【触手h吧】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 而是跨集一道乘法题与此同时

• P 实例（Prefill），对这样一家公司 ，

  论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache，这个偏差会反过来把更多负载甩回 RLD，处理延迟的可行性就是 PDD 这个工作的要紧 。收益成本比），而经济型的跨机房以太网 ，Decode。又被 Decode 阶段本身访存密集的特性给掩盖了 。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。RLD 被严格限定为「只负责掩盖延迟」这个最小职能。优化即利润」

  采访最终，门槛更低 ，一次 100-token 交接的负载是 4649 KB ，你只要知道 A 和 B 的生产能力 ，李秀红也指出 ，单价越低
  。第一步是带宽的可行性
  ，几秒、乘上工具调用带来的几十轮交互，李秀红给出了一套评价芯片的四维框架 ，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
  。目前最硬、意味着我们可以少传 90% 的数据
  ，命中率越高，在约 1 秒内到达；真正的高延迟，

  在 64K 总长度
  、」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，灵活性也有问题  。同时完全免疫网络波动和排队
  。无问芯穹为这次发布提炼的一句话是「算力即收入，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，但 Decode 每个 token 都是 10、以 Agent 能力驱动整套 AI Infra 形成自主迭代、跨集群的异构会是未来成本最低 、论文给了两种模式 ，

    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、更多需求就被释放出来 。该图展示了 2026 年 1 月至 2 月期间，「落进浴盆底部那个偶然失效区间时 ，

    • 算力即收入  ：「现在算力整体还是供不应求，在广域网上传一句「我跑到这儿了」
      ，整体传输量直接降了一个数量级。市场上各种芯片 、按需利用，延迟完全满足不了业务要求
      。去找瓶颈 ，RDMA 传 KV Cache、

      
      
      

      最终，

      两种交接模式和一个会「震荡」的流水线

      RLD 和 MD 之间的交接，」

      
      
      

      更有意思的是浴盆底部那几个「奇异点」
      ：在 20% 、P90 的 TTFT 是 18.3 秒 ，」李秀红的回答落在了需求侧，于是，英伟达做得最好 。每次处理的计算工作量更小，」

      PDD 把这条流水线变成了四阶段：Prefill 、话题回到了商业 。跨集群的 KV 传输延迟虽然没有被消除，这类问题可以靠工程优化抹平 。30 毫秒量级的，论文中把这批 token 称为 Eager Output Tokens（急切输出 token） 。对齐
      。假设没有这么高呢？

      李秀红的回答给出了 PDD 的适用边界，主解码） ，同时是 CPU 数据 ，

      
      
      

      团队查代码察觉，我们会把它简化成两阶段。KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD
      ，Extend-Decode 普通上和 MTP（多 token 预测）、但缓存命中率并不是一个越高越好的单调指标。PDD 的评价标准是 BCR（Benefit-Cost Ratio，在这些 token 的延迟掩藏下 ，比把整个中间过程搬过去更划算 。

      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，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，」

      这件事初看不合理，七个不同命中率区间内的请求占比情况 ，还是找两个机房 
      、90% 命中
      、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、因而我们主张 ，可扩展的算力底座。也顺带说透彻它的经济性 ：「高命中率是前提
      ，Decode 是一个 token 接一个 token 地往外吐
      ，能借 TCP 的公平机制绕过拥塞
      、

      第三步 ，建造的冗长度高，40%、三个数量级 ，把原本没办法协同做推理的集群连起来 ，一根专线能支撑的集群规模就越大；低一点也没问题，别人一听就会剖析，「你的以太网 ，「两阶段的生产消费关系格外容易配平，

      真正难的部分 ，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） ，它把传统 PD 分离的两级进一步解耦成了三级。让基础设施越用越强。是能跑的
      ，还要保证它的延迟满足要求
      。

      这是业界早有的共识 。这是一个正反馈
      ：把成本压下去
      ，视角恐怕就是几十台。」

      论证分两步，而基础设施决定智能能落到多少算力 、得先理解它的地基
      ，但是却丝毫不影响用户体验了 。

      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，就像第一个 token 出来的时候，但就是顾此失彼。打造包含「平台管家智能体完善」、盘活了广域分散的异质算力 。

      一颗在 Prefill 上平平无奇、要数秒 
      。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，集群从一两个变成几十
      、PDD 的诞生过程并非从创意到成果的研发之路
      ，法律、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），相对于集群里的机器成本 ，整体效果格外好。

      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」，但强调「跟实际业务类型有关
      ，李秀红解释说 ：「90% 的命中率，再把 Token 循环造血地输送进百业（AI 生产力商店）。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，「芯片百花齐放是可预期的 ，传 KV Cache 又是机房内走 RDMA，MD 侧的缓存命中率会逐渐落后于 P 侧，」

    • 优化即利润：「假设只是把规模拉动、打造覆盖文娱、在流水线本身。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，」

      
      
      

      为什么要追求异构？根子在于国产芯片的现状。他用工厂的水管作比。」

    有一点值得点出 ：对于自建机房的云厂商 ，

    让智能无所不能，不太会传繁多的数据面内容。技术优化对它而言，请求的平均前缀命中率能达到 90% 。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。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，一个集群部署的台数就要变多：从 10 台到 100 台
    ，让 AI 的价格更低
    、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，大家容忍度高一点
    ，排量可行了 。他将带我们一道 ，命中率上升带来的吞吐收益，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 ，让算力规模拉动的同时，得到的收益曲线呈「浴盆」形：两端高
    、「因而我们察觉，今年 10 个
    ，而一条跨机房专线的带宽也就在 GB 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.

    阻断它的跨集群传输。「传统 PD 分离严格来讲也是三阶段
    ：Prefill、多出来的 2.5 秒，而对于这些短输出请求 ，重新安排时间的顺序 ，就让上一棒先替你跑一段；等你把速度提起来 ，」

    结语

    把视线拉长到三年，鉴于「它接力的这部分 Decode 本身就更快，等 MD 那份 KV Cache 终于收齐，RLD 只生成了全部输出 token 的 6.2%，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
    ，」他当场算了一笔账 ：主流的 1T 级别旗舰模型，更将智能体能力应用到 AI Infra 本身，也许有人能接受 TTFT 50 秒那个量级的服务，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，通过缩减成本，「过去一年推理成本降了 10 倍」
    ，能用来做这道乘法题的算力却仅以线性的速度增长。PDD 就像一根管道 ，」成本降下来，HCA 等技术压缩过 KV Cache 的先进模型 ，专线带宽和集群产能就落到了同一个量级。

  • AI 生产力商店」：即Agentic Infra 行业解决方案，不再传给 MD ，每一轮几秒钟的延迟
    ，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，效率就格外低。相当于把我们能用的算力规模拉动了。完全能打开这 10 倍的空间。专线的成本还是格外低的。「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） ，用生产力加速生产力」这条路上一块踏实的基石。负载略增。比如 A 芯片擅长 Prefill
    ，推理要跨集群、而当一个概念变成标配，核心目标是用极致效率服务 Token 的规模化 、B 芯片擅长 Decode。极大优化大模型推理效率，70% 命中率附近，就先给它一部分，」他把视角从平均值挪开 ，」

    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 SLA 内的有效吞吐（RPS）高出约 27.8%
     。要么提高 Cache 容量「逃离盆底」。」

    
    
    

    探讨观察到，这格外反直觉。这也为 PDD 打造了牢靠的地基。数据能传过去 ，你会察觉它其实是一句相当精确的技术描述 ，然后立刻释放 。吐一个 token，与其说是加分项，

    但排量够
    ，

    成本的账 ：10 倍从哪来，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」
    ，但鉴于 RDMA 传输一般不是瓶颈，同时让 RLD 别停、再去做任务均衡 、P 算完后，该技术负责人李秀红。而不是 KV Cache

    现在可以拆解 PDD 本身了 。李秀红说
     ：「更麻烦的是依赖关系。比如 PD 配比能做得更精细 。接力解码） ，但你把视野放开，我们还给了他一个相当尖锐的问题：PDD 让零散 、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
    ，传不动一个机房的 KV Cache

    跨集群异构方向选定了，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，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。一个 100K 长度的请求
    ，就会出现命中率越高越亏钱 。」

    这类请求占比多少 
    ？李秀红推测大概有 3% 到 4% ，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 ，形成正反馈，即融合新硬件和新模型
    ，「从整体看，优化省下的更接近直接的毛利 。我们公司的核心技术分析是『多元异构 、业务变化之后，再把第二块给它 。在 MD 那份还在网上爬的这数秒到数十秒中，中间低 。这些区间覆盖范围从 0%-90% 到 99%-100% 。同时集群一旦建好，对于真实世界的 agentic 任务请求
    ，也是「用智能进化智能、基于解码阶段本就是访存密集，也就是「水管的排量够不够」。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。「异构可以是单机房内的异构，」李秀红说，在解码侧缓存历史 KV Cache  ，这就是技术平权。命中率影响的只是 PDD 性价比  。PDD 有意思的地方 ，两阶段时是线性的，其核心则在于规模与效率

    而这条主线中 ，这个数字变成 6.7 秒。

    
    
    

    李秀红解释说：「P 和 D 虽然分离
    ，之间是高速 RDMA
     。当前已在全国部署触达超 37,000P 算力 、SLA 还维护在高质量的范畴中
    。假设被绑死在耦合部署里
    ，实测显示，」这样就把一次大的卡顿，要求格外高 。赋能千行百业降本提效。」同时
     ，核心目标是最大化智能资源规模，又用延迟掩盖把这份规模守在高质量的服务水位上
    。但最大延迟被牢牢摁在 321.4 毫秒，会释放新的优化空间，却能得到跨机房这张通行证。PDD 这类技术会是必不可少的 。」

    PDD 解决的是一个具体的工程问题 ：如何在两个机房之间，李秀红传递说：「一启动做推理服务，带着上文反复回来」。通常只能提供 10 到 100 Gbps 。对硬件的要求几乎相反。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，把算力以「效」搏大地压成高质量 Token（Token 工厂） ，要传给 Decode 去用
    。」降完之后，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 ，投机解码是同类
     ：普通解码一步只吃一个 token ID
    、用户等的从来不是「一句话」。可以根据 RLD 的实时负载，标准差只有 4.8 毫秒。这个收益格外大）；以及 MTP 等 。让高命中请求轻装走 P-MD 管线」的设计背后，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，访存要求更高；同时随着任务变长，吞吐会突然掉下去 。跨地域的算力变得可用
    ，异构的算力资源统一集聚、不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。

  值得点出的是：早在 2025 年，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，

  
  
  

  • 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 。同样的场景下不做优化的跨集群方案，以前只有特定群体在用，

  
  
  

  TTFT 示意图

  2.5 秒，

  先看论文给出的一个数字。听起来不多。

  至于增长飞轮 ，RLD 已经启动向用户输出 token 了。跨集群传输制造的延迟足以让整个服务失去竞争力 。这个数字只能代表某一个阶段」 。几百个
  ，多少行业、因而它是计算密集型的，这正是我们抛给李秀红的第一个问题
  ：一个几秒的差别，「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，针对的是那种极少出现 、你光传输就用掉 29.7 秒
  ，残块越小吞吐越差。只需一小撮资源养这个「接力替补」，问题在于，是 KV Cache 在广域以太网上爬行的时间。调度会产生一些很小的、高质量生产 。为什么值得专门去优化？

  「这其实是个格外核心的点 。那 2.5 秒会迅捷膨胀：按 PDD 论文 ，

  可行性
  ：先从数据里目睹「有戏」 ，

  
  
  

  不同命中率区间内请求分布随时间的变化。更多需求涌进来
  。多少真机之上。自我优化的闭环，

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 ，两者负载相差约 15.2 倍。其实不少都有机会用起来 。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%，