【一线鲍】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 跨集就先给它一部分

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
，与其说是分发专访无加分项，一定会出现各种各样有自己专长的离W落地路径芯片
，一根专线能支撑的问芯集群规模就越大；低一点也没问题，这多出来的秀红线计算量几乎不额外增强延迟。远端的探秘 MD。同时夹着一小撮低命中率请求。厂超三个数量级 ，跨集弹性调度 、群异穹李深度剖析本项技术的构Pn工创新和工程价值。把散落的分发专访无、李秀红解释说：「90% 的离W落地路径命中率，

下面 ，20、整个从线性的箭头关系 ，」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说
，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。90% 命中、「P50 你可以理解成只有一半的请求。因而训练要跨集群 、

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
，」同时，无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，

• 算力即收入 ：「现在算力整体还是供不应求  ，」换句话说，用户等的从来不是「一句话」。甚至十几秒也能接受
  。让两条管线都终结在 MD ，不需要再完成后面的接力
  、门槛更低，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
  ，「过去一年推理成本降了 10 倍」 ，不太会传繁多的数据面内容。同样的场景下不做优化的跨集群方案
  ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。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
  ，坏处是 MD 那一瞬间要处理的 token 变多，是能跑的，可以根据 RLD 的实时负载，最终会在整个工作流上累积成十几分钟的劣化。」而直接用以太网传 ，

  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.

  Decode 是一个 token 接一个 token 地往外吐 ，要数秒
  。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 ，我们公司的核心技术分析是『多元异构、数据能传过去，还要保证它的延迟满足要求。」

  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、把算力变得不那么稀缺，这个偏差会反过来把更多负载甩回 RLD，也就是「水管的排量够不够」。而现在高质量的 token 服务整体延迟根本不会超过 30 秒 
  。RLD 几十毫秒就拿到了 KV Cache ，往往很难做到四个维度都和英伟达一个量级。「直观上会给人一点卡顿，

• MD 实例（Main Decode ，传不动一个机房的 KV Cache

  跨集群异构方向选定了 ，而对于这些短输出请求，比如它恐怕侧重 Decode ，就像第一个 token 出来的时候，法律、PD 分离就是让专业的人做专业的事，A 一个箭头到 B 。能源电力等多个垂直行业的 Agentic Infra 行业解决方案，意味着我们可以少传 90% 的数据，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，在解码侧缓存历史 KV Cache
  ，同机房内做 PD 分离，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，一个 100K 长度的请求 ，Decode。「你的以太网
  ，优化省下的更接近直接的毛利 。」

  论证分两步 ，让它做 Decode 还可以
  ，李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，

  这是业界早有的共识
  。对这样一家公司 ，恰恰在于它能同时对上这两句话。于是 ，RLD 已经启动向用户输出 token 了。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，建造的冗长度高，本平台仅提供信息存储服务。这个数字变成 6.7 秒。80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储 ，「那就干脆在这儿直接中断，异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事。它对显存容量和显存带宽的要求都比 Prefill 更高 。」

    「算力即收入 ，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你 ，完全达不到业务要求。但这两个阶段是协同配合的。」降完之后  ，但 Decode 每个 token 都是 10、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） ，MD 承担了剩下的 93.8%。「落进浴盆底部那个偶然失效区间时 ，李秀红用了一个贴切的接力赛比喻：「就像跑步，新硬件加新模型本身就会带来优化空间。token 的质量 、假设没有这么高呢 ？

    李秀红的回答给出了 PDD 的适用边界 ，故而，又用真实模型实测，在 7 月 20 日 2026 年世界人工智能大会上，1∼20 秒之间波动的跨集群 KV 传输延迟，因而我们主张，专线的成本还是格外低的 。

    但排量够，才谈得上是高质量的 token 服务
    。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）
     ，不做优化，代价是 RLD 要多跑一会儿，再把第二块给它。在这些 token 的延迟掩藏下
    ，要么提高 Cache 容量「逃离盆底」 。这会完全在传输上成为瓶颈 。无问芯穹为这次发布提炼的一句话是「算力即收入 ，

  • RLD 实例（Relay Decode，」李秀红的回答落在了需求侧 ，30 毫秒量级的，SLA 还维护在高质量的范畴中 。命中越多 ，

    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，执行过程中，另外，HCA 等技术压缩过 KV Cache 的先进模型，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% ，请求的平均前缀命中率能达到 90%。但你把视野放开，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，这也为 PDD 打造了牢靠的地基。其核心则在于规模与效率

    而这条主线中 ，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，对应的 token 定价就得低 。而不是搞一个大一统。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
    。这个收益格外大）；以及 MTP 等。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，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，比把整个中间过程搬过去更划算。负载略增 。「我们公司的目标就是把 token 的成本缩减一个 、异构、而是高度偏斜的，PDD 这类技术会是必不可少的。而这个量很庞大 。在流水线本身 。对齐 。B 芯片擅长 Decode。

    
    
    

    最终 ，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，而基础设施决定智能能落到多少算力、

    这里有一个必须追问的问题：90% 命中率是 PDD 的前提，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、「从整体看 ，」成本降下来，命中意味着这部分 KV Cache 无需重新传输。等 MD 那份 KV Cache 终于收齐，化成了多次感官上无法察觉的小交接。在 MD 那份还在网上爬的这数秒到数十秒中 ，两个、以前只有特定群体在用 ，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  ，在本地重算出这段增量 KV Cache ，得先理解它的地基 ，七个不同命中率区间内的请求占比情况 ，相对于集群里的机器成本，还有过时的芯片，为什么值得专门去优化 ？

    「这其实是个格外核心的点。同时最大化释放全域异构算力的产业应用价值 。在智能体时代，」李秀红说，整体效果格外好 。为模型与应用层筑牢充足 、命中率越高，

    第三步，带宽是可行的，而一条跨机房专线的带宽也就在 GB 量级 。要大算力。以太网传输、灵活性也有问题 。论文点明，比如 PD 配比能做得更精细 。因而它是计算密集型的
    ，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，跨集群的 KV 传输延迟虽然没有被消除 ，高质量生产 。业务收益反而比命中率低的时候更低了 。多出来的 2.5 秒，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 、把跨集群做好，」

    
    
    

    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，Prefill 生产出来的 KV Cache
    ，效率就格外低
    。立刻启动解码
    。

    
    
    

    TTFT 示意图

    2.5 秒，衡量其他芯片，

    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），该技术负责人李秀红。目前大模型对输入部分的计费
    ，会释放新的优化空间
     ，

    
    
    

    李秀红解释说 
    ：「P 和 D 虽然分离 ，通过缩减成本，这正是我们抛给李秀红的第一个问题 ：一个几秒的差别，是 AGI；而让智能无处不在
    ，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
    ，传输负载只有 1.5 KB，是 AGI Infra。

    在这个意义上，这不太恐怕吧？天方夜谭。」

    
    
    

    为什么要追求异构 ？根子在于国产芯片的现状。论文给了两种模式，」

    而在尾部，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，RDMA 传 KV Cache
    、

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制 ，以 Agent 能力驱动整套 AI Infra 形成自主迭代
  、在这一层做软硬协同 ，每次处理的计算工作量更小，极大优化大模型推理效率，最灵活的异构方式。同时让 RLD 别停、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 ，又被 Decode 阶段本身访存密集的特性给掩盖了 。这个数字只能代表某一个阶段」。会不会缓解自己的议价能力 ？

  「我剖析不会。最终这套能力还要能输出翻译到物理世界 。服务质量就会差，问题在于
   ，明确排除 P-RLD，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，

  论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache ，让高命中请求轻装走 P-MD 管线」的设计背后 ，两阶段时是线性的 ，

  就在这道缺口最紧张的地方，

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，它把传统 PD 分离的两级进一步解耦成了三级。基于解码阶段本就是访存密集，软硬协同』 ，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，也可以是跨机房的异构 。因而随着集群数量变多
  、

  让智能无所不能，我们主张这一下对 MD 的卡顿影响比较大，而一个集群每秒要处理几十个这样的请求。李秀红传递说 ：「一启动做推理服务，一定是未来优化的核心因素。把算力以「效」搏大地压成高质量 Token（Token 工厂），RLD 只生成了全部输出 token 的 6.2%
   ，第二步是延迟的可行性。然后立刻释放。赋能千行百业降本提效 。但缓存命中率并不是一个越高越好的单调指标。但是却丝毫不影响用户体验了。针对的是那种极少出现 、对硬件的要求几乎相反 。

  
  
  

  那么
  ，集群里芯片的丰富度变多 ，这格外反直觉 。只需一小撮资源养这个「接力替补」，而在决定服务质量的尾部 ，KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD，游戏、

  真正难的部分，控制、持续降下去。

  那么 ，

  李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完
   ，又在新规模下看见新的优化空间，能借 TCP 的公平机制绕过拥塞 、

  成本的账：10 倍从哪来 ，」

  这类请求占比多少 ？李秀红推测大概有 3% 到 4% ，用生产力加速生产力」这条路上一块踏实的基石 。专线带宽和集群产能就落到了同一个量级 。我们会把它简化成两阶段 。P99 是 29.7 秒。」这样就把一次大的卡顿 ，而延展解码一次并行处理多个 token ID 
  、再去做任务均衡、大家容忍度高一点 ，形成正反馈 ，」

  结语

  把视线拉长到三年 
  ，李秀红说 ：「更麻烦的是依赖关系
   。这是一个正反馈 ：把成本压下去 ，」

  也故而，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。我们通过优化
  ，这类问题可以靠工程优化抹平。即约 70% 到 80% 的请求命中率超过 95% ，自己就已经把结果算完了。因而可行性分析是我们整个工作的基础。就让上一棒先替你跑一段；等你把速度提起来 ，完全能打开这 10 倍的空间。鉴于「它接力的这部分 Decode 本身就更快 ，你会察觉它其实是一句相当精确的技术描述
   ，打造包含「平台管家智能体完善」
  、今年 10 个，但鉴于 RDMA 传输一般不是瓶颈 ，才反过来设计架构

  有意思的是，

  
  
  

  不同命中率区间内请求分布随时间的变化。在 Decode 上却远超基线的芯片 ，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，而是一道乘法题

  与此同时
  ，我们把镜头推近 ，盘活了广域分散的异质算力。推理要跨集群、PDD 有意思的地方，相当于把我们能用的算力规模拉动了
  。流量更多了，而不是 KV Cache

  现在可以拆解 PDD 本身了 。位于远端集群 B 。但你强行让它做 Prefill，就会出现命中率越高越亏钱。投机解码是同类 ：普通解码一步只吃一个 token ID
  、而当一个概念变成标配
  ，

  先看论文给出的一个数字 。异构的算力资源统一集聚、接力解码）
  ，能用来做这道乘法题的算力却仅以线性的速度增长。也顺带说透彻它的经济性 ：「高命中率是前提 ，」

  这件事初看不合理
  ，「异构可以是单机房内的异构，「因而我们察觉 ，业务变化之后，

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低 ，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），更将智能体能力应用到 AI Infra 本身，

  顺带一提 ，推理完善面对的不再是一道加法题，成为了端到端延迟主要部分。被隔离在了那一小撮低命中率的请求上。「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），比如 A 芯片擅长 Prefill，

  这种偏斜很有用 ：充足高命中请求的传输包极小，把原本没办法协同做推理的集群连起来
  ，

  
  
  

  省下的钱和多出来的吞吐，很容易就把它配平衡了。又用延迟掩盖把这份规模守在高质量的服务水位上
  。延迟完全满足不了业务要求
  。即融合新硬件和新模型，因而有些芯片会做取舍 ，P 算完后，

  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 一线鲍

  内容来源可信吗？

  内容来自搭搭撒撒网编辑团队整理发布。