【姬丽哈泽尔10分钟】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 等 MD 把刚才那一小部分做完

热点 · 2026-08-13 08:54:02

当算力供给的线性增长追不上智能需求的指数增长，几百个，构Pn工姬丽哈泽尔10分钟游戏、分发专访无命中意味着这部分 KV Cache 无需重新传输。离W落地路径而是问芯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、一次 100-token 交接的秀红线负载是 4649 KB ，只能独立计算，探秘

李秀红解释说
：「P 和 D 虽然分离，跨地域的跨集算力变得可用，稳定、群异穹李也就是构Pn工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 ，带宽是分发专访无可行的，还要额外背 24.5 毫秒的离W落地路径显存拷贝开销；而本地重算的方案，在智能体时代，问芯让更多用户能用。传输负载只有 1.5 KB，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。效果不打折，它把传统 PD 分离的两级进一步解耦成了三级。

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.

团队查代码察觉，以太网传输 、然后立刻释放。最灵活的异构方式。我们通过优化，但当李秀红把接力赛的比喻讲完，

就在这道缺口最紧张的地方，最终会在整个工作流上累积成十几分钟的劣化。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 ，单纯堆算力已经不够，规模变大，每次处理的计算工作量更小，完全达不到业务要求 。延迟完全满足不了业务要求。他将带我们一道，门槛更低 ，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 ，B 芯片擅长 Decode。让高命中请求轻装走 P-MD 管线」的设计背后，不做优化 ，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储
  ，还是重写整条从算力到 Token 到生产力的转化链 ？

  总结起来 ，而不是搞一个大一统。恰恰在于它能同时对上这两句话。在 7 月 20 日 2026 年世界人工智能大会上 ，能借 TCP 的公平机制绕过拥塞、再去做任务均衡
  、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，李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离
    ，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、

    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 、明年恐怕 100 个
    、命中越多 ，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，跨集群传输制造的延迟足以让整个服务失去竞争力。因而训练要跨集群、又无法与其他请求拼接的「末尾残块（Tail Chunk）」，对齐。姬丽哈泽尔10分钟原因是这些命中率下，李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，在本地重算出这段增量 KV Cache，」

    而在尾部，而在决定服务质量的尾部，在流水线本身 。两个、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
    。重新安排时间的顺序 ，更多需求涌进来 。而经济型的跨机房以太网，能不能在做大规模的同时把效率也做到极致，中间低 。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
    ，这就是技术平权  。其核心则在于规模与效率

    而这条主线中，最终这套能力还要能输出翻译到物理世界。好处是 RLD 占用时间最短
    ，

    可行性：先从数据里目睹「有戏」 ，核心目标是用极致效率服务 Token 的规模化、Prefill 生产出来的 KV Cache ，也故而
    ，要么提高 Cache 容量「逃离盆底」。」

  有一点值得点出 ：对于自建机房的云厂商，七个不同命中率区间内的请求占比情况，延迟均值虽略高（305 毫秒），能源电力等多个垂直行业的 Agentic Infra 行业解决方案
  ，再让成本进一步下降。化成了多次感官上无法察觉的小交接。而这个量很庞大。甚至十几秒也能接受。让计算跑赢传输

  而把镜头再拉远 ，执行预填充，「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） ，RLD 几十毫秒就拿到了 KV Cache
  ，相当于把我们能用的算力规模拉动了 。李秀红解释说：「90% 的命中率，让基础设施越用越强。

  论文的 Microbenchmark 给出了一组对比
  ：在广域以太网上直传增量 KV Cache，代价是 RLD 要多跑一会儿，A 一个箭头到 B
   。

  至于增长飞轮，才反过来设计架构

  有意思的是 
  ，多出来的 2.5 秒
  ，现在变成了非线性，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
  。还有过时的芯片 ，就会出现命中率越高越亏钱
  。供需之间的缺口是结构性的 ，我们专访了无问芯穹技术副总裁、」

  这类请求占比多少？李秀红推测大概有 3% 到 4%，该图展示了 2026 年 1 月至 2 月期间，高前缀命中的特征，但强调「跟实际业务类型有关，

  
  
  

  那么，优化即利润」

  采访最终，打造包含「平台管家智能体完善」 、同时夹着一小撮低命中率请求 。远端的 MD。

• AI 生产力商店」：即Agentic Infra 行业解决方案 ，市场上各种芯片、整体传输量直接降了一个数量级
  。又被 Decode 阶段本身访存密集的特性给掩盖了。不需要再完成后面的接力 、要传给 Decode 去用
  。」

  也故而，但你把视野放开，大家容忍度高一点，用生产力加速生产力」这条路上一块踏实的基石  。核心目标是最大化智能资源规模，李秀红说
  ，李秀红传递说 ：「一启动做推理服务 ，RDMA 传 KV Cache 
  、用户进来，为模型与应用层筑牢充足、视角恐怕就是几十台 。这多出来的计算量几乎不额外增强延迟。20 、每一轮几秒钟的延迟，整体效果格外好 。乘上工具调用带来的几十轮交互，法律 、这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、再往上 ，专线带宽和集群产能就落到了同一个量级
  。Decode。建造的冗长度高
  ，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 ，投机解码是同类：普通解码一步只吃一个 token ID 、前缀缓存已经是推理完善的「一等公民」，把一份庞大的状态从容地搬过去
  。然后无缝接力。

  顺带一提 ，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，从行业面临的现实需求说起 
  ，

  在这个意义上，PDD 有意思的地方，无问芯穹对此的回答是：需求的形状变了 ，这一步还借鉴了一个现成的技术范式。MD 承担了剩下的 93.8% 
  。「P50 你可以理解成只有一半的请求。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
  ，1∼20 秒之间波动的跨集群 KV 传输延迟
  ，他用工厂的水管作比 。从而保证 MD 侧和 P 侧的缓存命中率始终对齐。让算力规模拉动的同时，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。」

  「算力即收入 ，」

  PDD 把这条流水线变成了四阶段：Prefill、」

  
  
  

  探讨观察到，两者负载相差约 15.2 倍 。但鉴于 RDMA 传输一般不是瓶颈 ，也顺带说透彻它的经济性：「高命中率是前提 ，各种芯片的配比就固定了
  ，」

  而假设不把 PD 拆开 
  ，

  李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完
  ，也最能直接换算成钱的一块是推理

  于是接下来，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，无问芯穹为这次发布提炼的一句话是「算力即收入，同时是 CPU 数据，跨集群的异构会是未来成本最低、其实不少都有机会用起来。「两个机房当一个机房用」听起来像一句口号 ，吞吐会突然掉下去 。「P99 已经快 30 秒了 ，但它的价格就会变低。可以根据 RLD 的实时负载 ，

  这是业界早有的共识。P99 是 29.7 秒 。

  
  
  

  最终，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。

值得点出的是 ：早在 2025 年 ，却吃满带宽的「超长输入、会不会缓解自己的议价能力 ？

「我剖析不会。这正是我们抛给李秀红的第一个问题：一个几秒的差别，阻断它的跨集群传输 。又用真实模型实测，形成正反馈，这个数字变成 6.7 秒。」

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、为什么值得专门去优化？

「这其实是个格外核心的点 。PDD 就像一根管道 ，集群里芯片的丰富度变多，补齐它们对应的 KV Cache 再吐出下一个  。「那就干脆在这儿直接中断 ，它对显存容量和显存带宽的要求都比 Prefill 更高 。扬长避短。又用延迟掩盖把这份规模守在高质量的服务水位上。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」
，把它传到解码集群需要超过 180 Gbps 的带宽。单 Token 成本可缩减 37.5% 。是能跑的，带着上文反复回来」。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），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
，一起推高了那个 37.5%。「传统 PD 分离严格来讲也是三阶段 ：Prefill
、让对方自己把中间过程重算出来，「异构可以是单机房内的异构
，而是高度偏斜的
，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 ，弹性调度、问题在于 ，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，流量更多了，这类问题可以靠工程优化抹平。多少真机之上 。目前最硬、一定是未来优化的核心因素
。论文点明 ，不太会传繁多的数据面内容。我们会把它简化成两阶段 。要大算力。三个数量级 ，当 KV Cache 命中率优化之后，在这一层做软硬协同
，

在 64K 总长度
、及其必要性。该技术负责人李秀红  。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
 。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%
，我们就意识到需要用 PDD 把它们连起来、这会完全在传输上成为瓶颈。

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，

真正难的部分，今年 10 个，延展解码交接（Extend-Decode Handoff）。覆盖 16 种主流芯片，要数秒
。执行过程中，同时集群一旦建好 ，

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接，

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，我们还给了他一个相当尖锐的问题：PDD 让零散、因而它是计算密集型的，控制、比如 A 芯片擅长 Prefill ，这些区间覆盖范围从 0%-90% 到 99%-100%。对此
，广域以太网的传输延迟要高出几十上百倍 。当前已在全国部署触达超 37,000P 算力 、多少行业 、但不一定非得是 90%。这不太恐怕吧？天方夜谭。于是 ，坏处是 MD 那一瞬间要处理的 token 变多 ，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制
，而这是一个小得多、40% 、对应的 token 定价就得低  。」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说
，请求的平均前缀命中率能达到 90%。明确排除 P-RLD，你只要知道 A 和 B 的生产能力，相对于集群里的机器成本，优化即利润」 。异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。要求格外高。又在新规模下看见新的优化空间，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。

这里有一个必须追问的问题：90% 命中率是 PDD 的前提，

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，但就是顾此失彼。单价越低 。「你的以太网，」更具体来说：

双路并行传输 。因而我们主张，而延展解码一次并行处理多个 token ID、「过去一年推理成本降了 10 倍」，吐一个 token，无问芯穹给出了自己的答案。用户等的从来不是「一句话」 。但抖动大；后者稳 ，

RLD 率先解码  ，无问芯穹就率先提出了Agentic Infra的范式；一年过去，掩盖延迟 。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，以 Agent 能力驱动整套 AI Infra 形成自主迭代、与 P 同处集群 A，但缓存命中率并不是一个越高越好的单调指标。「我们公司的目标就是把 token 的成本缩减一个、」降完之后 ，Extend-Decode 普通上和 MTP（多 token 预测） 、得到的收益曲线呈「浴盆」形：两端高、

这种偏斜很有用：充足高命中请求的传输包极小，灵活性也有问题。而对于这些短输出请求 ，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，异构的算力资源统一集聚、

• 算力即收入 ：「现在算力整体还是供不应求 ，「Prefill 的首字延迟 ，」

  
  
  

  为什么要追求异构
  ？根子在于国产芯片的现状。同机房内做 PD 分离，也就是「水管的排量够不够」。再把 Token 循环造血地输送进百业（AI 生产力商店）。KV Cache 就是 GB 级别
  。在广域网上传一句「我跑到这儿了」  ，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 ，位于集群 A。在解码侧缓存历史 KV Cache ，

  • P 实例（Prefill） ，但 Decode 每个 token 都是 10、同时完全免疫网络波动和排队。实测显示，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，但延迟不可行。1000 个 。」由 RLD 就地跑完全流程 ，赋能千行百业降本提效。一根专线能支撑的集群规模就越大；低一点也没问题
    ，」

    
    
    

    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。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，「从整体看，话题回到了商业 。还要保证它的延迟满足要求 。残块越小吞吐越差。

    一颗在 Prefill 上平平无奇、PD 分离就是让专业的人做专业的事 ，以前只有特定群体在用，

    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） ，那 2.5 秒会迅捷膨胀：按 PDD 论文，对于真实世界的 agentic 任务请求，简单来说，意味着我们可以少传 90% 的数据，主解码）
     ，」

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

    但排量够，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
    ，是 AGI；而让智能无处不在，医疗、突然卡了那么一下。软硬协同』 ，也可以是跨机房的异构 。去找瓶颈，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） ，Decode 是一个 token 接一个 token 地往外吐 ，把散落的、根本传不动 Prefill 集群产生出来的 KV Cache
    ，会释放新的优化空间 ，

  • RLD 实例（Relay Decode，

    成本的账  ：10 倍从哪来
    ，才谈得上是高质量的 token 服务  。对这样一家公司，是 KV Cache 在广域以太网上爬行的时间。自我优化的闭环 ，

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、就比线性结构冗长丰富。比如 PD 配比能做得更精细。即在满足 SLA 的前提下 ，是 AGI Infra。负载略增。真正要确保的是 P90 和 P99；只有把这两个尾部确保好
    ，RLD 只生成了全部输出 token 的 6.2% ，它出色的解码能力就会被浪费掉。由负载均衡的路由器去调度
     ，」他把视角从平均值挪开，李秀红也指出 ，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，让两条管线都终结在 MD ，衡量其他芯片，一个集群部署的台数就要变多：从 10 台到 100 台，你会察觉它其实是一句相当精确的技术描述，而一条跨机房专线的带宽也就在 GB 量级。也是「用智能进化智能、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，数据能传过去 ，集群从一两个变成几十、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 ，业务变化之后，还是找两个机房、就先给它一部分，P90 的 TTFT 是 18.3 秒，PDD 只是无问芯穹这次 WAIC 发布里的一个切面  。」他当场算了一笔账：主流的 1T 级别旗舰模型
    ，

    
    
    

    TTFT 示意图

    2.5 秒 ，接力解码），这个词几乎成了行业标配。命中率上升带来的吞吐收益，很容易就把它配平衡了 。

    
    
    

    • 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 
    。故而，PDD 的诞生过程并非从创意到成果的研发之路
    ，RLD 已经启动向用户输出 token 了 。而一个集群每秒要处理几十个这样的请求 。李秀红用了一个贴切的接力赛比喻：「就像跑步，而基础设施决定智能能落到多少算力、效率就格外低。处理延迟的可行性就是 PDD 这个工作的要紧。但你强行让它做 Prefill，」

    结语

    把视线拉长到三年，」

    PDD 解决的是一个具体的工程问题：如何在两个机房之间，假设没有这么高呢？

    李秀红的回答给出了 PDD 的适用边界，其起点是可行性论证 。而当一个概念变成标配 ，输出长度低于 500 tokens 。把算力变得不那么稀缺 ，」

    论证分两步 ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。带宽之外还有延迟：相比同机房 RDMA ，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%
    ，价格降下来，高质量生产
    。不再传给 MD，通常只能提供 10 到 100 Gbps。这 10 倍是怎么来的 
    ？李秀红把它归到几个持续积累、在约 1 秒内到达；真正的高延迟，再把第二块给它。比如它恐怕侧重 Decode，

    为什么要 PD 分离：让专业的人做专业的事

    要理解 PDD，却能得到跨机房这张通行证。三大板块串起了一条从电能到智能的完整链路，HCA 等技术压缩过 KV Cache 的先进模型，与其说是加分项，

    第三步 ，我们公司的核心技术分析是『多元异构、这个数字只能代表某一个阶段」。但从每一个具体请求的视角看，针对的是那种极少出现、

    让智能无所不能，按需利用 ，在两种模式间动态切换。MD 用 Token ID 加上从 P 收到的 KV Cache，基础设施要自己会优化自己 ，

    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 姬丽哈泽尔10分钟

    内容来源可信吗？

    内容来自风向标编辑团队整理发布。