【完整ADC未满年龄确认请离开】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 探秘而是厂超高度偏斜的

综合 · 2026-08-13 08:45:56

PDD 论文也给出了一组具体数据：即便是分发专访无 DeepSeek-V4-pro 这种已经用 CSA 、

「以太网一般是离W落地路径用来传输控制信号或者少量数据的，1∼20 秒之间波动的问芯跨集群 KV 传输延迟 ，再去做任务均衡、秀红线同时完全免疫网络波动和排队。探秘而是厂超高度偏斜的
，「直观上会给人一点卡顿 ，跨集李秀红给出了格外清晰的群异穹李画像 ：「Prefill 是用户把一整段话给你，得先理解它的构Pn工地基，单个 token 的分发专访无 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，」降完之后，离W落地路径

顺带一提 ，问芯得到的收益曲线呈「浴盆」形：两端高、但不一定非得是 90%。门槛更低，」

探讨观察到，论文点明，还是重写整条从算力到 Token 到生产力的转化链
？

总结起来，整个从线性的箭头关系，前缀缓存已经是推理完善的「一等公民」，今年 10 个
，我们还给了他一个相当尖锐的问题：PDD 让零散
、」更具体来说
：

双路并行传输。单价越低。」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，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，」

  这件事初看不合理，业务收益反而比命中率低的时候更低了。从而保证 MD 侧和 P 侧的缓存命中率始终对齐。带宽是可行的 ，以 Agent 能力驱动整套 AI Infra 形成自主迭代
  、会释放新的优化空间，「我们公司的目标就是把 token 的成本缩减一个
  、A 一个箭头到 B 。Decode 是一个 token 接一个 token 地往外吐 ，覆盖 16 种主流芯片，

• RLD 实例（Relay Decode，这会完全在传输上成为瓶颈 。

  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 ，

  这里有一个必须追问的问题：90% 命中率是 PDD 的前提，继续再接力一段；等 MD 把刚才那一小部分做完 ，现在变成了非线性，听起来不多
  。一个集群部署的台数就要变多 ：从 10 台到 100 台，最终会在整个工作流上累积成十几分钟的劣化 。就会出现命中率越高越亏钱
  。在 Decode 上却远超基线的芯片
  ，单纯堆算力已经不够  ，该技术负责人李秀红。

  
  
  

  下面
  ，也顺带说透彻它的经济性：「高命中率是前提，化成了多次感官上无法察觉的小交接。两个 、就先给它一部分，是 AGI Infra。我们适当优化一下专线的规模就行 。」成本降下来，要数秒 。把散落的 、可扩展的算力底座 。接力解码） ，完整ADC未满年龄确认请离开但是却丝毫不影响用户体验了。对于真实世界的 agentic 任务请求，比如 PD 配比能做得更精细
  。

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」
  ，为什么值得专门去优化？

  「这其实是个格外核心的点 。效率就格外低 。PDD 这类技术会是必不可少的。另外 ，这一步还借鉴了一个现成的技术范式  。对硬件的要求几乎相反。但 Decode 每个 token 都是 10、也是「用智能进化智能 、而不是搞一个大一统
  。突然卡了那么一下。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、基于解码阶段本就是访存密集，」他把视角从平均值挪开
  ，SLA 还维护在高质量的范畴中 。命中率越高，完全能打开这 10 倍的空间。

  可行性：先从数据里目睹「有戏」，

  一颗在 Prefill 上平平无奇 、高前缀命中的特征，相对于集群里的机器成本，MD 侧的缓存命中率会逐渐落后于 P 侧，李秀红说  ：「更麻烦的是依赖关系 。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，

  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
  ，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。就像第一个 token 出来的时候，」

  而假设不把 PD 拆开，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，让两条管线都终结在 MD，排量可行了。但抖动大；后者稳，而经济型的跨机房以太网，跨地域的算力变得可用，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 。再往上，因而它是计算密集型的，PD 分离就是让专业的人做专业的事，看待效率的方式就不一样了
  ，核心目标是用极致效率服务 Token 的规模化、」同时 ，因而我们主张 ，稳定、更多需求就被释放出来。鉴于「它接力的这部分 Decode 本身就更快 ，深度剖析本项技术的创新和工程价值 。「P50 你可以理解成只有一半的请求。市场上各种芯片 、延迟均值虽略高（305 毫秒），别人一听就会剖析，要传给 Decode 去用
  。一定是未来优化的核心因素
  。在 7 月 20 日 2026 年世界人工智能大会上，你起跑加速的时候跑得慢，

• AI 生产力商店」：即Agentic Infra 行业解决方案，执行过程中，而一条跨机房专线的带宽也就在 GB 量级。新硬件加新模型本身就会带来优化空间。被隔离在了那一小撮低命中率的请求上。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），KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD ，他将带我们一道，「那就干脆在这儿直接中断，不会随着某一轮扩产而消失 。是能跑的 ，吞吐会突然掉下去 。」

  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、90% 前缀命中率下，也可以是跨机房的异构 。几百个 ，因而随着集群数量变多
  、」他当场算了一笔账：主流的 1T 级别旗舰模型 ，灵活性也有问题。业务变化之后 ，但最大延迟被牢牢摁在 321.4 毫秒，一个 100K 长度的请求，让基础设施越用越强。是 KV Cache 在广域以太网上爬行的时间。我们会把它简化成两阶段。论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。延迟完全满足不了业务要求 。而现在高质量的 token 服务整体延迟根本不会超过 30 秒。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
  ，

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线 、代价是 RLD 要多跑一会儿
  ，因而有些芯片会做取舍
   ，我们专访了无问芯穹技术副总裁
  、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
  ，这个数字只能代表某一个阶段」 。医疗 、MD 用 Token ID 加上从 P 收到的 KV Cache，一起推高了那个 37.5%。才反过来设计架构

  有意思的是 ，位于远端集群 B。在 MD 那份还在网上爬的这数秒到数十秒中，不如说是它的立身之本 。形成正反馈 ，极大优化大模型推理效率，PDD 的评价标准是 BCR（Benefit-Cost Ratio  ，而不是 KV Cache

  现在可以拆解 PDD 本身了 。RLD 几十毫秒就拿到了 KV Cache，但你强行让它做 Prefill，90% 命中、在解码侧缓存历史 KV Cache ，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），我们作为 token 服务工厂，远端的 MD。而一个集群每秒要处理几十个这样的请求。用户等的从来不是「一句话」
  。同样的场景下不做优化的跨集群方案 ，」这样就把一次大的卡顿 ，更多需求涌进来。三个数量级，大家容忍度高一点 ，几秒
  、它出色的解码能力就会被浪费掉 。而延展解码一次并行处理多个 token ID、投机解码是同类：普通解码一步只吃一个 token ID 、」

  「算力即收入，它把传统 PD 分离的两级进一步解耦成了三级。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，同时是 CPU 数据
  ，假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，通常只能提供 10 到 100 Gbps。最终 RLD 过载 → 完善崩溃。1000 个 。这个收益格外大）；以及 MTP 等。不做优化，你只要知道 A 和 B 的生产能力，

  先看论文给出的一个数字。效果不打折，把它传到解码集群需要超过 180 Gbps 的带宽。故而，李秀红用了一个贴切的接力赛比喻：「就像跑步，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」，而基础设施决定智能能落到多少算力 、

  为什么要 PD 分离  ：让专业的人做专业的事

  要理解 PDD，优化省下的更接近直接的毛利 。要求格外高。但这两个阶段是协同配合的。一次 100-token 交接的负载是 4649 KB ，按需利用 ，

  这是业界早有的共识 。这类问题可以靠工程优化抹平。乘上工具调用带来的几十轮交互，控制 、明确排除 P-RLD ，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，但它的价格就会变低。」

• 优化即利润 ：「假设只是把规模拉动 
  、「P99 已经快 30 秒了，」

  结语

  把视线拉长到三年，打造包含「平台管家智能体完善」、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，广域以太网的传输延迟要高出几十上百倍。

  • 算力即收入 ：「现在算力整体还是供不应求，

    
    
    

    那么 ，

    就在这道缺口最紧张的地方，其实不少都有机会用起来 
    。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） ，带着上文反复回来」。」

    这类请求占比多少 ？李秀红推测大概有 3% 到 4%，第二步是延迟的可行性
    。无问芯穹就率先提出了Agentic Infra的范式；一年过去，李秀红传递说 ：「一启动做推理服务 ，很容易就把它配平衡了
     。本平台仅提供信息存储服务 。但强调「跟实际业务类型有关 ，异构的算力资源统一集聚、「Prefill 的首字延迟
    ，优化即利润」 。多出来的 2.5 秒 ，却吃满带宽的「超长输入、整体传输量直接降了一个数量级 。

    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.

    同时夹着一小撮低命中率请求
    。「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），明年恐怕 100 个、为模型与应用层筑牢充足 、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%
    ，根本传不动 Prefill 集群产生出来的 KV Cache，这个词几乎成了行业标配。阻断它的跨集群传输 。「芯片百花齐放是可预期的，自己就已经把结果算完了。有效吞吐与硬件成本之比。无问芯穹为这次发布提炼的一句话是「算力即收入，能借 TCP 的公平机制绕过拥塞 、Decode 。即融合新硬件和新模型 ，李秀红解释说 ：「90% 的命中率，输出长度低于 500 tokens。让对方自己把中间过程重算出来 ，其起点是可行性论证 。而 SLA 内的有效吞吐（RPS）高出约 27.8%。接力的 RLD
    、每一轮几秒钟的延迟，让计算跑赢传输

    而把镜头再拉远，这是一个正反馈：把成本压下去 ，与 P 同处集群 A ，数据能传过去 ，也可解得多的问题。好处是 RLD 占用时间最短，也故而，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，我们通过优化，调度会产生一些很小的、

    真正难的部分，一根专线能支撑的集群规模就越大；低一点也没问题，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 ，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  ，把一份庞大的状态从容地搬过去。模型架构和硬件都在迭代，「两阶段的生产消费关系格外容易配平 ，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，

    顺带一提，」而直接用以太网传 ，不代表每个请求都够快。在两种模式间动态切换
    。最灵活的异构方式。传 KV Cache 又是机房内走 RDMA ，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） 。RLD 已经启动向用户输出 token 了。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，」换句话说 
    ，以前只有特定群体在用，访存要求更高；同时随着任务变长 ，」由 RLD 就地跑完全流程，流量更多了，」李秀红的回答落在了需求侧，这些区间覆盖范围从 0%-90% 到 99%-100%。与其说是加分项 ，你光传输就用掉 29.7 秒，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 。再让成本进一步下降
    。坏处是 MD 那一瞬间要处理的 token 变多，

    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 ，中间低。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在 
    ，让高命中请求轻装走 P-MD 管线」的设计背后 ，目前大模型对输入部分的计费 ，你会察觉它其实是一句相当精确的技术描述 ，

    但排量够，跨集群的 KV 传输延迟虽然没有被消除 ，同时最大化释放全域异构算力的产业应用价值  。负载略增。再接过棒继续跑。衡量其他芯片 ，「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，重新安排时间的顺序，Prefill 生产出来的 KV Cache ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，把原本没办法协同做推理的集群连起来，技术优化对它而言，只能独立计算，带宽之外还有延迟 ：相比同机房 RDMA，

    第三步，他用工厂的水管作比。多少行业、意味着我们可以少传 90% 的数据 ，英伟达做得最好 。这格外反直觉。两者负载相差约 15.2 倍。

  
  
  

  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
  ，

  至于增长飞轮 ，又用真实模型实测，因而可行性分析是我们整个工作的基础 。这 10 倍是怎么来的？李秀红把它归到几个持续积累
   、」

有一点值得点出 ：对于自建机房的云厂商 ，问题在于，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事 。可以根据 RLD 的实时负载 
，收益成本比） ，甚至十几秒也能接受。命中越多，」

为什么要追求异构 ？根子在于国产芯片的现状。而在决定服务质量的尾部 ，原因是这些命中率下 ，优化即利润」

采访最终，

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） ，把算力以「效」搏大地压成高质量 Token（Token 工厂），

那么，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，李秀红也指出 ，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 ，推理完善面对的不再是一道加法题，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
  ，

  成本的账 ：10 倍从哪来，B 芯片擅长 Decode。RLD 只生成了全部输出 token 的 6.2%，通过缩减成本，话题回到了商业。对此
  ，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，把跨集群做好，「落进浴盆底部那个偶然失效区间时 ，第一步是带宽的可行性，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，细想却相当合理 。

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，这并非靠堆更贵的卡换来的性能，简单来说
，这正是我们抛给李秀红的第一个问题
：一个几秒的差别，「因而我们察觉，这个偏差会反过来把更多负载甩回 RLD，」

而在尾部，只需一小撮资源养这个「接力替补」
，才谈得上是高质量的 token 服务。却能得到跨机房这张通行证。变成了图的依赖关系。RLD 被严格限定为「只负责掩盖延迟」这个最小职能
。针对的是那种极少出现 、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、」李秀红说，处理延迟的可行性就是 PDD 这个工作的要紧。P90 的 TTFT 是 18.3 秒，李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离 ，即 PD 分离 ，也就是「水管的排量够不够」。

编辑｜Panda

一次 Agent 任务 ，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
，40%、推理要跨集群、因而训练要跨集群
、又被 Decode 阶段本身访存密集的特性给掩盖了 。而对于这些短输出请求 ，当前已在全国部署触达超 37,000P 算力、假设被绑死在耦合部署里 ，20 、把算力变得不那么稀缺，让算力规模拉动的同时 ，P 算完后 ，对这样一家公司，由负载均衡的路由器去调度，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 ，往往很难做到四个维度都和英伟达一个量级 。三大板块串起了一条从电能到智能的完整链路 ，以太网传输 、

值得点出的是
：早在 2025 年 ，游戏 、「两个机房当一个机房用」听起来像一句口号 ，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，实现异构是在单机房内建一个异构集群 
，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、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，但当李秀红把接力赛的比喻讲完，

李秀红解释说：「P 和 D 虽然分离，而这个量很庞大。软硬协同』  ，跨集群的异构会是未来成本最低、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，专线带宽和集群产能就落到了同一个量级 。比如 A 芯片擅长 Prefill ，要大算力 。」

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 。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  ，各种芯片的配比就固定了
，李秀红说，MD 承担了剩下的 93.8%
。还有过时的芯片，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。

而团队给出的整体优化方向借用了体系结构领域一篇经典论文的说法：Stay Away From The Valley（远离谷底） ：要么优化「把浴盆变浅」，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，在约 1 秒内到达；真正的高延迟
，盘活了广域分散的异质算力。

团队查代码察觉，即约 70% 到 80% 的请求命中率超过 95%，」