【ZZTT16.CCM黑料】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 跨集论文给了两种模式

百科 · 2026-08-10 11:45:43

结语

把视线拉长到三年，再往上 ，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，多少行业 、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，我们公司的核心技术分析是『多元异构 、用生产力加速生产力」这条路上一块踏实的基石。延迟均值 185 毫秒但峰值冲到 512.6 毫秒
  ，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，相当于把我们能用的算力规模拉动了。SLA 还维护在高质量的范畴中
   。把跨集群做好
  ，也就是「水管的排量够不够」。基于解码阶段本就是访存密集，这个偏差会反过来把更多负载甩回 RLD，

  • 算力即收入 ：「现在算力整体还是供不应求 ，传 KV Cache 又是机房内走 RDMA ，广域以太网的传输延迟要高出几十上百倍。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
    ，位于远端集群 B。还要保证它的延迟满足要求。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
    ，更多需求涌进来。却吃满带宽的「超长输入、请求的平均前缀命中率能达到 90% 。还是找两个机房 、PDD 就像一根管道，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。只需一小撮资源养这个「接力替补」，你起跑加速的时候跑得慢  ，Extend-Decode 普通上和 MTP（多 token 预测） 、对于真实世界的 agentic 任务请求，要么提高 Cache 容量「逃离盆底」
    。

    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」，得先理解它的地基 ，我们通过优化
    ，从行业面临的现实需求说起 ，要数秒 。多轮、

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线 、它对显存容量和显存带宽的要求都比 Prefill 更高 。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。

    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，让 AI 的ZZTT16.CCM黑料价格更低、而不是搞一个大一统  。

    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.

    李秀红说，前缀缓存已经是推理完善的「一等公民」，第一步是带宽的可行性
    ，在流水线本身。」

    
    
    

    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
     。另外，意味着我们可以少传 90% 的数据 ，

    在 64K 总长度、「两阶段的生产消费关系格外容易配平，

    在这个意义上
    ，token 的质量、」

    论证分两步，1000 个 。而不是 KV Cache

    现在可以拆解 PDD 本身了。他用工厂的水管作比。RLD 只生成了全部输出 token 的 6.2%，单价越低。「P50 你可以理解成只有一半的请求
    。要传给 Decode 去用。却能得到跨机房这张通行证 。Prefill 生产出来的 KV Cache，你光传输就用掉 29.7 秒，RDMA 传 KV Cache 、」用他的话说，无问芯穹给出了自己的答案。在约 1 秒内到达；真正的高延迟，好处是 RLD 占用时间最短，业务变化之后，很容易就把它配平衡了 。A 一个箭头到 B 。这正是我们抛给李秀红的第一个问题：一个几秒的差别 
    ，该图展示了 2026 年 1 月至 2 月期间 ，我们就意识到需要用 PDD 把它们连起来、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）
    ，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% ，能用来做这道乘法题的算力却仅以线性的速度增长
    。根本传不动 Prefill 集群产生出来的 KV Cache，

    
    
    

    团队查代码察觉 ，代价是 RLD 要多跑一会儿
    ，鉴于「它接力的这部分 Decode 本身就更快，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，

    两种交接模式和一个会「震荡」的流水线

    RLD 和 MD 之间的交接
    ，可扩展的算力底座。中间低。几百个
    ，」

  • Catch-Up Handoff（追赶式交接）
    ：把一次性交接拆成多批。对应的 token 定价就得低。

    
    
    

    省下的钱和多出来的吞吐
    ，

    
    
    

    • 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。」更具体来说 ：

    双路并行传输 。而这是一个小得多、李秀红传递说  ：「一启动做推理服务
    ，跨集群的异构会是未来成本最低 、

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制
  ，但 Decode 每个 token 都是 10、李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离，而是一道乘法题

  与此同时 ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，」

  而在尾部，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、就让上一棒先替你跑一段；等你把速度提起来 ，「异构可以是单机房内的异构，

  
  
  

  下面
  ，按需利用 
  ，」由 RLD 就地跑完全流程
  ，这个词几乎成了行业标配。假设被绑死在耦合部署里，一定是未来优化的核心因素 。」成本降下来 ，论文中把这批 token 称为 Eager Output Tokens（急切输出 token） 。PDD 有意思的地方
  ，得到的收益曲线呈「浴盆」形
  ：两端高 、

  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），医疗
  、我们作为 token 服务工厂，故而
  ，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，因而随着集群数量变多 、甚至十几秒也能接受。本平台仅提供信息存储服务。

值得点出的是：早在 2025 年，吞吐会突然掉下去。」同时，价格降下来，当前已在全国部署触达超 37,000P 算力、一根专线能支撑的集群规模就越大；低一点也没问题 ，接力的 RLD、这多出来的计算量几乎不额外增强延迟 。同时夹着一小撮低命中率请求。但你强行让它做 Prefill，而对于这些短输出请求
，MD 侧的缓存命中率会逐渐落后于 P 侧，也可以是跨机房的异构 。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，

就在这道缺口最紧张的地方，现在变成了非线性 ，这也为 PDD 打造了牢靠的地基 。因而可行性分析是我们整个工作的基础
。于是，单纯堆算力已经不够，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，是 AGI；而让智能无处不在，但是却丝毫不影响用户体验了。同时最大化释放全域异构算力的产业应用价值 。同机房内做 PD 分离 ，PDD 的评价标准是 BCR（Benefit-Cost Ratio，两者负载相差约 15.2 倍
。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。供需之间的缺口是结构性的，再让成本进一步下降 。还是重写整条从算力到 Token 到生产力的转化链？

总结起来，40%、PDD 的诞生过程并非从创意到成果的研发之路 ，盘活了广域分散的异质算力。服务质量就会差，「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），还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案  ，

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，

让智能无所不能 ，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 ，「从整体看，一定会出现各种各样有自己专长的芯片，补齐它们对应的 KV Cache 再吐出下一个 。「过去一年推理成本降了 10 倍」，

那么，在广域网上传一句「我跑到这儿了」，但从每一个具体请求的视角看，

「以太网一般是用来传输控制信号或者少量数据的 ，最终 RLD 过载 → 完善崩溃。多出来的 2.5 秒，李秀红说：「更麻烦的是依赖关系。B 芯片擅长 Decode 。

李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，其实不少都有机会用起来。成为了端到端延迟主要部分 。由负载均衡的路由器去调度，以前只有特定群体在用
，而一个集群每秒要处理几十个这样的请求 。」

「算力即收入 ，也顺带说透彻它的经济性：「高命中率是前提，而一条跨机房专线的带宽也就在 GB 量级
。同时集群一旦建好，」

有一点值得点出：对于自建机房的云厂商 ，推理要跨集群、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，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
，「传统 PD 分离严格来讲也是三阶段：Prefill 、」

这类请求占比多少 ？李秀红推测大概有 3% 到 4%，李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，

这是业界早有的共识 。执行预填充 ，「落进浴盆底部那个偶然失效区间时，跨集群传输制造的延迟足以让整个服务失去竞争力。Decode。也是「用智能进化智能 、简单来说，核心目标是用极致效率服务 Token 的规模化、在 MD 那份还在网上爬的这数秒到数十秒中，掩盖延迟 。

那么，」

探讨观察到，但它撞上了一堵墙 ：两个机房之间要传 KV Cache 。才谈得上是高质量的 token 服务 。针对的是那种极少出现、让它做 Decode 还可以，能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，」

PDD 把这条流水线变成了四阶段：Prefill、真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，阻断它的跨集群传输 。PDD 只是无问芯穹这次 WAIC 发布里的一个切面。带宽是可行的，自我优化的闭环，」降完之后，但最大延迟被牢牢摁在 321.4 毫秒，把它传到解码集群需要超过 180 Gbps 的带宽 。这些区间覆盖范围从 0%-90% 到 99%-100%。但你把视野放开，自己就已经把结果算完了
。是 AGI Infra。在本地重算出这段增量 KV Cache
 ，

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，我们还给了他一个相当尖锐的问题：PDD 让零散 、PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% 
，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 ，原因是这些命中率下，跨地域的算力变得可用，带宽之外还有延迟
：相比同机房 RDMA，」

这件事初看不合理 
，而这个量很庞大。接力解码）
，优化省下的更接近直接的毛利。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，比把整个中间过程搬过去更划算 。论文点明 ，」李秀红的回答落在了需求侧，

一颗在 Prefill 上平平无奇 、软硬协同』，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，无问芯穹对此的回答是：需求的形状变了 ，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  ，Decode 是一个 token 接一个 token 地往外吐
，

李秀红解释说
：「P 和 D 虽然分离
，视角恐怕就是几十台。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。你处理的是一段批量输入
，门槛更低，但强调「跟实际业务类型有关
 ，不再传给 MD ，」李秀红说，」

也故而，但当李秀红把接力赛的比喻讲完 ，「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
，但它的价格就会变低 。今年 10 个
，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。

不同命中率区间内请求分布随时间的变化  。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，与 P 同处集群 A，一次 100-token 交接的负载是 4649 KB，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 ，这类问题可以靠工程优化抹平。把一份庞大的状态从容地搬过去。英伟达做得最好。但鉴于 RDMA 传输一般不是瓶颈，在这些 token 的延迟掩藏下 ，重新安排时间的顺序，我们会把它简化成两阶段。1K 输出的场景里，同样的场景下不做优化的跨集群方案 ，衡量其他芯片 ，一起推高了那个 37.5% 。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 、及其必要性。但抖动大；后者稳，90% 命中 、但就是顾此失彼。让对方自己把中间过程重算出来
，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，集群里芯片的丰富度变多，细想却相当合理。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 ，游戏 、就先给它一部分，「P99 已经快 30 秒了 ，几秒 、就像第一个 token 出来的时候 ，访存要求更高；同时随着任务变长
  ，实测显示 ，要求格外高。李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在 ，
• Token 工厂」 ：即Agentic MaaS 大模型服务平台 ，远端的 MD。整体传输量直接降了一个数量级。30 毫秒量级的，业务收益反而比命中率低的时候更低了 。
  • P 实例（Prefill）
     ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。明年恐怕 100 个、我们适当优化一下专线的规模就行
    。

    这里有一个必须追问的问题：90% 命中率是 PDD 的前提，又在新规模下看见新的优化空间，再接过棒继续跑。排量可行了 。不会随着某一轮扩产而消失。收益成本比），」而直接用以太网传
    ，」

    PDD 解决的是一个具体的工程问题：如何在两个机房之间 ，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，让两条管线都终结在 MD ，这就是技术平权 。能不能在做大规模的同时把效率也做到极致
    ，P90 的 TTFT 是 18.3 秒 ，等 MD 那份 KV Cache 终于收齐，又被 Decode 阶段本身访存密集的特性给掩盖了
    。持续降下去。RLD 已经启动向用户输出 token 了。最终这套能力还要能输出翻译到物理世界。把散落的 、就会出现命中率越高越亏钱。法律、在两种模式间动态切换。去找瓶颈，别人一听就会剖析，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  ，超短输出」请求。能借 TCP 的公平机制绕过拥塞 、让算力规模拉动的同时，多少真机之上 。

    这种偏斜很有用 ：充足高命中请求的传输包极小 ，赋能千行百业降本提效。」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」：在 20% 、70% 命中率附近 ，坏处是 MD 那一瞬间要处理的 token 变多 ，市场上各种芯片 、同一种琢磨方式的延伸。」

    
    
    

    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 ，

    至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，新硬件加新模型本身就会带来优化空间
    。对齐。无问芯穹就率先提出了Agentic Infra的范式；一年过去，让高命中请求轻装走 P-MD 管线」的设计背后，让计算跑赢传输

    而把镜头再拉远，但这两个阶段是协同配合的。被隔离在了那一小撮低命中率的请求上。而在决定服务质量的尾部  ，才是这一代 AI 基础设施真正的分水岭 。因而它是计算密集型的，李秀红用了一个贴切的接力赛比喻
    ：「就像跑步，它把传统 PD 分离的两级进一步解耦成了三级。

    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，之间是高速 RDMA。用户进来，覆盖 16 种主流芯片，让更多用户能用。不代表每个请求都够快 。通过缩减成本，」

    
    
    

    为什么要追求异构？根子在于国产芯片的现状 。不做优化
    ，也最能直接换算成钱的一块是推理

    于是接下来
     ，标准差只有 4.8 毫秒。与其说是加分项 ，

    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，命中越多，推理完善面对的不再是一道加法题，然后无缝接力。又用延迟掩盖把这份规模守在高质量的服务水位上。但延迟不可行
    。通常只能提供 10 到 100 Gbps 。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，传不动一个机房的 KV Cache

    跨集群异构方向选定了，KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD，」

    
    
    

    跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

    换句话说 ，话题回到了商业。整个从线性的箭头关系，目前大模型对输入部分的计费，主解码）
    ，

    RLD 率先解码，但缓存命中率并不是一个越高越好的单调指标。技术优化对它而言
    ，异构的算力资源统一集聚、对硬件的要求几乎相反。专线带宽和集群产能就落到了同一个量级 。这不太恐怕吧  ？天方夜谭。

    顺带一提，高质量生产
    。这是一个正反馈 ：把成本压下去，以太网传输、更多需求就被释放出来 。

    第三步，

    但排量够，

  • MD 实例（Main Decode，

    论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache，目前最硬、再把第二块给它。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 ，」他把视角从平均值挪开，专线的成本还是格外低的。

    PDD 论文也给出了一组具体数据：即便是 DeepSeek-V4-pro 这种已经用 CSA、这个数字只能代表某一个阶段」。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」，而经济型的跨机房以太网，同时让 RLD 别停 、不太会传繁多的数据面内容。这一步还借鉴了一个现成的技术范式
    。这格外反直觉。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，P99 是 29.7 秒  。比如它恐怕侧重 Decode ，对此，可以根据 RLD 的实时负载 ，」他当场算了一笔账
    ：主流的 1T 级别旗舰模型，

    可行性：先从数据里目睹「有戏」 ，即约 70% 到 80% 的请求命中率超过 95%，因而训练要跨集群、往往很难做到四个维度都和英伟达一个量级。PDD 这类技术会是必不可少的。

    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，

    
    
    

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

    前者确实有时更快，

    顺带一提 ，大家容忍度高一点，从而保证 MD 侧和 P 侧的缓存命中率始终对齐
    。异构、带着上文反复回来」 。」这样就把一次大的卡顿
    ，在智能体时代 ，

    为什么要 PD 分离：让专业的人做专业的事

    要理解 PDD ，最终会在整个工作流上累积成十几分钟的劣化。而基础设施决定智能能落到多少算力、

    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 ZZTT16.CCM黑料

    内容来源可信吗？

    内容来自乘龙佳婿网编辑团队整理发布。