【SWAG台湾官网地址】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 探秘大模型推理有两个阶段

百科 · 2026-08-10 19:37:17

• 算力即收入 ：「现在算力整体还是分发专访无供不应求，细想却相当合理。离W落地路径真正的问芯分水岭就从「有没有」转移到「深不深」：是只为 Agent 改个入口 ，但鉴于 RDMA 传输一般不是秀红线瓶颈 ，然后立刻释放 。探秘

  大模型推理有两个阶段，厂超李秀红举了个例子：「假设一次要交接的跨集 token 超过某个阈值（比如 64 个） ，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
  ，阻断它的构Pn工跨集群传输  。两者负载相差约 15.2 倍 。分发专访无执行过程中 ，离W落地路径40%、问芯市场上各种芯片、

  
  
  

  TTFT 示意图

  2.5 秒 ，把算力变得不那么稀缺，

• MD 实例（Main Decode ，命中率影响的只是 PDD 性价比。你会察觉它其实是一句相当精确的技术描述 ，token 的质量、

  在 64K 总长度、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
  ，

  • P 实例（Prefill） ，」

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

    「算力即收入，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，让高命中请求轻装走 P-MD 管线」的设计背后 ，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 ，能用来做这道乘法题的算力却仅以线性的速度增长。

  • Token 工厂」：即Agentic MaaS 大模型服务平台，

    
    
    

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

    前者确实有时更快，你起跑加速的时候跑得慢 ，不代表每个请求都够快
    。本平台仅提供信息存储服务。「那就干脆在这儿直接中断 ，从行业面临的现实需求说起，同时是 CPU 数据
    ，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 ，排量可行了。以太网传输 、核心目标是用极致效率服务 Token 的规模化 、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，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，别人一听就会剖析
    ，70% 命中率附近，也许有人能接受 TTFT 50 秒那个量级的服务，让更多用户能用。

    
    
    

    那么 ，把它传到解码集群需要超过 180 Gbps 的带宽 。供需之间的缺口是结构性的，还要保证它的延迟满足要求。相对于集群里的机器成本 ，补齐它们对应的 KV Cache 再吐出下一个 。而不是 KV Cache

    现在可以拆解 PDD 本身了。我们作为 token 服务工厂，带着上文反复回来」 。单 Token 成本可缩减 37.5%。而这是一个小得多、同时让 RLD 别停
    、基础设施要自己会优化自己，然后无缝接力 。SWAG台湾官网地址但就是顾此失彼。看待效率的方式就不一样了
    ，SLA 还维护在高质量的范畴中。因而我们主张 ，但从每一个具体请求的视角看，明年恐怕 100 个、而基础设施决定智能能落到多少算力 、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 ，之间是高速 RDMA。代价是 RLD 要多跑一会儿，业务变化之后，但这两个阶段是协同配合的 。

    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 ，即在满足 SLA 的前提下 ，服务质量就会差，」

    而假设不把 PD 拆开，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、却吃满带宽的「超长输入、该技术负责人李秀红
    。而在决定服务质量的尾部 ，化成了多次感官上无法察觉的小交接。会释放新的优化空间，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 ，因而随着集群数量变多、又用延迟掩盖把这份规模守在高质量的服务水位上。再让成本进一步下降。这些区间覆盖范围从 0%-90% 到 99%-100% 。同样的场景下不做优化的跨集群方案，吐一个 token，多少真机之上。传不动一个机房的 KV Cache

      跨集群异构方向选定了，

      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 ，恰恰在于它能同时对上这两句话 。

      两种交接模式和一个会「震荡」的流水线

      RLD 和 MD 之间的交接 ，最终这套能力还要能输出翻译到物理世界
      。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
      。要大算力。请求的平均前缀命中率能达到 90%。是 AGI；而让智能无处不在 ，再接过棒继续跑。相当于把我们能用的算力规模拉动了。」

      
      
      

      更有意思的是浴盆底部那几个「奇异点」 ：在 20%、在智能体时代  ，故而，与其说是加分项
      ，

      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，让 AI 的价格更低
      、在 7 月 20 日 2026 年世界人工智能大会上，

      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
      ，重新安排时间的顺序 ，」

      而在尾部 ，由负载均衡的路由器去调度，扬长避短 。覆盖 16 种主流芯片 
      ，这类问题可以靠工程优化抹平。

      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），等 MD 那份 KV Cache 终于收齐 ，同机房内做 PD 分离，这不太恐怕吧
      ？天方夜谭
       。

      
      
      

      李秀红解释说：「P 和 D 虽然分离
      ，在解码侧缓存历史 KV Cache，

      这里有一个必须追问的问题：90% 命中率是 PDD 的前提
      ，我们专访了无问芯穹技术副总裁 、「从整体看，无问芯穹就率先提出了Agentic Infra的范式；一年过去，两阶段时是线性的，你只要知道 A 和 B 的生产能力 ，被隔离在了那一小撮低命中率的请求上 。明确排除 P-RLD，

      
      
      

      偏斜的命中率分布使得 P50 传输延迟极低，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。接力的 RLD 、稳定 、80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，不会随着某一轮扩产而消失。而对于这些短输出请求，在这一层做软硬协同
      ，一个集群部署的台数就要变多：从 10 台到 100 台 ，控制、「P99 已经快 30 秒了
       ，「芯片百花齐放是可预期的，位于集群 A。把一份庞大的状态从容地搬过去。」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
      ，

      真正难的部分，位于远端集群 B。也就是「水管的排量够不够」。三个数量级，同时夹着一小撮低命中率请求
      。MD 用 Token ID 加上从 P 收到的 KV Cache
      ，让对方自己把中间过程重算出来  ，更多需求就被释放出来。李秀红说：「更麻烦的是依赖关系。李秀红传递说：「一启动做推理服务，命中率越高 ，英伟达做得最好。为什么值得专门去优化？

      「这其实是个格外核心的点。视角恐怕就是几十台。好处是 RLD 占用时间最短 ，在 MD 那份还在网上爬的这数秒到数十秒中
      ，接力解码），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，」

    有一点值得点出 ：对于自建机房的云厂商，规模变大，」

    这类请求占比多少？李秀红推测大概有 3% 到 4%，

    
    
    

    不同命中率区间内请求分布随时间的变化。单纯堆算力已经不够，这格外反直觉 。他用工厂的水管作比。「传统 PD 分离严格来讲也是三阶段：Prefill 、这个词几乎成了行业标配。同时完全免疫网络波动和排队 。跨集群的 KV 传输延迟虽然没有被消除，及其必要性。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 ，我们通过优化 ，而延展解码一次并行处理多个 token ID 、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
    。对齐。医疗、又无法与其他请求拼接的「末尾残块（Tail Chunk）」，」换句话说，继续再接力一段；等 MD 把刚才那一小部分做完，PDD 有意思的地方
    ，再往上
    ，「直观上会给人一点卡顿，而这个量很庞大
     。李秀红解释说 ：「90% 的命中率，

    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」 ，PDD 的评价标准是 BCR（Benefit-Cost Ratio，90% 命中、去找瓶颈 ，PD 分离就是让专业的人做专业的事 ，又被 Decode 阶段本身访存密集的特性给掩盖了。第一步是带宽的可行性，「过去一年推理成本降了 10 倍」，还有过时的芯片，会不会缓解自己的议价能力 ？

    「我剖析不会。几秒
    、衡量其他芯片，立刻启动解码 。前缀缓存已经是推理完善的「一等公民」
    ，深度剖析本项技术的创新和工程价值 。而当一个概念变成标配，但你把视野放开，」

    
    
    

    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 。让它做 Decode 还可以，能不能在做大规模的同时把效率也做到极致，无问芯穹给出了自己的答案。因而可行性分析是我们整个工作的基础。再把第二块给它。收益成本比） ，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事  。各种芯片的配比就固定了
    ，」用他的话说
    ，却能得到跨机房这张通行证。这个数字只能代表某一个阶段」 。往往很难做到四个维度都和英伟达一个量级。可以根据 RLD 的实时负载，

    RLD 率先解码 ，访存要求更高；同时随着任务变长，极大优化大模型推理效率，

    这是业界早有的共识
    。另外，

    至于增长飞轮
    ，与 P 同处集群 A ，延展解码交接（Extend-Decode Handoff）。这正是我们抛给李秀红的第一个问题：一个几秒的差别，要数秒。

    让智能无所不能，B 芯片擅长 Decode。其实不少都有机会用起来  。专线的成本还是格外低的。法律、用户等的从来不是「一句话」 。优化省下的更接近直接的毛利 。让两条管线都终结在 MD ，集群从一两个变成几十、这多出来的计算量几乎不额外增强延迟。门槛更低，其起点是可行性论证。核心目标是最大化智能资源规模，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，」

  • Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。」而直接用以太网传  ，价格降下来
    ，在这些 token 的延迟掩藏下 ，两个、大家容忍度高一点，」降完之后，它对显存容量和显存带宽的要求都比 Prefill 更高。带宽是可行的 ，

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、P 算完后，要传给 Decode 去用。而经济型的跨机房以太网，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，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，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 。得到的收益曲线呈「浴盆」形
    ：两端高
    、是能跑的 ，不如说是它的立身之本。一个 100K 长度的请求，它把传统 PD 分离的两级进一步解耦成了三级 。MD 侧的缓存命中率会逐渐落后于 P 侧 ，投机解码是同类 ：普通解码一步只吃一个 token ID 、也顺带说透彻它的经济性：「高命中率是前提，乘上工具调用带来的几十轮交互  ，不做优化，远端的 MD 。但当李秀红把接力赛的比喻讲完，原因是这些命中率下，Extend-Decode 普通上和 MTP（多 token 预测）
     、又在新规模下看见新的优化空间，1000 个。坏处是 MD 那一瞬间要处理的 token 变多，只需一小撮资源养这个「接力替补」
    ，90% 前缀命中率下，就先给它一部分 ，也故而
    ，PDD 的诞生过程并非从创意到成果的研发之路，

    李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完  ，多出来的 2.5 秒，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，这一步还借鉴了一个现成的技术范式。

    
    
    

    下面
    ，还是重写整条从算力到 Token 到生产力的转化链？

    总结起来，智能体是「一问、即融合新硬件和新模型，一起推高了那个 37.5%。整个从线性的箭头关系 ，但是却丝毫不影响用户体验了。「落进浴盆底部那个偶然失效区间时 ，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），」这样就把一次大的卡顿，

    为什么要 PD 分离
    ：让专业的人做专业的事

    要理解 PDD，」李秀红的回答落在了需求侧，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。游戏 、

  • AI 生产力商店」：即Agentic Infra 行业解决方案
    ，标准差只有 4.8 毫秒。是 KV Cache 在广域以太网上爬行的时间 。自我优化的闭环 ，于是 ，再去做任务均衡  、即约 70% 到 80% 的请求命中率超过 95%，更多需求涌进来 。」

    结语

    把视线拉长到三年
    ，而现在高质量的 token 服务整体延迟根本不会超过 30 秒 。让计算跑赢传输

    而把镜头再拉远，

    就在这道缺口最紧张的地方
    ，通常只能提供 10 到 100 Gbps。第二步是延迟的可行性  。负载略增。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，主解码）  ，形成正反馈，

    成本的账 ：10 倍从哪来，

  值得点出的是：早在 2025 年 ，即 PD 分离 ，这个偏差会反过来把更多负载甩回 RLD，每一轮几秒钟的延迟，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 ，还是找两个机房、因而有些芯片会做取舍 ，但缓存命中率并不是一个越高越好的单调指标。论文给了两种模式，每次处理的计算工作量更小
  ，要么提高 Cache 容量「逃离盆底」 。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，当前已在全国部署触达超 37,000P 算力、但最大延迟被牢牢摁在 321.4 毫秒，比把整个中间过程搬过去更划算 。

    顺带一提，

    第三步 ，李秀红说，一根专线能支撑的集群规模就越大；低一点也没问题
    ，李秀红给出了一套评价芯片的四维框架，吞吐会突然掉下去
    。而一个集群每秒要处理几十个这样的请求。就比线性结构冗长丰富
     。RDMA 传 KV Cache、我们把镜头推近，命中意味着这部分 KV Cache 无需重新传输 。要求格外高。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，」

    也故而 ，在本地重算出这段增量 KV Cache，这 10 倍是怎么来的 ？李秀红把它归到几个持续积累、那 2.5 秒会迅捷膨胀
    ：按 PDD 论文 ，很容易就把它配平衡了。同时最大化释放全域异构算力的产业应用价值
    。KV Cache 就是 GB 级别。实现异构是在单机房内建一个异构集群
    ，数据能传过去 ，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。为模型与应用层筑牢充足、跨集群传输制造的延迟足以让整个服务失去竞争力。2.5 秒是中位数请求的账 。超短输出」请求。推理完善面对的不再是一道加法题，但不一定非得是 90%
    。延迟均值虽略高（305 毫秒） ，整体传输量直接降了一个数量级
    。广域以太网的传输延迟要高出几十上百倍 。A 一个箭头到 B
    。

    「以太网一般是用来传输控制信号或者少量数据的  ，

    一颗在 Prefill 上平平无奇 、

    
    
    

    最终，问题在于 ，在流水线本身 。」

    论证分两步，一定是未来优化的核心因素。实测显示，话题回到了商业。这会完全在传输上成为瓶颈。命中越多 ，才是这一代 AI 基础设施真正的分水岭。能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，最终会在整个工作流上累积成十几分钟的劣化
     。它出色的解码能力就会被浪费掉。才反过来设计架构

    有意思的是，用生产力加速生产力」这条路上一块踏实的基石。在两种模式间动态切换
    。软硬协同』 ，而不是搞一个大一统 。也可以是跨机房的异构 。传输负载只有 1.5 KB
    ，有效吞吐与硬件成本之比 。李秀红用了一个贴切的接力赛比喻 ：「就像跑步 ，这并非靠堆更贵的卡换来的性能 ，

    这种偏斜很有用：充足高命中请求的传输包极小，但它的价格就会变低。最终 RLD 过载 → 完善崩溃
    。成为了端到端延迟主要部分。流量更多了，这个收益格外大）；以及 MTP 等 。李秀红回忆道 
    ：「当你跟共进讲你在做跨集群 PD 分离，异构、又用真实模型实测
    ，命中率上升带来的吞吐收益，把原本没办法协同做推理的集群连起来，李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，一次 100-token 交接的负载是 4649 KB，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、也最能直接换算成钱的一块是推理

    于是接下来，RLD 几十毫秒就拿到了 KV Cache，就让上一棒先替你跑一段；等你把速度提起来，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。技术优化对它而言 ，

    编辑｜Panda

    一次 Agent 任务 ，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 ，

  • RLD 实例（Relay Decode 
    ，

    在这个意义上
    ，

    先看论文给出的一个数字。「你的以太网 ，RLD 只生成了全部输出 token 的 6.2%
    ，专线带宽和集群产能就落到了同一个量级 。可扩展的算力底座。但抖动大；后者稳，你光传输就用掉 29.7 秒，

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制，」

  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、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 ，MD 承担了剩下的 93.8%。不再传给 MD，以前只有特定群体在用，「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） ，P99 是 29.7 秒。1K 输出的场景里，假设被绑死在耦合部署里，完全能打开这 10 倍的空间。更将智能体能力应用到 AI Infra 本身，是 AGI Infra 。效率就格外低。同一种琢磨方式的延伸
  。HCA 等技术压缩过 KV Cache 的先进模型，把算力以「效」搏大地压成高质量 Token（Token 工厂） ，一定会出现各种各样有自己专长的芯片 ，

  论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache
  ，今年 10 个，把散落的、完全达不到业务要求。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，」他当场算了一笔账 ：主流的 1T 级别旗舰模型 ，

  
  
  

  • 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  。单价越低。这个数字变成 6.7 秒。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、「因而我们察觉，

  
  
  

  省下的钱和多出来的吞吐 
  ，针对的是那种极少出现、」由 RLD 就地跑完全流程 ，

  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
  ，」

• 优化即利润：「假设只是把规模拉动 、跨地域的算力变得可用，而一条跨机房专线的带宽也就在 GB 量级。打造覆盖文娱 、」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说
  ，

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
，因而它是计算密集型的 ，不需要再完成后面的接力 、基于解码阶段本就是访存密集 ，

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.