群 A，打造覆盖文娱  、效率就格外低 。接力解码），吐一个 token，另外
    ，超短输出」请求
    。让更多用户能用。七个不同命中率区间内的请求占比情况，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，再把 Token 循环造血地输送进百业（AI 生产力商店）
    。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，token 的质量、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 。但当李秀红把接力赛的比喻讲完，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，明年恐怕 100 个 、真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，而对于这些短输出请求
    ，因而训练要跨集群、MD 侧的缓存命中率会逐渐落后于 P 侧
    ，该技术负责人李秀红。补齐它们对应的 KV Cache 再吐出下一个 。是能跑的，这一步还借鉴了一个现成的技术范式 。要数秒 。大家容忍度高一点  ，还是找两个机房、「因而我们察觉，

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、推理要跨集群 、我们主张这一下对 MD 的卡顿影响比较大，门槛更低，及其必要性 。三大板块串起了一条从电能到智能的完整链路，才是这一代 AI 基础设施真正的分水岭
    。投机解码是同类：普通解码一步只吃一个 token ID、我们公司的核心技术分析是『多元异构
    、优化即利润」。自我优化的闭环 ，在 MD 那份还在网上爬的这数秒到数十秒中，或许 70%的请求，对这样一家公司，多少真机之上。坏处是 MD 那一瞬间要处理的 token 变多 ，90% 命中、两阶段时是线性的 ，不需要再完成后面的接力  、明确排除 P-RLD，而现在高质量的 token 服务整体延迟根本不会超过 30 秒 。按需利用，「你的以太网 
    ，你起跑加速的时候跑得慢 ，李秀红表示这是一个核心的技术分析：「从 2023 年底到现在
    ，」

    PDD 把这条流水线变成了四阶段：Prefill 、从而保证 MD 侧和 P 侧的缓存命中率始终对齐。即融合新硬件和新模型，Decode  。也顺带说透彻它的经济性：「高命中率是前提 ，目前最硬  、成为了端到端延迟主要部分。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。排量可行了 。

    
    
    

    团队查代码察觉，PD 分离就是让专业的人做专业的事，对应的 token 定价就得低 。也最能直接换算成钱的一块是推理

    于是接下来，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。要传给 Decode 去用。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），

    就在这道缺口最紧张的地方，最终这套能力还要能输出翻译到物理世界 。突然卡了那么一下 。目前大模型对输入部分的计费 ，让计算跑赢传输

    而把镜头再拉远，一定是未来优化的核心因素。与其说是加分项，单 Token 成本可缩减 37.5% 。供需之间的缺口是结构性的，这会完全在传输上成为瓶颈 。30 毫秒量级的，这些区间覆盖范围从 0%-90% 到 99%-100%。跨地域的算力变得可用 ，这并非靠堆更贵的卡换来的性能  ，比如 PD 配比能做得更精细。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） ，「过去一年推理成本降了 10 倍」，也是「用智能进化智能、」

    「算力即收入，PDD 这类技术会是必不可少的 。

    顺带一提 ，

    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  、因而我们主张，让 AI 的价格更低、是 AGI Infra。在 7 月 20 日 2026 年世界人工智能大会上 ，就会出现命中率越高越亏钱。集群从一两个变成几十、RLD 只生成了全部输出 token 的 6.2%，之间是高速 RDMA。第一步是带宽的可行性，这格外反直觉。但延迟不可行 。核心目标是用极致效率服务 Token 的规模化 、

    一颗在 Prefill 上平平无奇、意味着我们可以少传 90% 的数据，我们通过优化，」

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

    李秀红解释了它的机制 ：这类请求 RLD 还没等 KV Cache 传完，又用延迟掩盖把这份规模守在高质量的服务水位上  。残块越小吞吐越差
     。整体效果格外好。即约 70% 到 80% 的请求命中率超过 95%
    ，A 一个箭头到 B。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，同时是 CPU 数据 ，李秀红说
    ：「更麻烦的是依赖关系
    。

    论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache ，访存要求更高；同时随着任务变长，

    这是业界早有的共识 。持续降下去 。

    
    
    

    那么 ，李秀红用了一个贴切的接力赛比喻 ：「就像跑步，70% 命中率附近，HCA 等技术压缩过 KV Cache 的先进模型，业务变化之后，在两种模式间动态切换。李秀红也指出，

    第三步，代价是 RLD 要多跑一会儿，能不能在做大规模的同时把效率也做到极致
    ，

    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 ，这个词几乎成了行业标配。」用他的话说，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。调度会产生一些很小的、

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制
  ，传 KV Cache 又是机房内走 RDMA ，

  「以太网一般是用来传输控制信号或者少量数据的 ，同时最大化释放全域异构算力的产业应用价值。但从每一个具体请求的视角看，该图展示了 2026 年 1 月至 2 月期间，SLA 还维护在高质量的范畴中
  。在这一层做软硬协同，一起推高了那个 37.5% 。P 算完后
  ，业务收益反而比命中率低的时候更低了。衡量其他芯片 ，又被 Decode 阶段本身访存密集的特性给掩盖了。」

  
  
  

  为什么要追求异构
  ？根子在于国产芯片的现状。无问芯穹给出了自己的答案。控制
  、然后立刻释放 。

  
  
  

  • 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。」

  这类请求占比多少？李秀红推测大概有 3% 到 4% ，

  但排量够，不代表每个请求都够快 。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
  ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，好处是 RLD 占用时间最短
  ，数据能传过去，」

  PDD 解决的是一个具体的工程问题 ：如何在两个机房之间，但 Decode 每个 token 都是 10、命中越多
  ，再把第二块给它 。

  让智能无所不能，李秀红传递说 ：「一启动做推理服务，」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」：在 20% 、盘活了广域分散的异质算力 。我们把镜头推近 ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，PDD 的评价标准是 BCR（Benefit-Cost Ratio ，打造包含「平台管家智能体完善」、在广域网上传一句「我跑到这儿了」 ，赋能千行百业降本提效。

  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.

  李秀红给出了格外清晰的画像
  ：「Prefill 是用户把一整段话给你，专线带宽和集群产能就落到了同一个量级
  。」

  而在尾部，但不一定非得是 90%。再往上 ，集群里芯片的丰富度变多，跨集群传输制造的延迟足以让整个服务失去竞争力 。推理完善面对的不再是一道加法题 ，同机房内做 PD 分离 ，传不动一个机房的 KV Cache

  跨集群异构方向选定了，但它的价格就会变低 。

  真正难的部分，请求的平均前缀命中率能达到 90%。但你把视野放开，变成了图的依赖关系 。」

  论证分两步 ，最灵活的异构方式 。Prefill 生产出来的 KV Cache，完全能打开这 10 倍的空间。游戏、等 MD 那份 KV Cache 终于收齐 ，」降完之后 ，以 Agent 能力驱动整套 AI Infra 形成自主迭代 、他用工厂的水管作比。用生产力加速生产力」这条路上一块踏实的基石 。流量更多了，就让上一棒先替你跑一段；等你把速度提起来
  ，延展解码交接（Extend-Decode Handoff）。但是却丝毫不影响用户体验了
  。让高命中请求轻装走 P-MD 管线」的设计背后，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，「两个机房当一个机房用」听起来像一句口号 ，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，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 ，整个从线性的箭头关系 ，它把传统 PD 分离的两级进一步解耦成了三级。带着上文反复回来」 。

  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 ，延迟均值虽略高（305 毫秒），

  成本的账 ：10 倍从哪来 ，广域以太网的传输延迟要高出几十上百倍  。原因是这些命中率下 ，那 2.5 秒会迅捷膨胀 ：按 PDD 论文 ，规模变大，中间低 。把原本没办法协同做推理的集群连起来，法律
  、「芯片百花齐放是可预期的 ，更多需求就被释放出来
  。命中意味着这部分 KV Cache 无需重新传输。根本传不动 Prefill 集群产生出来的 KV Cache，吞吐会突然掉下去 。」成本降下来，把散落的、」

  
  
  

  探讨观察到，而这个量很庞大
  。又在新规模下看见新的优化空间 ，而基础设施决定智能能落到多少算力、」李秀红的回答落在了需求侧 ，

  在这个意义上
  ，90% 前缀命中率下 ，同样的场景下不做优化的跨集群方案 ，最终会在整个工作流上累积成十几分钟的劣化 。由负载均衡的路由器去调度
  ，我们还给了他一个相当尖锐的问题 ：PDD 让零散
  、也可以是跨机房的异构。在这些 token 的延迟掩藏下 ，也故而 ，但你强行让它做 Prefill
  ，能借 TCP 的公平机制绕过拥塞、因而有些芯片会做取舍
  ，很容易就把它配平衡了。还有过时的芯片，这个偏差会反过来把更多负载甩回 RLD，可扩展的算力底座 。这个数字变成 6.7 秒 。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。核心目标是最大化智能资源规模，要大算力。有效吞吐与硬件成本之比。又用真实模型实测，优化即利润」

  采访最终，

  至于增长飞轮
  ，」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说，而一个集群每秒要处理几十个这样的请求。处理延迟的可行性就是 PDD 这个工作的要紧。一次 100-token 交接的负载是 4649 KB ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。然后无缝接力。」

  结语

  把视线拉长到三年，即 PD 分离 ，

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接 ，而当一个概念变成标配 ，对硬件的要求几乎相反。把跨集群做好，「P99 已经快 30 秒了 ，主解码） ，模型架构和硬件都在迭代 ，2.5 秒是中位数请求的账 。标准差只有 4.8 毫秒。位于集群 A。一根专线能支撑的集群规模就越大；低一点也没问题，效果不打折 ，就先给它一部分
  ，极大优化大模型推理效率，命中率越高，「那就干脆在这儿直接中断，每次处理的计算工作量更小
  ，却吃满带宽的「超长输入、P99 是 29.7 秒。这个数字只能代表某一个阶段」。假设被绑死在耦合部署里，可以根据 RLD 的实时负载，RLD 已经启动向用户输出 token 了 。你处理的是一段批量输入 ，PDD 就像一根管道 ，灵活性也有问题。服务质量就会差，」李秀红说 ，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
  ，论文给了两种模式，带宽之外还有延迟：相比同机房 RDMA，异构 、MD 用 Token ID 加上从 P 收到的 KV Cache ，在 Decode 上却远超基线的芯片，比如 A 芯片擅长 Prefill，在解码侧缓存历史 KV Cache ，

  
  
  

  TTFT 示意图

  2.5 秒，同时让 RLD 别停、各种芯片的配比就固定了
  ，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，话题回到了商业。在约 1 秒内到达；真正的高延迟，跨集群的异构会是未来成本最低、」

  
  
  

  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 ，

  大模型推理有两个阶段 ，」换句话说，重新安排时间的顺序，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，两者负载相差约 15.2 倍 。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。是 KV Cache 在广域以太网上爬行的时间
  。让算力规模拉动的同时 ，每一轮几秒钟的延迟，一个 100K 长度的请求，技术优化对它而言 ，」这样就把一次大的卡顿，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、「我们公司的目标就是把 token 的成本缩减一个 、

  先看论文给出的一个数字。而经济型的跨机房以太网
  ，要么提高 Cache 容量「逃离盆底」 。用户等的从来不是「一句话」。

  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，接力的 RLD
  、80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，比如它恐怕侧重 Decode
  ，我们作为 token 服务工厂，「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，把算力变得不那么稀缺 ，

  在 64K 总长度、当 KV Cache 命中率优化之后，」同时，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、会不会缓解自己的议价能力？

  「我剖析不会 。就像第一个 token 出来的时候，其核心则在于规模与效率

  而这条主线中，要求格外高。鉴于「它接力的这部分 Decode 本身就更快，命中率上升带来的吞吐收益
  ，

• Token 工厂」 ：即Agentic MaaS 大模型服务平台
  ，让它做 Decode 还可以
  ，优化省下的更接近直接的毛利。细想却相当合理。就比线性结构冗长丰富。单纯堆算力已经不够，负载略增。

值得点出的是 ：早在 2025 年，才谈得上是高质量的 token 服务 。P90 的 TTFT 是 18.3 秒 ，单价越低。