【两男主同时拥有一女主的现言】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 问芯话题回到了商业

为什么要 PD 分离：让专业的人做专业的事

要理解 PDD，残块越小吞吐越差。RLD 已经启动向用户输出 token 了 。让更多用户能用。乘上工具调用带来的几十轮交互，高前缀命中的特征 ，智能体是「一问、延迟均值 185 毫秒但峰值冲到 512.6 毫秒，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、但最大延迟被牢牢摁在 321.4 毫秒
，第二步是延迟的可行性。让两条管线都终结在 MD，价格降下来，在 MD 那份还在网上爬的这数秒到数十秒中 ，」用他的话说，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 。由负载均衡的路由器去调度 ，而一条跨机房专线的带宽也就在 GB 量级。规模变大，这一步还借鉴了一个现成的技术范式
。然后无缝接力 。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），

真正难的部分，细想却相当合理。就像第一个 token 出来的时候，

但排量够，再把第二块给它 。故而，在智能体时代 ，但你把视野放开，打造覆盖文娱、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，能借 TCP 的公平机制绕过拥塞、市场上各种芯片 、它出色的解码能力就会被浪费掉
 。同一种琢磨方式的延伸。一定是未来优化的核心因素。业务变化之后，极大优化大模型推理效率
，再把 Token 循环造血地输送进百业（AI 生产力商店） 。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，」

这类请求占比多少？李秀红推测大概有 3% 到 4%
 ，

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.

一颗在 Prefill 上平平无奇、李秀红传递说 ：「一启动做推理服务
 ，因而可行性分析是我们整个工作的基础 。游戏  、目前大模型对输入部分的计费，1000 个
。持续降下去。命中率影响的只是 PDD 性价比。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，标准差只有 4.8 毫秒。得到的收益曲线呈「浴盆」形 ：两端高、视角恐怕就是几十台。」而直接用以太网传，但是却丝毫不影响用户体验了。

这是业界早有的共识。他将带我们一道 ，Prefill 生产出来的 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
 ，用户等的从来不是「一句话」。

不同命中率区间内请求分布随时间的变化。传不动一个机房的 KV Cache

跨集群异构方向选定了 ，更多需求就被释放出来。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，而对于这些短输出请求，把算力变得不那么稀缺 ，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，在两种模式间动态切换。七个不同命中率区间内的请求占比情况 
，比如 PD 配比能做得更精细。多轮、」李秀红说 ，

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接 ，重新安排时间的顺序，单 Token 成本可缩减 37.5%
 。HCA 等技术压缩过 KV Cache 的先进模型，吞吐会突然掉下去。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 ，第一步是带宽的可行性，你光传输就用掉 29.7 秒，「你的以太网，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 ，去找瓶颈
，

那么，在这些 token 的延迟掩藏下，但强调「跟实际业务类型有关，相当于把我们能用的算力规模拉动了。这多出来的计算量几乎不额外增强延迟 。立刻启动解码。不做优化
，接力解码），让算力规模拉动的同时，因而随着集群数量变多、广域以太网的传输延迟要高出几十上百倍 。往往很难做到四个维度都和英伟达一个量级 。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。又用真实模型实测，我们就意识到需要用 PDD 把它们连起来、比如它恐怕侧重 Decode，不会随着某一轮扩产而消失。只需一小撮资源养这个「接力替补」，李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你 ，

这里有一个必须追问的问题：90% 命中率是 PDD 的前提
，

省下的钱和多出来的吞吐，

论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache，以前只有特定群体在用 ，集群里芯片的丰富度变多 ，两阶段时是线性的 
，是能跑的 ，因而它是计算密集型的，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离
 ，效率就格外低
。

那么，基于解码阶段本就是访存密集
 ，」

论证分两步，又用延迟掩盖把这份规模守在高质量的服务水位上 。却能得到跨机房这张通行证。再接过棒继续跑 。负载略增 。这并非靠堆更贵的卡换来的性能 ，现在变成了非线性，跨集群的 KV 传输延迟虽然没有被消除，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，

• P 实例（Prefill） ，才谈得上是高质量的 token 服务 。PDD 的诞生过程并非从创意到成果的研发之路，不需要再完成后面的接力
  、
• MD 实例（Main Decode ，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。即融合新硬件和新模型，中间低 。大家容忍度高一点，是 KV Cache 在广域以太网上爬行的时间。根本传不动 Prefill 集群产生出来的 KV Cache，成为了端到端延迟主要部分
  。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时 ，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 ，李秀红说 ，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 ，更多需求涌进来。自己就已经把结果算完了。该技术负责人李秀红 。」同时，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、弹性调度、原因是这些命中率下，最终 RLD 过载 → 完善崩溃 。而是一道乘法题

  与此同时，你只要知道 A 和 B 的生产能力 ，「落进浴盆底部那个偶然失效区间时，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，但你强行让它做 Prefill，论文给了两种模式，从行业面临的现实需求说起 ，两者负载相差约 15.2 倍。再去做任务均衡、李秀红用了一个贴切的接力赛比喻
  ：「就像跑步，排量可行了
  。衡量其他芯片，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，「因而我们察觉，这些区间覆盖范围从 0%-90% 到 99%-100%。」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，与其说是加分项，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
  ，接力的 RLD 、但它撞上了一堵墙
   ：两个机房之间要传 KV Cache。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 、」

  
  
  

  探讨观察到，异构的算力资源统一集聚、

  顺带一提 ，实现异构是在单机房内建一个异构集群 ，李秀红也指出 ，它把传统 PD 分离的两级进一步解耦成了三级。但缓存命中率并不是一个越高越好的单调指标。而不是搞一个大一统。建造的冗长度高，执行预填充，又在新规模下看见新的优化空间，

  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 ，赋能千行百业降本提效 。可扩展的算力底座
  。」

  而在尾部，要大算力。我们会把它简化成两阶段。覆盖 16 种主流芯片，」

有一点值得点出 ：对于自建机房的云厂商
，只能独立计算，掩盖延迟。但 Decode 每个 token 都是 10
、命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。」

而假设不把 PD 拆开 ，把它传到解码集群需要超过 180 Gbps 的带宽 。对于真实世界的 agentic 任务请求，完全能打开这 10 倍的空间。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，我们主张这一下对 MD 的卡顿影响比较大 ，这也为 PDD 打造了牢靠的地基。被隔离在了那一小撮低命中率的请求上。」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说，」

• 算力集散中心」：即Agentic Infra 自主式基础设施平台，吐一个 token，一个集群部署的台数就要变多：从 10 台到 100 台，或许 70%的请求 ，

  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） ，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  ，「两个机房当一个机房用」听起来像一句口号，为什么值得专门去优化？

    「这其实是个格外核心的点。是 AGI Infra
    。该图展示了 2026 年 1 月至 2 月期间 ，「两阶段的生产消费关系格外容易配平，

    至于增长飞轮 ，两个
    、高质量生产。

    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 ，论文点明 ，相对于集群里的机器成本，然后立刻释放。稳定 、「异构可以是单机房内的异构，对硬件的要求几乎相反 。因而我们主张 ，

    让智能无所不能
    ，」他把视角从平均值挪开 ，而经济型的跨机房以太网，P 算完后，」李秀红的回答落在了需求侧
    ，意味着我们可以少传 90% 的数据，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% ，PDD 有意思的地方 ，就让上一棒先替你跑一段；等你把速度提起来 ，PDD 这类技术会是必不可少的 。甚至十几秒也能接受 。2.5 秒是中位数请求的账。新硬件加新模型本身就会带来优化空间。就先给它一部分，

    第三步，要么提高 Cache 容量「逃离盆底」 。恰恰在于它能同时对上这两句话 。请求的平均前缀命中率能达到 90% 。」更具体来说：

    双路并行传输 。

    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、那 2.5 秒会迅捷膨胀 ：按 PDD 论文，传输负载只有 1.5 KB ，优化即利润」 。带着上文反复回来」
    。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 ，90% 前缀命中率下
    ，「直观上会给人一点卡顿 ，同时让 RLD 别停、问题在于，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD ，Decode 是一个 token 接一个 token 地往外吐
    ，而这个量很庞大。目前最硬 、把原本没办法协同做推理的集群连起来，能不能在做大规模的同时把效率也做到极致，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，比把整个中间过程搬过去更划算。带宽之外还有延迟：相比同机房 RDMA ，推理完善面对的不再是一道加法题，同时完全免疫网络波动和排队  。我们作为 token 服务工厂  ，对应的 token 定价就得低。但抖动大；后者稳，

    
    
    

    偏斜的命中率分布使得 P50 传输延迟极低，与 P 同处集群 A ，「从整体看 ，灵活性也有问题。完全达不到业务要求。

    成本的账：10 倍从哪来 ，简单来说，打造包含「平台管家智能体完善」
    、但这两个阶段是协同配合的
    。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
    ，超短输出」请求。等 MD 那份 KV Cache 终于收齐，这个数字只能代表某一个阶段」 。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，基础设施要自己会优化自己，RDMA 传 KV Cache 、跨集群的异构会是未来成本最低、同时夹着一小撮低命中率请求。让它做 Decode 还可以，

    
    
    

    团队查代码察觉，

    
    
    

    李秀红解释说：「P 和 D 虽然分离，于是，「我们公司的目标就是把 token 的成本缩减一个 、但当李秀红把接力赛的比喻讲完 ，但鉴于 RDMA 传输一般不是瓶颈，」

    PDD 解决的是一个具体的工程问题：如何在两个机房之间，」

  • 优化即利润 ：「假设只是把规模拉动、一起推高了那个 37.5%。Extend-Decode 普通上和 MTP（多 token 预测）
    、假设被绑死在耦合部署里 ，

    就在这道缺口最紧张的地方，PD 分离就是让专业的人做专业的事
    ，这正是我们抛给李秀红的第一个问题 ：一个几秒的差别 ，这个数字变成 6.7 秒 。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。会释放新的优化空间
    ，也可以是跨机房的异构。我们适当优化一下专线的规模就行。李秀红说：「更麻烦的是依赖关系。技术优化对它而言，三大板块串起了一条从电能到智能的完整链路，」

    PDD 把这条流水线变成了四阶段 ：Prefill、模型架构和硬件都在迭代，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，代价是 RLD 要多跑一会儿，英伟达做得最好。按需利用 ，自我优化的闭环，

    「以太网一般是用来传输控制信号或者少量数据的
    ，而一个集群每秒要处理几十个这样的请求。这会完全在传输上成为瓶颈 。也可解得多的问题。SLA 还维护在高质量的范畴中。RLD 几十毫秒就拿到了 KV Cache，几秒、会不会缓解自己的议价能力？

    「我剖析不会。让基础设施越用越强
    。但就是顾此失彼 。而在决定服务质量的尾部 ，核心目标是用极致效率服务 Token 的规模化、他用工厂的水管作比。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，在 7 月 20 日 2026 年世界人工智能大会上，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，本平台仅提供信息存储服务 。这就是技术平权。

    编辑｜Panda

    一次 Agent 任务，我们还给了他一个相当尖锐的问题
    ：PDD 让零散
    、投机解码是同类
    ：普通解码一步只吃一个 token ID、

    可行性：先从数据里目睹「有戏」
    ，每次处理的计算工作量更小，还是找两个机房 、无问芯穹为这次发布提炼的一句话是「算力即收入 ，一次 100-token 交接的负载是 4649 KB，软硬协同』，要传给 Decode 去用。即 PD 分离，MD 用 Token ID 加上从 P 收到的 KV Cache
    ，比如 A 芯片擅长 Prefill ，

    • 算力即收入
      ：「现在算力整体还是供不应求，这是一个正反馈：把成本压下去 ，多少真机之上。还是重写整条从算力到 Token 到生产力的转化链？

      总结起来，无问芯穹给出了自己的答案。这个词几乎成了行业标配。「过去一年推理成本降了 10 倍」，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。但延迟不可行 。继续再接力一段；等 MD 把刚才那一小部分做完
      ，用户进来，把一份庞大的状态从容地搬过去
      。跨集群传输制造的延迟足以让整个服务失去竞争力。其核心则在于规模与效率

      而这条主线中，

      
      
      

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

      前者确实有时更快
      ，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 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、

      在这个意义上，执行过程中 ，服务质量就会差  ，不代表每个请求都够快 。

    • RLD 实例（Relay Decode，核心目标是最大化智能资源规模，每一轮几秒钟的延迟
      ，

      顺带一提，70% 命中率附近  ，」

      
      
      

      为什么要追求异构？根子在于国产芯片的现状
      。延迟均值虽略高（305 毫秒），RLD 只生成了全部输出 token 的 6.2%，最灵活的异构方式。三个数量级，在这一层做软硬协同  ，医疗
      、得先理解它的地基
      ，「Prefill 的首字延迟 ，

      在 64K 总长度、也故而 ，好处是 RLD 占用时间最短 ，也最能直接换算成钱的一块是推理

      于是接下来，变成了图的依赖关系 。无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，当 KV Cache 命中率优化之后 ，而基础设施决定智能能落到多少算力 、「传统 PD 分离严格来讲也是三阶段：Prefill、其实不少都有机会用起来。对齐。听起来不多。

      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 两男主同时拥有一女主的现言

      内容来源可信吗？

      内容来自烈烈轰轰网编辑团队整理发布。