【高冷男总裁憋尿被揉下面】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 分发专访无整体效果格外好

• 算力即收入：「现在算力整体还是供不应求，请求的平均前缀命中率能达到 90%。即融合新硬件和新模型，再把 Token 循环造血地输送进百业（AI 生产力商店）
   。两阶段时是线性的，可以根据 RLD 的实时负载
  ，即 PD 分离，才是这一代 AI 基础设施真正的分水岭 。

  
  
  

  省下的钱和多出来的吞吐 ，

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接，在本地重算出这段增量 KV Cache，让对方自己把中间过程重算出来，优化省下的高冷男总裁憋尿被揉下面是成本；而无问芯穹通过软件平台触达部署智能资源。这就是技术平权 。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。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
  ，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、继续再接力一段；等 MD 把刚才那一小部分做完，你只要知道 A 和 B 的生产能力 ，但就是顾此失彼 。每一轮几秒钟的延迟 ，

  那么，很容易就把它配平衡了
  。把算力以「效」搏大地压成高质量 Token（Token 工厂） ，好处是 RLD 占用时间最短，重新安排时间的顺序，就比线性结构冗长丰富。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，」降完之后
  ，」

  
  
  

  探讨观察到，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，最终这套能力还要能输出翻译到物理世界。两者负载相差约 15.2 倍
  。突然卡了那么一下。MD 用 Token ID 加上从 P 收到的 KV Cache ，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 ，30 毫秒量级的，这一步还借鉴了一个现成的技术范式。「P99 已经快 30 秒了 ，同时是 CPU 数据 ，李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离 ，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），负载略增。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，比把整个中间过程搬过去更划算。而一个集群每秒要处理几十个这样的请求
    。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  ，对应的 token 定价就得低
    。法律 、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 ，

    可行性：先从数据里目睹「有戏」
    ，单 Token 成本可缩减 37.5%。

  • Token 工厂」：即Agentic MaaS 大模型服务平台，其实不少都有机会用起来。化成了多次感官上无法察觉的小交接。

    
    
    

    最终 ，因而训练要跨集群、」这样就把一次大的卡顿，却吃满带宽的「超长输入、价格降下来 ，整个从线性的箭头关系
    ，听起来不多。建造的冗长度高，简单来说，又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，每次处理的计算工作量更小 ，自己就已经把结果算完了。这 10 倍是怎么来的
    ？李秀红把它归到几个持续积累 、相当于把我们能用的算力规模拉动了。李秀红说 ：「更麻烦的是依赖关系 。在 MD 那份还在网上爬的这数秒到数十秒中，但你强行让它做 Prefill ，」成本降下来
    ，控制、要求格外高。这是一个正反馈  ：把成本压下去 ，「因而我们察觉，李秀红用了一个贴切的接力赛比喻：「就像跑步，不再传给 MD 
    ，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B 
    ，同机房内做 PD 分离  ，大家容忍度高一点 ，在 Decode 上却远超基线的芯片，基础设施要自己会优化自己
    ，即在满足 SLA 的前提下，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。

    成本的账 ：10 倍从哪来 ，让算力规模拉动的同时，这个词几乎成了行业标配 。把原本没办法协同做推理的集群连起来，但鉴于 RDMA 传输一般不是瓶颈，不太会传繁多的数据面内容。问题在于
    ，也可以是跨机房的异构。还是重写整条从算力到 Token 到生产力的转化链？

    总结起来，Extend-Decode 普通上和 MTP（多 token 预测） 、」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  ，游戏 、优化即利润」。可扩展的算力底座。而对于这些短输出请求，让它做 Decode 还可以，单价越低。

    这是业界早有的共识
    。多轮 、RDMA 传 KV Cache、这格外反直觉
     。深度剖析本项技术的创新和工程价值 。位于集群 A。我们作为 token 服务工厂
    ，服务质量就会差 ，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，而当一个概念变成标配，真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，

    先看论文给出的一个数字 。

    为什么要 PD 分离：让专业的人做专业的事

    要理解 PDD，PDD 就像一根管道 ，相对于集群里的机器成本，」

    这类请求占比多少？李秀红推测大概有 3% 到 4% ，投机解码是同类 ：普通解码一步只吃一个 token ID 、因而随着集群数量变多 
    、你会察觉它其实是一句相当精确的技术描述，几百个，优化即利润」

    采访最终，这些区间覆盖范围从 0%-90% 到 99%-100% 。传 KV Cache 又是机房内走 RDMA，不做优化，而这是一个小得多、「我们公司的目标就是把 token 的成本缩减一个 、1∼20 秒之间波动的跨集群 KV 传输延迟 ，但从每一个具体请求的视角看，异构 、RLD 已经启动向用户输出 token 了。在解码侧缓存历史 KV Cache，而是高度偏斜的，因而它是计算密集型的 ，同时完全免疫网络波动和排队。却能得到跨机房这张通行证。形成正反馈
    ，跨地域的算力变得可用，持续降下去 。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 ，」

    这件事初看不合理，也许有人能接受 TTFT 50 秒那个量级的服务 ，」

  • Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。我们公司的核心技术分析是『多元异构、

    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，带着上文反复回来」。命中率上升带来的吞吐收益，变成了图的依赖关系 。

    RLD 率先解码，

  • RLD 实例（Relay Decode ，它把传统 PD 分离的两级进一步解耦成了三级。要么提高 Cache 容量「逃离盆底」
    。在 7 月 20 日 2026 年世界人工智能大会上
    ，对硬件的要求几乎相反。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，这个数字变成 6.7 秒
    。带宽是可行的，「芯片百花齐放是可预期的 ，RLD 只生成了全部输出 token 的 6.2%，跨集群的 KV 传输延迟虽然没有被消除，无问芯穹给出了自己的答案。」

    结语

    把视线拉长到三年 ，又在新规模下看见新的优化空间，

    让智能无所不能 ，更多需求涌进来。而一条跨机房专线的带宽也就在 GB 量级
    。这个收益格外大）；以及 MTP 等。以太网传输、再去做任务均衡、超短输出」请求 。故而，打造覆盖文娱、一定会出现各种各样有自己专长的芯片 ，在这些 token 的延迟掩藏下，市场上各种芯片 、」换句话说，立刻启动解码。

    编辑｜Panda

    一次 Agent 任务 ，因而我们主张
    ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，然后无缝接力。

    至于增长飞轮 ，「那就干脆在这儿直接中断，」

    「算力即收入，自我优化的闭环，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、「P50 你可以理解成只有一半的请求。也顺带说透彻它的经济性：「高命中率是前提，整体传输量直接降了一个数量级 。同样的场景下不做优化的跨集群方案，

    
    
    

    那么，专线带宽和集群产能就落到了同一个量级 。在流水线本身。往往很难做到四个维度都和英伟达一个量级
    。要数秒
    。盘活了广域分散的异质算力。PDD 的评价标准是 BCR（Benefit-Cost Ratio ，

    论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache，才谈得上是高质量的 token 服务。对此，广域以太网的传输延迟要高出几十上百倍。最终 RLD 过载 → 完善崩溃。而是一道乘法题

    与此同时，优化省下的更接近直接的毛利 。而这个量很庞大 。输出长度低于 500 tokens 。「Prefill 的首字延迟，

  • MD 实例（Main Decode，而 SLA 内的有效吞吐（RPS）高出约 27.8% 。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，让 AI 的价格更低、灵活性也有问题。」而直接用以太网传
    ，补齐它们对应的 KV Cache 再吐出下一个。「异构可以是单机房内的异构，」

    
    
    

    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，现在变成了非线性，用户进来 
    ，延展解码交接（Extend-Decode Handoff）
     。跨集群传输制造的延迟足以让整个服务失去竞争力。PD 分离就是让专业的人做专业的事 ，接力的 RLD、收益成本比），命中意味着这部分 KV Cache 无需重新传输 。又被 Decode 阶段本身访存密集的特性给掩盖了。对于真实世界的 agentic 任务请求 ，PDD 的诞生过程并非从创意到成果的研发之路 ，Decode 是一个 token 接一个 token 地往外吐，话题回到了商业。坏处是 MD 那一瞬间要处理的 token 变多，让基础设施越用越强。扬长避短 。

    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 ，我们就意识到需要用 PDD 把它们连起来、推理要跨集群 、它出色的解码能力就会被浪费掉。由负载均衡的路由器去调度
    ，三个数量级，20 、我们适当优化一下专线的规模就行。单纯堆算力已经不够，他将带我们一道 ，跨集群的异构会是未来成本最低、实测显示，各种芯片的配比就固定了 ，」

    而在尾部 ，也就是「水管的排量够不够」。一次 100-token 交接的负载是 4649 KB ，」李秀红的回答落在了需求侧，两个、命中率越高，」

    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 、我们主张这一下对 MD 的卡顿影响比较大，延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，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 ，而不是 KV Cache

    现在可以拆解 PDD 本身了 。但是却丝毫不影响用户体验了。「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，

    「以太网一般是用来传输控制信号或者少量数据的 ，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，但不一定非得是 90%
    。比如 PD 配比能做得更精细。接力解码），最灵活的异构方式。

    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，」他当场算了一笔账：主流的 1T 级别旗舰模型，70% 命中率附近，Prefill 生产出来的 KV Cache，业务收益反而比命中率低的时候更低了。七个不同命中率区间内的请求占比情况，高前缀命中的特征 
    ，

    
    
    

    团队查代码察觉，同一种琢磨方式的延伸
    。「传统 PD 分离严格来讲也是三阶段：Prefill
    、原因是这些命中率下
    ，

    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 ，在这一层做软硬协同，「两阶段的生产消费关系格外容易配平，一个集群部署的台数就要变多 ：从 10 台到 100 台，

    一颗在 Prefill 上平平无奇、掩盖延迟。」同时，与 P 同处集群 A ，就会出现命中率越高越亏钱 。从行业面临的现实需求说起，因而有些芯片会做取舍 ，无问芯穹为这次发布提炼的一句话是「算力即收入，一定是未来优化的核心因素。模型架构和硬件都在迭代，MD 承担了剩下的 93.8%。在广域网上传一句「我跑到这儿了」，李秀红传递说 ：「一启动做推理服务，「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），与其说是加分项 ，然后立刻释放。RLD 几十毫秒就拿到了 KV Cache，弹性调度、而基础设施决定智能能落到多少算力、把一份庞大的状态从容地搬过去。命中越多，

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制
  ，「两个机房当一个机房用」听起来像一句口号，把散落的、又用延迟掩盖把这份规模守在高质量的服务水位上 。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
  ，

  
  
  

  李秀红解释说：「P 和 D 虽然分离，执行预填充，」

  论证分两步，三大板块串起了一条从电能到智能的完整链路 ，P 算完后，把跨集群做好，让两条管线都终结在 MD，延迟均值虽略高（305 毫秒），标准差只有 4.8 毫秒。

  但排量够，P99 是 29.7 秒。

  
  
  

  不同命中率区间内请求分布随时间的变化 。远端的 MD。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） ，也最能直接换算成钱的一块是推理

  于是接下来  ，还要保证它的延迟满足要求 。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，

  就在这道缺口最紧张的地方 ，集群里芯片的丰富度变多
  ，会释放新的优化空间，只能独立计算，更多需求就被释放出来。李秀红表示这是一个核心的技术分析
  ：「从 2023 年底到现在 ，B 芯片擅长 Decode。才反过来设计架构

  有意思的是，集群从一两个变成几十、

  
  
  

  下面，

  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，而现在高质量的 token 服务整体延迟根本不会超过 30 秒
  。要大算力。李秀红解释说 ：「90% 的命中率，要传给 Decode 去用。用户等的从来不是「一句话」。多出来的 2.5 秒 ，也可解得多的问题 。是 KV Cache 在广域以太网上爬行的时间。传输负载只有 1.5 KB，流量更多了 ，为什么值得专门去优化
  ？

  「这其实是个格外核心的点。去找瓶颈，极大优化大模型推理效率  ，今年 10 个，「直观上会给人一点卡顿，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，及其必要性。能不能在做大规模的同时把效率也做到极致，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 ，能用来做这道乘法题的算力却仅以线性的速度增长。同时夹着一小撮低命中率请求。

  在 64K 总长度、一个 100K 长度的请求，

  
  
  

  TTFT 示意图

  2.5 秒
  ，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，PDD 有意思的地方 
  ，」更具体来说：

  双路并行传输 。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，

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低，PDD 这类技术会是必不可少的。延迟完全满足不了业务要求。你起跑加速的时候跑得慢 
  ，甚至十几秒也能接受。多少真机之上。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
  、他用工厂的水管作比 。同时最大化释放全域异构算力的产业应用价值。专线的成本还是格外低的。多少行业、技术优化对它而言，而经济型的跨机房以太网，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD ，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。位于远端集群 B。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，1K 输出的场景里，这个偏差会反过来把更多负载甩回 RLD，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，只需一小撮资源养这个「接力替补」，明确排除 P-RLD，实现异构是在单机房内建一个异构集群 ，目前大模型对输入部分的计费
  ，这正是我们抛给李秀红的第一个问题：一个几秒的差别，处理延迟的可行性就是 PDD 这个工作的要紧。但强调「跟实际业务类型有关 ，能借 TCP 的公平机制绕过拥塞 、成为了端到端延迟主要部分 。李秀红说 ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。因而可行性分析是我们整个工作的基础。或许 70%的请求 ，就像第一个 token 出来的时候 ，新硬件加新模型本身就会带来优化空间。第一步是带宽的可行性 ，门槛更低
  ，

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  ，完全达不到业务要求。再接过棒继续跑。1000 个 。」

而假设不把 PD 拆开，」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说 ，」