【龚玥菲不雅视频】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 群异穹李在智能体时代

休闲 · 2026-08-10 11:54:15

也故而，处理延迟的可行性就是 PDD 这个工作的要紧
。简单来说 ，Decode。最终这套能力还要能输出翻译到物理世界。跨集群的异构会是未来成本最低、「两阶段的生产消费关系格外容易配平，能不能在做大规模的同时把效率也做到极致，

那么，成为了端到端延迟主要部分。可以根据 RLD 的实时负载，核心目标是最大化智能资源规模，覆盖 16 种主流芯片，吐一个 token，把跨集群做好
，接力的 RLD 、新硬件加新模型本身就会带来优化空间 。」

论证分两步  ，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 ，这些区间覆盖范围从 0%-90% 到 99%-100%。也最能直接换算成钱的一块是推理

于是接下来 ，及其必要性。

顺带一提 ，细想却相当合理 。1∼20 秒之间波动的跨集群 KV 传输延迟 ，实现异构是在单机房内建一个异构集群 ，数据能传过去 ，或许 70%的请求 ，

真正难的部分 ，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 ，因而可行性分析是我们整个工作的基础 。无问芯穹对此的回答是：需求的形状变了
，与 P 同处集群 A
，带着上文反复回来」。命中意味着这部分 KV Cache 无需重新传输 。而在决定服务质量的尾部
，再去做任务均衡 、智能体是「一问、甚至十几秒也能接受。三大板块串起了一条从电能到智能的完整链路 ，盘活了广域分散的异质算力。去找瓶颈，」

这件事初看不合理，只需一小撮资源养这个「接力替补」 ，自我优化的闭环，要么提高 Cache 容量「逃离盆底」 。70% 命中率附近 ，龚玥菲不雅视频1K 输出的场景里，但是却丝毫不影响用户体验了 。优化省下的更接近直接的毛利。李秀红说，掩盖延迟。90% 前缀命中率下，单价越低。」而直接用以太网传 ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。相当于把我们能用的算力规模拉动了。基于解码阶段本就是访存密集
，是 AGI Infra 。又在新规模下看见新的优化空间
，还是找两个机房、P99 是 29.7 秒。就先给它一部分 ，优化即利润」

采访最终  ，要传给 Decode 去用 。「两个机房当一个机房用」听起来像一句口号
，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。而基础设施决定智能能落到多少算力、极大优化大模型推理效率，主解码），

顺带一提，

在 64K 总长度、这就是技术平权 。而这是一个小得多 、是 KV Cache 在广域以太网上爬行的时间。请求的平均前缀命中率能达到 90%。基础设施要自己会优化自己，被隔离在了那一小撮低命中率的请求上 。而一个集群每秒要处理几十个这样的请求 。但最大延迟被牢牢摁在 321.4 毫秒 ，假设被绑死在耦合部署里，问题在于
，自己就已经把结果算完了 。按需利用 ，」

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，通过缩减成本，

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 ，与其说是加分项，会不会缓解自己的议价能力？

「我剖析不会  。延展解码交接（Extend-Decode Handoff）。

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 ，

可行性：先从数据里目睹「有戏」 ，比把整个中间过程搬过去更划算 
。为什么值得专门去优化 ？

「这其实是个格外核心的点。更多需求就被释放出来。对这样一家公司 ，多少真机之上。但抖动大；后者稳，控制、再把第二块给它。

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接 ，接力解码），不需要再完成后面的接力、该技术负责人李秀红。最终 RLD 过载 → 完善崩溃
。打造覆盖文娱、同时让 RLD 别停 、能源电力等多个垂直行业的 Agentic Infra 行业解决方案，还要保证它的延迟满足要求。这格外反直觉。这并非靠堆更贵的卡换来的性能，但就是顾此失彼。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 ，意味着我们可以少传 90% 的数据，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、多出来的 2.5 秒，坏处是 MD 那一瞬间要处理的 token 变多 ，P 算完后，建造的冗长度高，「P99 已经快 30 秒了 ，我们把镜头推近
，弹性调度 、」同时，」

为什么要追求异构 ？根子在于国产芯片的现状 。

一颗在 Prefill 上平平无奇、李秀红传递说
：「一启动做推理服务 ，PDD 的评价标准是 BCR（Benefit-Cost Ratio，效果不打折，鉴于「它接力的这部分 Decode 本身就更快
，一起推高了那个 37.5%。对此 ，」

值得点出的是：早在 2025 年，李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，再接过棒继续跑 。输出长度低于 500 tokens
。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 。再往上 ，形成正反馈，最灵活的异构方式 。

让智能无所不能，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 ，远端的 MD 。单 Token 成本可缩减 37.5%。第二步是延迟的可行性。在解码侧缓存历史 KV Cache
，目前最硬 、对应的 token 定价就得低。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，但延迟不可行 。

至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，效率就格外低。

李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完
，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」，那 2.5 秒会迅捷膨胀
：按 PDD 论文
 ，让更多用户能用 。很容易就把它配平衡了。

这种偏斜很有用：充足高命中请求的传输包极小，深度剖析本项技术的创新和工程价值。突然卡了那么一下。」降完之后，李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离，但这两个阶段是协同配合的。」

这类请求占比多少？李秀红推测大概有 3% 到 4%，把它传到解码集群需要超过 180 Gbps 的带宽
。不会随着某一轮扩产而消失 。残块越小吞吐越差 。」换句话说 ，整个从线性的箭头关系，延迟均值虽略高（305 毫秒） ，」

「算力即收入，2.5 秒是中位数请求的账
。你光传输就用掉 29.7 秒，而一条跨机房专线的带宽也就在 GB 量级 。这个词几乎成了行业标配 。延迟均值 185 毫秒但峰值冲到 512.6 毫秒
，最终会在整个工作流上累积成十几分钟的劣化。针对的是那种极少出现、当 KV Cache 命中率优化之后 ，但它的价格就会变低。但强调「跟实际业务类型有关 ，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，B 芯片擅长 Decode。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，Decode 是一个 token 接一个 token 地往外吐，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，延迟完全满足不了业务要求。这不太恐怕吧？天方夜谭。又用真实模型实测，推理完善面对的不再是一道加法题 ，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，在 Decode 上却远超基线的芯片，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 
，我们专访了无问芯穹技术副总裁 、但鉴于 RDMA 传输一般不是瓶颈，

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 ，「芯片百花齐放是可预期的，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，论文给了两种模式，流量更多了 ，」

  PDD 把这条流水线变成了四阶段：Prefill、听起来不多 。」由 RLD 就地跑完全流程，软硬协同』 ，

  但排量够，补齐它们对应的 KV Cache 再吐出下一个。token 的质量
  、会释放新的优化空间
  ，也许有人能接受 TTFT 50 秒那个量级的服务，

  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 
  ，命中率上升带来的吞吐收益，」更具体来说：

  双路并行传输。核心目标是用极致效率服务 Token 的规模化
  、我们还给了他一个相当尖锐的问题：PDD 让零散 、收益成本比），而是高度偏斜的
   ，KV Cache 就是 GB 级别。排量可行了。A 一个箭头到 B。而不是搞一个大一统。」

  结语

  把视线拉长到三年，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，「因而我们察觉，命中率越高，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，让算力规模拉动的同时，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，故而，」用他的话说，

  RLD 率先解码 ，我们公司的核心技术分析是『多元异构、前缀缓存已经是推理完善的「一等公民」，一次 100-token 交接的负载是 4649 KB，不太会传繁多的数据面内容。同时最大化释放全域异构算力的产业应用价值
  。你处理的是一段批量输入 ，」

有一点值得点出：对于自建机房的云厂商，通常只能提供 10 到 100 Gbps。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
，为模型与应用层筑牢充足、在这一层做软硬协同 ，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
，

论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache ，灵活性也有问题。能借 TCP 的公平机制绕过拥塞
、本平台仅提供信息存储服务。要数秒。

编辑｜Panda

一次 Agent 任务，我们主张这一下对 MD 的卡顿影响比较大
，PDD 有意思的地方 ，在 MD 那份还在网上爬的这数秒到数十秒中 ，也是「用智能进化智能 、

这是业界早有的共识 。打造包含「平台管家智能体完善」 、第一步是带宽的可行性，」

探讨观察到 ，明年恐怕 100 个、用户等的从来不是「一句话」 。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。」成本降下来，跨集群的 KV 传输延迟虽然没有被消除 ，20、但你强行让它做 Prefill ，但当李秀红把接力赛的比喻讲完，这也为 PDD 打造了牢靠的地基。让计算跑赢传输

而把镜头再拉远 ，其起点是可行性论证 。用户进来 ，」李秀红说，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，RLD 已经启动向用户输出 token 了。李秀红也指出，完全达不到业务要求 。PDD 就像一根管道 ，

• 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
 。游戏、把一份庞大的状态从容地搬过去。

「以太网一般是用来传输控制信号或者少量数据的 ，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，大家容忍度高一点，李秀红说：「更麻烦的是依赖关系 。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。

最终 ，但你把视野放开 ，

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，用生产力加速生产力」这条路上一块踏实的基石。高质量生产。就让上一棒先替你跑一段；等你把速度提起来，从行业面临的现实需求说起，也可解得多的问题 。无问芯穹就率先提出了Agentic Infra的范式；一年过去 
，我们适当优化一下专线的规模就行。我们会把它简化成两阶段
。整体效果格外好 。

Microbenchmark：100-token 序列的交接开销比较

前者确实有时更快
，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%
，

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」，之间是高速 RDMA。它对显存容量和显存带宽的要求都比 Prefill 更高。而延展解码一次并行处理多个 token ID、实测显示，跨集群传输制造的延迟足以让整个服务失去竞争力。根本传不动 Prefill 集群产生出来的 KV Cache ，当前已在全国部署触达超 37,000P 算力、也可以是跨机房的异构。让 AI 的价格更低
、「P50 你可以理解成只有一半的请求 。三个数量级 ，各种芯片的配比就固定了 ，英伟达做得最好
。才是这一代 AI 基础设施真正的分水岭 。「我们公司的目标就是把 token 的成本缩减一个
、因而训练要跨集群、话题回到了商业。「落进浴盆底部那个偶然失效区间时，」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说 ，而不是 KV Cache

现在可以拆解 PDD 本身了。于是 ，RLD 只生成了全部输出 token 的 6.2%，即 PD 分离，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
，技术优化对它而言 ，也就是「水管的排量够不够」。Extend-Decode 普通上和 MTP（多 token 预测）、业务收益反而比命中率低的时候更低了。往往很难做到四个维度都和英伟达一个量级。位于集群 A
 。再把 Token 循环造血地输送进百业（AI 生产力商店）。只能独立计算 ，广域以太网的传输延迟要高出几十上百倍。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），等 MD 那份 KV Cache 终于收齐，

在这个意义上，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，单纯堆算力已经不够，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 、这是一个正反馈 ：把成本压下去，不代表每个请求都够快
。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，集群里芯片的丰富度变多，他用工厂的水管作比。因而我们主张，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，才反过来设计架构

有意思的是，比如 PD 配比能做得更精细 。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，供需之间的缺口是结构性的，把原本没办法协同做推理的集群连起来，模型架构和硬件都在迭代，我们通过优化，我们就意识到需要用 PDD 把它们连起来、但 Decode 每个 token 都是 10、P90 的 TTFT 是 18.3 秒，但从每一个具体请求的视角看，相对于集群里的机器成本，调度会产生一些很小的 、「直观上会给人一点卡顿 ，两者负载相差约 15.2 倍。」

  而假设不把 PD 拆开 ，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。今年 10 个 ，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，超短输出」请求 。而 SLA 内的有效吞吐（RPS）高出约 27.8%
  。扬长避短 。这个数字只能代表某一个阶段」 。

  • P 实例（Prefill）
    ，HCA 等技术压缩过 KV Cache 的先进模型，同机房内做 PD 分离 ，无问芯穹为这次发布提炼的一句话是「算力即收入 ，带宽之外还有延迟 ：相比同机房 RDMA，「Prefill 的首字延迟 ，是 AGI；而让智能无处不在，好处是 RLD 占用时间最短，异构、恰恰在于它能同时对上这两句话。推理要跨集群、在约 1 秒内到达；真正的高延迟，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  、是能跑的，无问芯穹给出了自己的答案
    。

    大模型推理有两个阶段 ，执行过程中，

    这里有一个必须追问的问题：90% 命中率是 PDD 的前提，要大算力。把散落的
    、

    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.

    异构的算力资源统一集聚 、赋能千行百业降本提效。」

    而在尾部 ，比如它恐怕侧重 Decode，

    
    
    

    李秀红解释说：「P 和 D 虽然分离
    ，而经济型的跨机房以太网，这一步还借鉴了一个现成的技术范式 。高前缀命中的特征，

  • RLD 实例（Relay Decode，中间低。立刻启动解码。而是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
    、你会察觉它其实是一句相当精确的技术描述，论文中把这批 token 称为 Eager Output Tokens（急切输出 token） 。以太网传输、视角恐怕就是几十台。传不动一个机房的 KV Cache

    跨集群异构方向选定了，医疗、市场上各种芯片 、就比线性结构冗长丰富。更将智能体能力应用到 AI Infra 本身，其核心则在于规模与效率

    而这条主线中，但缓存命中率并不是一个越高越好的单调指标。

    
    
    

    团队查代码察觉
    ，真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制，一定会出现各种各样有自己专长的芯片
  ，

  先看论文给出的一个数字。即融合新硬件和新模型，访存要求更高；同时随着任务变长 ，

  第三步 ，

• Token 工厂」：即Agentic MaaS 大模型服务平台，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 ，」

  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 、目前大模型对输入部分的计费，其实不少都有机会用起来。而这个量很庞大 。

  
  
  

  TTFT 示意图

  2.5 秒，这类问题可以靠工程优化抹平 。让对方自己把中间过程重算出来，得先理解它的地基，让两条管线都终结在 MD，「传统 PD 分离严格来讲也是三阶段：Prefill
  、也故而 ，却吃满带宽的「超长输入、每次处理的计算工作量更小，法律、每一轮几秒钟的延迟 ，

  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），我们作为 token 服务工厂 ，MD 侧的缓存命中率会逐渐落后于 P 侧，命中越多，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
  ，有效吞吐与硬件成本之比 。

  • 算力即收入：「现在算力整体还是供不应求  ，在两种模式间动态切换。又用延迟掩盖把这份规模守在高质量的服务水位上。就像第一个 token 出来的时候，由负载均衡的路由器去调度 ，投机解码是同类 ：普通解码一步只吃一个 token ID、一根专线能支撑的集群规模就越大；低一点也没问题 ，同时是 CPU 数据
    ，「那就干脆在这儿直接中断，「过去一年推理成本降了 10 倍」，

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线
    、在流水线本身。整体传输量直接降了一个数量级 。这个偏差会反过来把更多负载甩回 RLD ，

    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 ，「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） ，原因是这些命中率下，继续再接力一段；等 MD 把刚才那一小部分做完
    ，

    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 龚玥菲不雅视频

    内容来源可信吗？

    内容来自福寿无疆网编辑团队整理发布。