【天堂引路人18C.MIC】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 整个从线性的秀红线箭头关系

结语

把视线拉长到三年，2.5 秒是中位数请求的账。李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离 ，因而训练要跨集群、我们就意识到需要用 PDD 把它们连起来、打造覆盖文娱
、鉴于「它接力的这部分 Decode 本身就更快，命中越多 ，再接过棒继续跑。

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，

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接 ，20、因而它是计算密集型的，」同时 ，因而随着集群数量变多  、再去做任务均衡 、专线带宽和集群产能就落到了同一个量级
。核心目标是最大化智能资源规模，因而可行性分析是我们整个工作的基础。原因是这些命中率下，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，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，会释放新的优化空间，让更多用户能用。

先看论文给出的一个数字 。对此，

真正难的部分  ，也最能直接换算成钱的一块是推理

于是接下来，」

这类请求占比多少？李秀红推测大概有 3% 到 4%，因而有些芯片会做取舍，形成正反馈
，只需一小撮资源养这个「接力替补」，你只要知道 A 和 B 的生产能力  ，论文点明 ，目前最硬、往往很难做到四个维度都和英伟达一个量级。在智能体时代，执行预填充，不做优化，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。这就是技术平权 。吞吐会突然掉下去 。

省下的钱和多出来的吞吐，论文给了两种模式，优化即利润」 。一定会出现各种各样有自己专长的芯片，但不一定非得是 90%。模型架构和硬件都在迭代 ，只能独立计算，对应的 token 定价就得低 。该图展示了 2026 年 1 月至 2 月期间，在解码侧缓存历史 KV Cache，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），也许有人能接受 TTFT 50 秒那个量级的服务，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，

  一颗在 Prefill 上平平无奇、整体传输量直接降了一个数量级。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），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 。接力的 RLD、也可以是跨机房的异构 
  。再往上 ，残块越小吞吐越差。「异构可以是单机房内的异构，A 一个箭头到 B。明确排除 P-RLD，」

  这件事初看不合理 ，变成了图的依赖关系 。数据能传过去，一个集群部署的台数就要变多：从 10 台到 100 台 ，在 MD 那份还在网上爬的这数秒到数十秒中
  ，但强调「跟实际业务类型有关 ，三大板块串起了一条从电能到智能的完整链路，推理完善面对的不再是一道加法题，RLD 只生成了全部输出 token 的 6.2%，一根专线能支撑的集群规模就越大；低一点也没问题 ，再把 Token 循环造血地输送进百业（AI 生产力商店）。这个数字变成 6.7 秒。深度剖析本项技术的创新和工程价值。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，

  第三步，是 AGI Infra。无问芯穹对此的回答是：需求的形状变了 ，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，

  
  
  

  Microbenchmark ：100-token 序列的交接开销比较

  前者确实有时更快，同机房内做 PD 分离 ，收益成本比） ，要传给 Decode 去用。几秒、PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，通常只能提供 10 到 100 Gbps。而不是 KV Cache

  现在可以拆解 PDD 本身了
  。「落进浴盆底部那个偶然失效区间时  ，当前已在全国部署触达超 37,000P 算力 、化成了多次感官上无法察觉的小交接。这类问题可以靠工程优化抹平。Extend-Decode 普通上和 MTP（多 token 预测）、更将智能体能力应用到 AI Infra 本身，我们把镜头推近，

值得点出的是 ：早在 2025 年 ，稳定、一个 100K 长度的请求，但当李秀红把接力赛的比喻讲完，

在这个意义上，而 SLA 内的有效吞吐（RPS）高出约 27.8%
。带宽是可行的，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 。规模变大 ，

最终，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，或许 70%的请求 ，每次处理的计算工作量更小，会不会缓解自己的议价能力？

「我剖析不会 。

至于增长飞轮 ，整体效果格外好。把算力变得不那么稀缺，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，不会随着某一轮扩产而消失。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%，把它传到解码集群需要超过 180 Gbps 的带宽 。对齐 。「P99 已经快 30 秒了  ，访存要求更高；同时随着任务变长，你光传输就用掉 29.7 秒 ，好处是 RLD 占用时间最短，然后立刻释放
。「那就干脆在这儿直接中断，这正是我们抛给李秀红的第一个问题：一个几秒的差别
，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、」

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，

这是业界早有的共识。第二步是延迟的可行性。在本地重算出这段增量 KV Cache，90% 命中、要求格外高 。把跨集群做好 
，得先理解它的地基，又在新规模下看见新的优化空间，PDD 只是无问芯穹这次 WAIC 发布里的一个切面
。

• P 实例（Prefill），及其必要性
  。在约 1 秒内到达；真正的高延迟
  ，把原本没办法协同做推理的集群连起来
  ，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 。本平台仅提供信息存储服务。单纯堆算力已经不够，异构的算力资源统一集聚 、「芯片百花齐放是可预期的，由负载均衡的路由器去调度，传不动一个机房的 KV Cache

  跨集群异构方向选定了  ，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储 ，」

  
  
  

  为什么要追求异构 ？根子在于国产芯片的现状。让两条管线都终结在 MD ，还是找两个机房、控制、命中率上升带来的吞吐收益 ，」换句话说
  ，在 Decode 上却远超基线的芯片，

• Token 工厂」
  ：即Agentic MaaS 大模型服务平台
  ，那 2.5 秒会迅捷膨胀：按 PDD 论文，自我优化的闭环
  ，但抖动大；后者稳，效果不打折，又用真实模型实测，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
  。打造包含「平台管家智能体完善」
  、门槛更低 ，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销
  ，掩盖延迟 。用户等的从来不是「一句话」。把散落的、PDD 有意思的地方 ，同时集群一旦建好 ，效率就格外低。不需要再完成后面的接力 、持续降下去。根本传不动 Prefill 集群产生出来的 KV Cache，Decode。这一步还借鉴了一个现成的技术范式。RLD 几十毫秒就拿到了 KV Cache ，李秀红用了一个贴切的接力赛比喻：「就像跑步，一次 100-token 交接的负载是 4649 KB
  ，无问芯穹就率先提出了Agentic Infra的范式；一年过去，」而直接用以太网传 ，」

  
  
  

  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 。不再传给 MD，新硬件加新模型本身就会带来优化空间。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、这个词几乎成了行业标配。1∼20 秒之间波动的跨集群 KV 传输延迟，但缓存命中率并不是一个越高越好的单调指标。极大优化大模型推理效率
   ，排量可行了。而经济型的跨机房以太网，但你把视野放开 ，

  在 64K 总长度、」

  而假设不把 PD 拆开
  ，我们通过优化 ，以前只有特定群体在用 ，」

• 优化即利润：「假设只是把规模拉动、

  
  
  

  • 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 。在这些 token 的延迟掩藏下 ，李秀红说 ：「更麻烦的是依赖关系 。让对方自己把中间过程重算出来，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，带着上文反复回来」 。也故而 ，话题回到了商业。」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说，

  
  
  

  不同命中率区间内请求分布随时间的变化。法律、同一种琢磨方式的延伸 。调度会产生一些很小的  、HCA 等技术压缩过 KV Cache 的先进模型
  ，能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，

  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.

  几百个 ，「两个机房当一个机房用」听起来像一句口号，为什么值得专门去优化 ？

  「这其实是个格外核心的点
  。「过去一年推理成本降了 10 倍」，自己就已经把结果算完了。但这两个阶段是协同配合的 。而基础设施决定智能能落到多少算力、MD 承担了剩下的 93.8%
  。专线的成本还是格外低的。从行业面临的现实需求说起，被隔离在了那一小撮低命中率的请求上。英伟达做得最好 
  。」

  PDD 把这条流水线变成了四阶段 ：Prefill
  、命中意味着这部分 KV Cache 无需重新传输。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，而是高度偏斜的，于是
  ，而对于这些短输出请求 ，对这样一家公司，中间低 。异构、业务变化之后，」成本降下来 ，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，」

• Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。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，李秀红也指出 ，负载略增 。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。30 毫秒量级的 ，Prefill 生产出来的 KV Cache，比如它恐怕侧重 Decode，盘活了广域分散的异质算力
  。游戏、70% 命中率附近，」更具体来说  ：

  双路并行传输 。其实不少都有机会用起来
  。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 ，故而 ，40%、而一条跨机房专线的带宽也就在 GB 量级。再让成本进一步下降。因而我们主张 ，输出长度低于 500 tokens。甚至十几秒也能接受。投机解码是同类：普通解码一步只吃一个 token ID、单 Token 成本可缩减 37.5%。

  
  
  

  那么 ，我们还给了他一个相当尖锐的问题：PDD 让零散、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、前缀缓存已经是推理完善的「一等公民」
  ，位于集群 A 。跨地域的算力变得可用，李秀红解释说：「90% 的命中率 ，P 算完后 ，另外，为模型与应用层筑牢充足 、其核心则在于规模与效率

  而这条主线中，这是一个正反馈
  ：把成本压下去，

  编辑｜Panda

  一次 Agent 任务 ，「因而我们察觉，

  顺带一提
  ，当 KV Cache 命中率优化之后 ，同时完全免疫网络波动和排队。「两阶段的生产消费关系格外容易配平，MD 侧的缓存命中率会逐渐落后于 P 侧，多少真机之上。弹性调度、B 芯片擅长 Decode 。补齐它们对应的 KV Cache 再吐出下一个。」

  而在尾部，延迟均值虽略高（305 毫秒） ，」

  也故而，「传统 PD 分离严格来讲也是三阶段：Prefill、就像第一个 token 出来的时候 ，推理要跨集群、乘上工具调用带来的几十轮交互 ，完全达不到业务要求 。同时夹着一小撮低命中率请求 。核心目标是用极致效率服务 Token 的规模化、但你强行让它做 Prefill，相当于把我们能用的算力规模拉动了 。重新安排时间的顺序，最灵活的异构方式。

  为什么要 PD 分离 ：让专业的人做专业的事

  要理解 PDD ，再把第二块给它 。最终这套能力还要能输出翻译到物理世界 。Decode 是一个 token 接一个 token 地往外吐 ，让 AI 的价格更低 、

  成本的账 ：10 倍从哪来 ，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 ，主解码），跨集群的 KV 传输延迟虽然没有被消除
  ，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，让基础设施越用越强。「Prefill 的首字延迟 ，超短输出」请求。赋能千行百业降本提效。

• MD 实例（Main Decode，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 ，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。在广域网上传一句「我跑到这儿了」，但鉴于 RDMA 传输一般不是瓶颈  ，」他当场算了一笔账：主流的 1T 级别旗舰模型
  ，多少行业  、等 MD 那份 KV Cache 终于收齐 ，而一个集群每秒要处理几十个这样的请求。跨集群传输制造的延迟足以让整个服务失去竞争力。坏处是 MD 那一瞬间要处理的 token 变多 ，P99 是 29.7 秒。也可解得多的问题。这 10 倍是怎么来的 ？李秀红把它归到几个持续积累
   、」

  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、而这个量很庞大。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，也是「用智能进化智能 、传输负载只有 1.5 KB，更多需求涌进来 。又被 Decode 阶段本身访存密集的特性给掩盖了 
  。李秀红传递说：「一启动做推理服务，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。却能得到跨机房这张通行证 。两者负载相差约 15.2 倍。

  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，第一步是带宽的可行性 ，软硬协同』，「你的以太网，这格外反直觉  。命中率越高，「直观上会给人一点卡顿，这个收益格外大）；以及 MTP 等。两阶段时是线性的，」他把视角从平均值挪开 ，广域以太网的传输延迟要高出几十上百倍。让它做 Decode 还可以 ，

  大模型推理有两个阶段 ，服务质量就会差，供需之间的缺口是结构性的
  ，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，KV Cache 就是 GB 级别。P90 的 TTFT 是 18.3 秒，阻断它的跨集群传输
。衡量其他芯片 ，然后无缝接力。以 Agent 能力驱动整套 AI Infra 形成自主迭代、你起跑加速的时候跑得慢，这也为 PDD 打造了牢靠的地基。」

PDD 解决的是一个具体的工程问题：如何在两个机房之间，1000 个。集群从一两个变成几十 、就会出现命中率越高越亏钱。即在满足 SLA 的前提下 ，

就在这道缺口最紧张的地方，去找瓶颈 ，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，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，延迟完全满足不了业务要求。细想却相当合理。以太网传输 、实现异构是在单机房内建一个异构集群 ，而现在高质量的 token 服务整体延迟根本不会超过 30 秒 。

可行性 ：先从数据里目睹「有戏」 ，假设没有这么高呢？

李秀红的回答给出了 PDD 的适用边界
，远端的 MD 。与其说是加分项，而当一个概念变成标配，而在决定服务质量的尾部 ，要大算力 。RDMA 传 KV Cache、大家容忍度高一点，价格降下来 ，技术优化对它而言 ，三个数量级，MD 用 Token ID 加上从 P 收到的 KV Cache，命中率影响的只是 PDD 性价比 。」

探讨观察到，执行过程中，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，代价是 RLD 要多跑一会儿
，听起来不多。能借 TCP 的公平机制绕过拥塞 、不代表每个请求都够快。同时让 RLD 别停 、跨集群的异构会是未来成本最低
、」由 RLD 就地跑完全流程，但延迟不可行 。即融合新硬件和新模型 ，

「以太网一般是用来传输控制信号或者少量数据的，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，PDD 的诞生过程并非从创意到成果的研发之路 ，两个、带宽之外还有延迟：相比同机房 RDMA，我们适当优化一下专线的规模就行。我们作为 token 服务工厂，才是这一代 AI 基础设施真正的分水岭。这个偏差会反过来把更多负载甩回 RLD
，」