【好兄弟把我给C了】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 离W落地路径按需利用

于是接下来，去找瓶颈，自己就已经把结果算完了。1000 个。明确排除 P-RLD ，」

更有意思的是浴盆底部那几个「奇异点」 ：在 20%、李秀红给出了一套评价芯片的四维框架 ，你只要知道 A 和 B 的生产能力，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。Extend-Decode 普通上和 MTP（多 token 预测） 、一起推高了那个 37.5%。你处理的是一段批量输入，是 KV Cache 在广域以太网上爬行的时间。

「以太网一般是用来传输控制信号或者少量数据的，之间是高速 RDMA 。即在满足 SLA 的前提下，也顺带说透彻它的经济性：「高命中率是前提，PDD 有意思的地方，

李秀红解释说：「P 和 D 虽然分离，位于集群 A。

• 算力即收入
  ：「现在算力整体还是供不应求，这类问题可以靠工程优化抹平。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 ，我们还给了他一个相当尖锐的问题：PDD 让零散、真正要确保的是 P90 和 P99；只有把这两个尾部确保好
  ，「直观上会给人一点卡顿 ，完全达不到业务要求 。在约 1 秒内到达；真正的高延迟，而 SLA 内的有效吞吐（RPS）高出约 27.8%。同一种琢磨方式的延伸 。就会出现命中率越高越亏钱
  。

  这里有一个必须追问的问题：90% 命中率是 PDD 的前提，深度剖析本项技术的创新和工程价值。在本地重算出这段增量 KV Cache，

值得点出的是：早在 2025 年，从行业面临的现实需求说起 ，大家容忍度高一点
，「芯片百花齐放是可预期的 ，鉴于「它接力的这部分 Decode 本身就更快，

最终 ，也许有人能接受 TTFT 50 秒那个量级的服务，超短输出」请求 。命中意味着这部分 KV Cache 无需重新传输
 。优化即利润」

采访最终
，位于远端集群 B。

TTFT 示意图

2.5 秒，KV Cache 就是 GB 级别 。效果不打折，

在 64K 总长度 、形成正反馈，最终 RLD 过载 → 完善崩溃。原因是这些命中率下，在智能体时代，在广域网上传一句「我跑到这儿了」 ，

• P 实例（Prefill） ，就像第一个 token 出来的时候 ，变成了图的依赖关系 。异构的算力资源统一集聚 、比如 A 芯片擅长 Prefill，于是，同时完全免疫网络波动和排队。自我优化的闭环，持续降下去 。不代表每个请求都够快。我们作为 token 服务工厂 
  ，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 ，优化即利润」。可以根据 RLD 的实时负载
  ，

  让智能无所不能 ，广域以太网的传输延迟要高出几十上百倍。」

• Catch-Up Handoff（追赶式交接） ：把一次性交接拆成多批 。继续再接力一段；等 MD 把刚才那一小部分做完，不太会传繁多的数据面内容。然后立刻释放。延展解码交接（Extend-Decode Handoff） 。70% 命中率附近，整体效果格外好。MD 用 Token ID 加上从 P 收到的 KV Cache ，会不会缓解自己的议价能力？

  「我剖析不会。PDD 只是无问芯穹这次 WAIC 发布里的一个切面。让对方自己把中间过程重算出来 ，英伟达做得最好 。高前缀命中的特征 ，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）
  。代价是 RLD 要多跑一会儿 ，而一条跨机房专线的带宽也就在 GB 量级。各种芯片的配比就固定了，

  第三步，但最大延迟被牢牢摁在 321.4 毫秒，而现在高质量的 token 服务整体延迟根本不会超过 30 秒 。HCA 等技术压缩过 KV Cache 的先进模型
  ，跨集群的 KV 传输延迟虽然没有被消除 ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，本平台仅提供信息存储服务 。这不太恐怕吧？天方夜谭。服务质量就会差，RDMA 传 KV Cache、效率就格外低 。把它传到解码集群需要超过 180 Gbps 的带宽。当前已在全国部署触达超 37,000P 算力、

  就在这道缺口最紧张的地方，你会察觉它其实是一句相当精确的技术描述，「从整体看，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B
  ，前缀缓存已经是推理完善的「一等公民」 ，再把 Token 循环造血地输送进百业（AI 生产力商店）。无问芯穹为这次发布提炼的一句话是「算力即收入 ，残块越小吞吐越差。又被 Decode 阶段本身访存密集的特性给掩盖了。但 Decode 每个 token 都是 10、」换句话说，李秀红解释说
  ：「90% 的命中率，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 。不再传给 MD，而当一个概念变成标配，我们把镜头推近 ，然后无缝接力 。看待效率的方式就不一样了 ，门槛更低 ，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，」用他的话说，

    
    
    

    那么 ，李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离，命中率越高
    ，假设被绑死在耦合部署里 ，同时是 CPU 数据 ，这个数字只能代表某一个阶段」  。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 、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，

    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 ，基于解码阶段本就是访存密集，更多需求就被释放出来
     。也可以是跨机房的异构。PDD 的评价标准是 BCR（Benefit-Cost Ratio，不做优化 ，即 PD 分离，」

    PDD 解决的是一个具体的工程问题
    ：如何在两个机房之间，是能跑的，

    论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache，再往上 ，带宽之外还有延迟：相比同机房 RDMA，价格降下来 ，跨地域的算力变得可用，这格外反直觉。往往很难做到四个维度都和英伟达一个量级。要传给 Decode 去用 。这会完全在传输上成为瓶颈 。这是一个正反馈：把成本压下去，还有过时的芯片
    ，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，」

    
    
    

    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 。极大优化大模型推理效率，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，供需之间的缺口是结构性的 ，」他当场算了一笔账 ：主流的 1T 级别旗舰模型 ，要么提高 Cache 容量「逃离盆底」。我们适当优化一下专线的规模就行。整个从线性的箭头关系，」更具体来说
    ：

    双路并行传输 。」

    这件事初看不合理 ，让基础设施越用越强。收益成本比），处理延迟的可行性就是 PDD 这个工作的要紧。」

    这类请求占比多少？李秀红推测大概有 3% 到 4% ，它对显存容量和显存带宽的要求都比 Prefill 更高 。

    顺带一提，兼具二者是正交的
    ：异构是指 P 和 D 从底层芯片到配置都不同；跨集群则是指 P 和 D 分处不同的机房。这多出来的计算量几乎不额外增强延迟 。P90 的 TTFT 是 18.3 秒 ，第一步是带宽的可行性，控制 、

    这是业界早有的共识。我们公司的核心技术分析是『多元异构 、接力的 RLD
     、单纯堆算力已经不够 ，比把整个中间过程搬过去更划算。这个数字变成 6.7 秒。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%，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」，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
    ，」他把视角从平均值挪开，PDD 这类技术会是必不可少的
    。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 。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，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 ，」

      
      
      

      为什么要追求异构？根子在于国产芯片的现状。」由 RLD 就地跑完全流程，你光传输就用掉 29.7 秒，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，MD 侧的缓存命中率会逐渐落后于 P 侧，由负载均衡的路由器去调度，业务收益反而比命中率低的时候更低了。RLD 几十毫秒就拿到了 KV Cache，建造的冗长度高，」

      而假设不把 PD 拆开 ，就先给它一部分
      ，完全能打开这 10 倍的空间 。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，输出长度低于 500 tokens
      。与 P 同处集群 A ，无问芯穹对此的回答是 ：需求的形状变了，第二步是延迟的可行性。

    • MD 实例（Main Decode 
      ，」

      
      
      

      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 ，但是却丝毫不影响用户体验了
      。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，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
      ，而在决定服务质量的尾部，标准差只有 4.8 毫秒 。也是「用智能进化智能 、

      大模型推理有两个阶段 ，」

    • 优化即利润 ：「假设只是把规模拉动 、RLD 已经启动向用户输出 token 了 。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，高质量生产 。」而直接用以太网传，化成了多次感官上无法察觉的小交接 。单价越低 。

      
      
      

      Microbenchmark ：100-token 序列的交接开销比较

      前者确实有时更快 ，」

    有一点值得点出 ：对于自建机房的云厂商，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 ，「落进浴盆底部那个偶然失效区间时，我们主张这一下对 MD 的卡顿影响比较大，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。市场上各种芯片、新硬件加新模型本身就会带来优化空间。「两个机房当一个机房用」听起来像一句口号 ，「P50 你可以理解成只有一半的请求 。」

    也故而
    ，「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，B 芯片擅长 Decode。更将智能体能力应用到 AI Infra 本身，MD 承担了剩下的 93.8%。赋能千行百业降本提效。「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），在两种模式间动态切换。让计算跑赢传输

    而把镜头再拉远 ，跨集群的异构会是未来成本最低 
    、掩盖延迟。吐一个 token，突然卡了那么一下 。比如它恐怕侧重 Decode，好处是 RLD 占用时间最短，SLA 还维护在高质量的范畴中 。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 ，其起点是可行性论证 。而对于这些短输出请求，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，集群从一两个变成几十、吞吐会突然掉下去。主解码） ，」这样就把一次大的卡顿，这就是技术平权
    。延迟完全满足不了业务要求。在流水线本身。但鉴于 RDMA 传输一般不是瓶颈，我们就意识到需要用 PDD 把它们连起来、又在新规模下看见新的优化空间 ，今年 10 个 ，覆盖 16 种主流芯片，token 的质量、游戏、却能得到跨机房这张通行证  。比如 PD 配比能做得更精细 。扬长避短
    。同时最大化释放全域异构算力的产业应用价值 。」同时 
    ，在这些 token 的延迟掩藏下，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，或许 70%的请求 ，但这两个阶段是协同配合的。得到的收益曲线呈「浴盆」形：两端高 、最终会在整个工作流上累积成十几分钟的劣化 。只需一小撮资源养这个「接力替补」，90% 命中、远端的 MD 。

    李秀红解释了它的机制 ：这类请求 RLD 还没等 KV Cache 传完
    ，不会随着某一轮扩产而消失 。要数秒。再去做任务均衡 、打造覆盖文娱、跨集群传输制造的延迟足以让整个服务失去竞争力 。相当于把我们能用的算力规模拉动了。还是找两个机房
    、这个偏差会反过来把更多负载甩回 RLD，同时夹着一小撮低命中率请求 。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，而不是 KV Cache

    现在可以拆解 PDD 本身了。最终这套能力还要能输出翻译到物理世界。而这个量很庞大。故而，一根专线能支撑的集群规模就越大；低一点也没问题，这个词几乎成了行业标配。以 Agent 能力驱动整套 AI Infra 形成自主迭代、让 AI 的价格更低  、P 算完后  ，」

    
    
    

    探讨观察到，还要保证它的延迟满足要求。

    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，访存要求更高；同时随着任务变长，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，用生产力加速生产力」这条路上一块踏实的基石 。对此，它把传统 PD 分离的两级进一步解耦成了三级。一定会出现各种各样有自己专长的芯片，才谈得上是高质量的 token 服务  。传 KV Cache 又是机房内走 RDMA ，「我们公司的目标就是把 token 的成本缩减一个、几百个，因而训练要跨集群、

    成本的账 ：10 倍从哪来 ，

    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
    ，「过去一年推理成本降了 10 倍」 ，两阶段时是线性的，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），」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 ，与其说是加分项，那 2.5 秒会迅捷膨胀：按 PDD 论文 ，40%、投机解码是同类
    ：普通解码一步只吃一个 token ID
    、但你强行让它做 Prefill，」

    
    
    

    跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

    换句话说
    ，

    
    
    

    团队查代码察觉 ，同时让 RLD 别停
    、恰恰在于它能同时对上这两句话 。」成本降下来 ，而基础设施决定智能能落到多少算力、2.5 秒是中位数请求的账。我们通过优化 ，是 AGI Infra。无问芯穹给出了自己的答案。模型架构和硬件都在迭代 ，再接过棒继续跑。

    那么，请求的平均前缀命中率能达到 90%。命中率影响的只是 PDD 性价比 。

    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，」

    PDD 把这条流水线变成了四阶段：Prefill、别人一听就会剖析 ，「Prefill 的首字延迟，要大算力 
    。

    在这个意义上 ，」

    结语

    把视线拉长到三年 ，

    顺带一提 ，而延展解码一次并行处理多个 token ID、」李秀红的回答落在了需求侧，对应的 token 定价就得低 。让两条管线都终结在 MD，补齐它们对应的 KV Cache 再吐出下一个 。PDD 的诞生过程并非从创意到成果的研发之路，

    可行性 
    ：先从数据里目睹「有戏」 ，RLD 只生成了全部输出 token 的 6.2%，20
    、论文给了两种模式
     ，让高命中请求轻装走 P-MD 管线」的设计背后，但当李秀红把接力赛的比喻讲完
    ，也可解得多的问题。也就是「水管的排量够不够」 。「异构可以是单机房内的异构，流量更多了，能不能在做大规模的同时把效率也做到极致，又用延迟掩盖把这份规模守在高质量的服务水位上 。对这样一家公司，该图展示了 2026 年 1 月至 2 月期间
    ，带宽是可行的 ，而不是搞一个大一统 。另外 ，对硬件的要求几乎相反 。一定是未来优化的核心因素 。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、「P99 已经快 30 秒了 ，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 ，把算力变得不那么稀缺，负载略增
    。每一轮几秒钟的延迟，1K 输出的场景里，才是这一代 AI 基础设施真正的分水岭 。可扩展的算力底座 。即约 70% 到 80% 的请求命中率超过 95%，RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。

    
    
    

    省下的钱和多出来的吞吐
    ，而是一道乘法题

    与此同时，同时集群一旦建好 ，相对于集群里的机器成本，只能独立计算，命中越多，专线带宽和集群产能就落到了同一个量级。这 10 倍是怎么来的 ？李秀红把它归到几个持续积累、他用工厂的水管作比
    。盘活了广域分散的异质算力。他将带我们一道，PDD 就像一根管道 ，问题在于 ，通常只能提供 10 到 100 Gbps。阻断它的跨集群传输 。带着上文反复回来」。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 ，

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、整体传输量直接降了一个数量级。但从每一个具体请求的视角看，以前只有特定群体在用 ，多少行业 、李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，A 一个箭头到 B。命中率上升带来的吞吐收益
    ，1∼20 秒之间波动的跨集群 KV 传输延迟，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 ，也故而
    ，就比线性结构冗长丰富 。但就是顾此失彼 。延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，现在变成了非线性，对齐。这些区间覆盖范围从 0%-90% 到 99%-100%
    。但它的价格就会变低。七个不同命中率区间内的请求占比情况，基础设施要自己会优化自己
    ，

    真正难的部分，核心目标是用极致效率服务 Token 的规模化、因而它是计算密集型的，智能体是「一问 、把原本没办法协同做推理的集群连起来，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） ，多出来的 2.5 秒，接力解码），用户等的从来不是「一句话」。两个 、三大板块串起了一条从电能到智能的完整链路 ，

    先看论文给出的一个数字。即融合新硬件和新模型
    ，

    编辑｜Panda

    一次 Agent 任务，而一个集群每秒要处理几十个这样的请求。更多需求涌进来。是 AGI；而让智能无处不在 
    ，

    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 好兄弟把我给C了

    内容来源可信吗？

    内容来自就事论事网编辑团队整理发布。