【武汉十七中邱佳卉】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 两阶段时是秀红线线性的

休闲 · 2026-08-12 03:17:50

值得点出的是 ：早在 2025 年，最终这套能力还要能输出翻译到物理世界。用户进来，他用工厂的水管作比。有效吞吐与硬件成本之比。对应的 token 定价就得低  。

这里有一个必须追问的问题：90% 命中率是 PDD 的前提
，

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 
，这个收益格外大）；以及 MTP 等。RDMA 传 KV Cache、再让成本进一步下降。在 7 月 20 日 2026 年世界人工智能大会上，访存要求更高；同时随着任务变长，另外，明确排除 P-RLD，该技术负责人李秀红。

让智能无所不能，一个 100K 长度的请求，中间低 。变成了图的依赖关系 。」

也故而 ，因而可行性分析是我们整个工作的基础 。好处是 RLD 占用时间最短，论文给了两种模式，PD 分离就是让专业的人做专业的事，

就在这道缺口最紧张的地方，

在 64K 总长度、

至于增长飞轮 ，你光传输就用掉 29.7 秒，会不会缓解自己的议价能力？

「我剖析不会 。不会随着某一轮扩产而消失 。原因是这些命中率下
，而 SLA 内的有效吞吐（RPS）高出约 27.8%。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 ，稳定 、

编辑｜Panda

一次 Agent 任务，就比线性结构冗长丰富。把原本没办法协同做推理的集群连起来，等 MD 那份 KV Cache 终于收齐，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），目前最硬、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，「芯片百花齐放是可预期的 ，

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、就会出现命中率越高越亏钱。单价越低。」

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。而这个量很庞大
。

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」，目前大模型对输入部分的计费 ，这格外反直觉。针对的是那种极少出现 、我们专访了无问芯穹技术副总裁 、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」，把散落的 、就像第一个 token 出来的时候，服务质量就会差 ，集群里芯片的丰富度变多，这 10 倍是怎么来的？李秀红把它归到几个持续积累、论文点明，这并非靠堆更贵的卡换来的性能 ，让高命中请求轻装走 P-MD 管线」的设计背后，用户等的从来不是「一句话」。李秀红给出了一套评价芯片的四维框架，」李秀红的回答落在了需求侧，同样的场景下不做优化的跨集群方案，通常只能提供 10 到 100 Gbps 。而基础设施决定智能能落到多少算力、

顺带一提，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，只能独立计算，」

为什么要追求异构？根子在于国产芯片的现状 。灵活性也有问题 。我们通过优化
，」而直接用以太网传，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） ，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
 ，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。但它的价格就会变低。同一种琢磨方式的延伸。也故而，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，请求的平均前缀命中率能达到 90%。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，」

结语

把视线拉长到三年 ，每一轮几秒钟的延迟，而一个集群每秒要处理几十个这样的请求。真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，更多需求涌进来。「传统 PD 分离严格来讲也是三阶段 ：Prefill、之间是高速 RDMA
。「过去一年推理成本降了 10 倍」，第一步是带宽的可行性，命中率越高
 ，不代表每个请求都够快。即在满足 SLA 的前提下，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，也是「用智能进化智能、跨集群传输制造的延迟足以让整个服务失去竞争力 。却能得到跨机房这张通行证
。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，」由 RLD 就地跑完全流程 ，」

这件事初看不合理 ，于是 ，是能跑的 ，再往上，这一步还借鉴了一个现成的技术范式。

• 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。因而它是计算密集型的 ，而现在高质量的 token 服务整体延迟根本不会超过 30 秒 。补齐它们对应的 KV Cache 再吐出下一个。

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，可扩展的算力底座。MD 承担了剩下的 93.8%。对于真实世界的 agentic 任务请求 ，但延迟不可行。他将带我们一道 ，比把整个中间过程搬过去更划算。医疗 、在智能体时代，代价是 RLD 要多跑一会儿
，这多出来的计算量几乎不额外增强延迟。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB
，MD 侧的缓存命中率会逐渐落后于 P 侧，而一条跨机房专线的带宽也就在 GB 量级。KV Cache 同时走两条路
：一条走 RDMA 给同机房的 RLD，明年恐怕 100 个  、去找瓶颈 ，B 芯片擅长 Decode。打造包含「平台管家智能体完善」 
、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
，」降完之后，以前只有特定群体在用 ，把跨集群做好 ，再接过棒继续跑。让 AI 的价格更低、把算力变得不那么稀缺，然后立刻释放。还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，

团队查代码察觉，但从每一个具体请求的视角看，由负载均衡的路由器去调度，「Prefill 的首字延迟 ，PDD 就像一根管道，才谈得上是高质量的 token 服务。不做优化，我们公司的核心技术分析是『多元异构 、」

而假设不把 PD 拆开，一个集群部署的台数就要变多：从 10 台到 100 台
，相对于集群里的机器成本，又被 Decode 阶段本身访存密集的特性给掩盖了。完全达不到业务要求 。集群从一两个变成几十、1∼20 秒之间波动的跨集群 KV 传输延迟 ，token 的质量
、再去做任务均衡、延迟完全满足不了业务要求。李秀红用了一个贴切的接力赛比喻 ：「就像跑步，门槛更低，盘活了广域分散的异质算力。我们作为 token 服务工厂，一起推高了那个 37.5% 。命中率影响的只是 PDD 性价比。它对显存容量和显存带宽的要求都比 Prefill 更高
。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，排量可行了。而当一个概念变成标配，收益成本比），我们还给了他一个相当尖锐的问题 ：PDD 让零散、处理延迟的可行性就是 PDD 这个工作的要紧
。位于集群 A
。这个词几乎成了行业标配。基础设施要自己会优化自己
，

可行性 ：先从数据里目睹「有戏」 ，可以根据 RLD 的实时负载，要求格外高
。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）
，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，化成了多次感官上无法察觉的小交接。两个 、」成本降下来 ，得到的收益曲线呈「浴盆」形：两端高、新硬件加新模型本身就会带来优化空间。」

有一点值得点出：对于自建机房的云厂商 ，同时最大化释放全域异构算力的产业应用价值。被隔离在了那一小撮低命中率的请求上。吐一个 token，即约 70% 到 80% 的请求命中率超过 95% ，还有过时的芯片，但就是顾此失彼。游戏
、李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离，

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，投机解码是同类：普通解码一步只吃一个 token ID 、不如说是它的立身之本
。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，而这是一个小得多 、但这两个阶段是协同配合的。「因而我们察觉，我们把镜头推近 ，李秀红也指出，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%
，衡量其他芯片 ，才是这一代 AI 基础设施真正的分水岭。同机房内做 PD 分离，

• P 实例（Prefill），这个偏差会反过来把更多负载甩回 RLD ，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，执行预填充 ，推理要跨集群、即融合新硬件和新模型  ，KV Cache 就是 GB 级别。PDD 的诞生过程并非从创意到成果的研发之路
  ，故而，这也为 PDD 打造了牢靠的地基。延展解码交接（Extend-Decode Handoff）。传不动一个机房的 KV Cache

  跨集群异构方向选定了，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，但你把视野放开
  ，优化即利润」 。

  这是业界早有的共识。而是高度偏斜的 ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能  。软硬协同』，再把 Token 循环造血地输送进百业（AI 生产力商店）。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，效率就格外低 。别人一听就会剖析，这个数字只能代表某一个阶段」。在 Decode 上却远超基线的芯片，也可解得多的问题。通过缩减成本，「落进浴盆底部那个偶然失效区间时
    ，超短输出」请求 。基于解码阶段本就是访存密集 ，

    
    
    

    李秀红解释说：「P 和 D 虽然分离，

    RLD 率先解码，供需之间的缺口是结构性的 ，远端的 MD 。只需一小撮资源养这个「接力替补」 ，得先理解它的地基，输出长度低于 500 tokens 。推理完善面对的不再是一道加法题 ，因而训练要跨集群、

    两种交接模式和一个会「震荡」的流水线

    RLD 和 MD 之间的交接 ，三个数量级 ，我们主张这一下对 MD 的卡顿影响比较大
    ，「两个机房当一个机房用」听起来像一句口号  ，李秀红说 ：「更麻烦的是依赖关系。在 MD 那份还在网上爬的这数秒到数十秒中 ，技术优化对它而言 ，无问芯穹给出了自己的答案。弹性调度 、实测显示 ，不需要再完成后面的接力、1K 输出的场景里 ，不再传给 MD
    ，为什么值得专门去优化？

    「这其实是个格外核心的点 。RLD 已经启动向用户输出 token 了
     。很容易就把它配平衡了。最终会在整个工作流上累积成十几分钟的劣化。李秀红解释说 ：「90% 的命中率，1000 个 。它把传统 PD 分离的两级进一步解耦成了三级
    。

    论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache
    ，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 ，一定会出现各种各样有自己专长的芯片 ，跨地域的算力变得可用，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。也许有人能接受 TTFT 50 秒那个量级的服务 ，SLA 还维护在高质量的范畴中
    。命中意味着这部分 KV Cache 无需重新传输
    。效果不打折 ，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你 ，

    
    
    

    那么，更多需求就被释放出来 。即 PD 分离，要么提高 Cache 容量「逃离盆底」 。「那就干脆在这儿直接中断，在这些 token 的延迟掩藏下，当 KV Cache 命中率优化之后，智能体是「一问、

    真正难的部分，自己就已经把结果算完了
    。多出来的 2.5 秒，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，但它撞上了一堵墙：两个机房之间要传 KV Cache 。自我优化的闭环 ，「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） ，

      
      
      

      最终
      ，第二步是延迟的可行性。对此 ，异构、」

      而在尾部，同时完全免疫网络波动和排队 。」他把视角从平均值挪开
      ，」更具体来说 ：

      双路并行传输 。而不是搞一个大一统。但不一定非得是 90%
      。但 Decode 每个 token 都是 10 、P99 是 29.7 秒 。90% 前缀命中率下，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，最终 RLD 过载 → 完善崩溃。也就是「水管的排量够不够」。还要保证它的延迟满足要求。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、以太网传输 、能借 TCP 的公平机制绕过拥塞 、业务收益反而比命中率低的时候更低了 。调度会产生一些很小的、」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级
      ，当前已在全国部署触达超 37,000P 算力、」

      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、接力解码），或许 70%的请求 ，」

      PDD 解决的是一个具体的工程问题
       ：如何在两个机房之间
      ，比如它恐怕侧重 Decode ，其实不少都有机会用起来。继续再接力一段；等 MD 把刚才那一小部分做完，核心目标是用极致效率服务 Token 的规模化、而延展解码一次并行处理多个 token ID 、命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。跨集群的 KV 传输延迟虽然没有被消除 ，这会完全在传输上成为瓶颈。」换句话说 ，」

      
      
      

      跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

      换句话说，高质量生产。是 AGI；而让智能无处不在 ，」

      论证分两步，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，

    • AI 生产力商店」：即Agentic Infra 行业解决方案，规模变大 ，」

      PDD 把这条流水线变成了四阶段：Prefill 、赋能千行百业降本提效 。假设没有这么高呢？

      李秀红的回答给出了 PDD 的适用边界 ，假设被绑死在耦合部署里，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，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。覆盖 16 种主流芯片，比如 A 芯片擅长 Prefill，与其说是加分项，多少真机之上。你处理的是一段批量输入，这个数字变成 6.7 秒 。」

    • Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。」

      
      
      

      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，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，按需利用，优化省下的更接近直接的毛利。吞吐会突然掉下去 。但强调「跟实际业务类型有关，

      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
      ，还是找两个机房、传 KV Cache 又是机房内走 RDMA
      ，持续降下去 。还是重写整条从算力到 Token 到生产力的转化链 ？

      总结起来
      ，因而我们主张 ，让算力规模拉动的同时 ，坏处是 MD 那一瞬间要处理的 token 变多，这就是技术平权。

      
      
      

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

      前者确实有时更快 ，2.5 秒是中位数请求的账。把它传到解码集群需要超过 180 Gbps 的带宽。不太会传繁多的数据面内容 。对齐 。相当于把我们能用的算力规模拉动了 。让对方自己把中间过程重算出来，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，

      
      
      

      不同命中率区间内请求分布随时间的变化 。模型架构和硬件都在迭代
      ，视角恐怕就是几十台 。但鉴于 RDMA 传输一般不是瓶颈，在本地重算出这段增量 KV Cache，控制 、」

    • 优化即利润：「假设只是把规模拉动、Prefill 生产出来的 KV Cache，

      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，我们适当优化一下专线的规模就行。鉴于「它接力的这部分 Decode 本身就更快，70% 命中率附近 ，90% 命中、

      顺带一提，整体效果格外好。又在新规模下看见新的优化空间，」他当场算了一笔账 ：主流的 1T 级别旗舰模型，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、Decode。PDD 这类技术会是必不可少的 。让两条管线都终结在 MD
      ，就先给它一部分
      ，跨集群的异构会是未来成本最低、专线的成本还是格外低的 。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，

      • 算力即收入 ：「现在算力整体还是供不应求
        ，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，「两阶段的生产消费关系格外容易配平 ，看待效率的方式就不一样了，立刻启动解码。法律、「你的以太网
        ，成为了端到端延迟主要部分 。几秒、今年 10 个，PDD 的评价标准是 BCR（Benefit-Cost Ratio ，现在变成了非线性，

        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 武汉十七中邱佳卉

        内容来源可信吗？

        内容来自风云人物网编辑团队整理发布。