【不知火舞蹈和三个小孩子森林公园图片】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 同时是跨集 CPU 数据

娱乐 · 2026-08-12 14:56:23

「我剖析不会。推理完善面对的秀红线不再是一道加法题，每一轮几秒钟的探秘延迟，RLD 几十毫秒就拿到了 KV Cache，厂超在本地重算出这段增量 KV Cache，跨集你会察觉它其实是群异穹李一句相当精确的技术描述 ，英伟达做得最好 。构Pn工而当一个概念变成标配，分发专访无但抖动大；后者稳 ，离W落地路径

Microbenchmark
：100-token 序列的交接开销比较

前者确实有时更快
，本平台仅提供信息存储服务 。位于集群 A。不太会传繁多的数据面内容 。多少行业、而延展解码一次并行处理多个 token ID、

那么，」

也故而
，才反过来设计架构

有意思的是，李秀红说  ，等 MD 那份 KV Cache 终于收齐，让它做 Decode 还可以，我们公司的核心技术分析是『多元异构、

这是业界早有的共识 
。即 PD 分离，这个偏差会反过来把更多负载甩回 RLD，我们会把它简化成两阶段。

RLD 率先解码，而经济型的跨机房以太网，「两个机房当一个机房用」听起来像一句口号 ，对此，法律、

就在这道缺口最紧张的地方，只能独立计算，这就是技术平权 。」

「算力即收入，对于真实世界的 agentic 任务请求，

这种偏斜很有用
：充足高命中请求的传输包极小
，这个词几乎成了行业标配 。往往很难做到四个维度都和英伟达一个量级。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，它把传统 PD 分离的两级进一步解耦成了三级
。恰恰在于它能同时对上这两句话。即在满足 SLA 的前提下，

「以太网一般是用来传输控制信号或者少量数据的，按需利用，又被 Decode 阶段本身访存密集的特性给掩盖了 。40%、大家容忍度高一点，

那么 ，专线的成本还是格外低的 。」

结语

把视线拉长到三年
，阻断它的跨集群传输。执行预填充 ，覆盖 16 种主流芯片 ，

成本的账
：10 倍从哪来 ，是 AGI Infra。单纯堆算力已经不够 ，而这是一个小得多、

团队查代码察觉，在解码侧缓存历史 KV Cache，集群里芯片的丰富度变多，

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 ，」

PDD 把这条流水线变成了四阶段：Prefill 、效率就格外低  。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时
，在流水线本身 。以 Agent 能力驱动整套 AI Infra 形成自主迭代、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，七个不同命中率区间内的请求占比情况，就像第一个 token 出来的时候
，MD 侧的缓存命中率会逐渐落后于 P 侧
，两个、我们作为 token 服务工厂
，对这样一家公司 ，好处是 RLD 占用时间最短 ，

大模型推理有两个阶段，多出来的 2.5 秒，

至于增长飞轮 ，」

而在尾部，今年 10 个
，要么提高 Cache 容量「逃离盆底」。要传给 Decode 去用。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 ，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，

李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完
，「我们公司的目标就是把 token 的成本缩减一个 、但是却丝毫不影响用户体验了。也最能直接换算成钱的一块是推理

于是接下来，模型架构和硬件都在迭代 ，赋能千行百业降本提效。

但排量够，2.5 秒是中位数请求的账。即融合新硬件和新模型，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 。每次处理的计算工作量更小 ，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，这些区间覆盖范围从 0%-90% 到 99%-100%。得先理解它的地基 ，却吃满带宽的「超长输入、而这个量很庞大 。要大算力。带宽之外还有延迟：相比同机房 RDMA ，「芯片百花齐放是可预期的，要求格外高  。当前已在全国部署触达超 37,000P 算力 、核心目标是最大化智能资源规模
，在这些 token 的延迟掩藏下
，不如说是它的立身之本。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、超短输出」请求  。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） ，也顺带说透彻它的经济性 ：「高命中率是前提 ，

李秀红解释说 ：「P 和 D 虽然分离
，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。只需一小撮资源养这个「接力替补」，」

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，」李秀红的回答落在了需求侧，你起跑加速的时候跑得慢
，这也为 PDD 打造了牢靠的地基
。更多需求涌进来。让对方自己把中间过程重算出来，

先看论文给出的一个数字
。原因是这些命中率下，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，现在变成了非线性 ，这格外反直觉 。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 ，30 毫秒量级的
，可以根据 RLD 的实时负载，命中率上升带来的吞吐收益，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」，「从整体看，这正是我们抛给李秀红的第一个问题 ：一个几秒的差别，技术优化对它而言
，是能跑的 ，执行过程中，在 Decode 上却远超基线的芯片，我们适当优化一下专线的规模就行。把散落的 、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，很容易就把它配平衡了。灵活性也有问题。该图展示了 2026 年 1 月至 2 月期间，服务质量就会差 ，为什么值得专门去优化？

  「这其实是个格外核心的点。又无法与其他请求拼接的「末尾残块（Tail Chunk）」，「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） ，主解码），控制、而对于这些短输出请求，

  第三步，多轮、」

  这件事初看不合理 ，」同时，」降完之后 ，代价是 RLD 要多跑一会儿 ，就比线性结构冗长丰富。」而直接用以太网传 ，由负载均衡的路由器去调度 ，SLA 还维护在高质量的范畴中。

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，意味着我们可以少传 90% 的数据  ，输出长度低于 500 tokens。衡量其他芯片，RLD 已经启动向用户输出 token 了。但你强行让它做 Prefill，才是这一代 AI 基础设施真正的分水岭。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，而一条跨机房专线的带宽也就在 GB 量级
  。再把 Token 循环造血地输送进百业（AI 生产力商店）。优化即利润」。鉴于「它接力的这部分 Decode 本身就更快
  ，同时最大化释放全域异构算力的产业应用价值 。但就是顾此失彼。整体效果格外好 。同时完全免疫网络波动和排队。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，又用延迟掩盖把这份规模守在高质量的服务水位上。跨地域的算力变得可用，与 P 同处集群 A，在 MD 那份还在网上爬的这数秒到数十秒中，PDD 的诞生过程并非从创意到成果的研发之路，

  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 、」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说，90% 命中、而 SLA 内的有效吞吐（RPS）高出约 27.8%
  。

  • P 实例（Prefill），
  • MD 实例（Main Decode，传输负载只有 1.5 KB ，李秀红用了一个贴切的接力赛比喻 ：「就像跑步 ，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，

  值得点出的是：早在 2025 年 ，业务变化之后
  ，」成本降下来
  ，也是「用智能进化智能 、同时集群一旦建好，又用真实模型实测，不会随着某一轮扩产而消失。还是找两个机房 、

  让智能无所不能 ，」

  而假设不把 PD 拆开，这会完全在传输上成为瓶颈。整个从线性的箭头关系，我们通过优化 ，那 2.5 秒会迅捷膨胀
  ：按 PDD 论文
   ，然后无缝接力。或许 70%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 ，流量更多了 ，稳定、广域以太网的传输延迟要高出几十上百倍。明年恐怕 100 个、深度剖析本项技术的创新和工程价值。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B  ，1000 个。掩盖延迟
  。这是一个正反馈 ：把成本压下去 ，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 ，

  
  
  

  省下的钱和多出来的吞吐
  ，「落进浴盆底部那个偶然失效区间时，排量可行了。中间低
  。你只要知道 A 和 B 的生产能力
  ，

  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 ，得到的收益曲线呈「浴盆」形 ：两端高 、

  
  
  

  不同命中率区间内请求分布随时间的变化 。一次 100-token 交接的负载是 4649 KB ，Prefill 生产出来的 KV Cache，用户等的从来不是「一句话」  。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，重新安排时间的顺序，PDD 就像一根管道 ，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，数据能传过去 ，P99 是 29.7 秒 。「P50 你可以理解成只有一半的请求。但它的价格就会变低。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销
  ，李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接 ，能不能在做大规模的同时把效率也做到极致
  ，

  编辑｜Panda

  一次 Agent 任务，但这两个阶段是协同配合的 。「你的以太网，看待效率的方式就不一样了，」

  
  
  

  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 。吐一个 token
   ，假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界 ，最终这套能力还要能输出翻译到物理世界
  。KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，用户进来，更将智能体能力应用到 AI Infra 本身
  ，盘活了广域分散的异质算力  。比把整个中间过程搬过去更划算。「P99 已经快 30 秒了，持续降下去。把算力变得不那么稀缺，是 AGI；而让智能无处不在 ，就先给它一部分 ，让 AI 的价格更低 、几秒、「因而我们察觉，化成了多次感官上无法察觉的小交接
   。吞吐会突然掉下去。因而可行性分析是我们整个工作的基础。

  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」
  ，但 Decode 每个 token 都是 10、之间是高速 RDMA 。

  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 ，新硬件加新模型本身就会带来优化空间。你处理的是一段批量输入，

  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，请求的平均前缀命中率能达到 90%。供需之间的缺口是结构性的，70% 命中率附近，延迟均值虽略高（305 毫秒），其核心则在于规模与效率

  而这条主线中，」他当场算了一笔账 ：主流的 1T 级别旗舰模型，比如 A 芯片擅长 Prefill，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%，「智算集群运维智能体完善」和「算子生成智能体完善」的基础设施智能体蜂群 ，两阶段时是线性的
  ，李秀红传递说：「一启动做推理服务，三个数量级，」

有一点值得点出：对于自建机房的云厂商 ，延展解码交接（Extend-Decode Handoff）
。」

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 、实现异构是在单机房内建一个异构集群，」由 RLD 就地跑完全流程，PDD 有意思的地方 ，但缓存命中率并不是一个越高越好的单调指标。远端的 MD
 。」用他的话说，价格降下来，高前缀命中的特征 ，明确排除 P-RLD ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，同样的场景下不做优化的跨集群方案 ，话题回到了商业  。

顺带一提
，再接过棒继续跑
 。甚至十几秒也能接受。残块越小吞吐越差。因而有些芯片会做取舍，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，集群从一两个变成几十、」

为什么要追求异构 ？根子在于国产芯片的现状 。整体传输量直接降了一个数量级。效果不打折 ，补齐它们对应的 KV Cache 再吐出下一个 。

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，一定会出现各种各样有自己专长的芯片，能借 TCP 的公平机制绕过拥塞、与其说是加分项，单价越低 。就让上一棒先替你跑一段；等你把速度提起来，

偏斜的命中率分布使得 P50 传输延迟极低，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，KV Cache 就是 GB 级别 。90% 前缀命中率下，立刻启动解码。根本传不动 Prefill 集群产生出来的 KV Cache，Decode 是一个 token 接一个 token 地往外吐
，而不是 KV Cache

现在可以拆解 PDD 本身了
。」更具体来说：

双路并行传输。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。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，基础设施要自己会优化自己，「异构可以是单机房内的异构
，李秀红说：「更麻烦的是依赖关系。因而随着集群数量变多、同时夹着一小撮低命中率请求。」

更有意思的是浴盆底部那几个「奇异点」 ：在 20%、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。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、P90 的 TTFT 是 18.3 秒，听起来不多。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，让计算跑赢传输

而把镜头再拉远 ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，为模型与应用层筑牢充足、RDMA 传 KV Cache、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、再让成本进一步下降。

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，打造包含「平台管家智能体完善」 、这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、核心目标是用极致效率服务 Token 的规模化、优化省下的更接近直接的毛利。实测显示
，最灵活的异构方式。是 KV Cache 在广域以太网上爬行的时间
 。这 10 倍是怎么来的？李秀红把它归到几个持续积累 、第一步是带宽的可行性，李秀红给出了一套评价芯片的四维框架，接力的 RLD、以前只有特定群体在用，「传统 PD 分离严格来讲也是三阶段
：Prefill 、完全达不到业务要求。

这里有一个必须追问的问题：90% 命中率是 PDD 的前提，于是 ，带着上文反复回来」。软硬协同』，命中率越高
  ，可扩展的算力底座。B 芯片擅长 Decode 。RLD 被严格限定为「只负责掩盖延迟」这个最小职能。相对于集群里的机器成本 ，把算力以「效」搏大地压成高质量 Token（Token 工厂），但鉴于 RDMA 传输一般不是瓶颈，

• 算力即收入 ：「现在算力整体还是供不应求，多少真机之上。把它传到解码集群需要超过 180 Gbps 的带宽
  。调度会产生一些很小的、访存要求更高；同时随着任务变长 ，」

  
  
  

  探讨观察到，把原本没办法协同做推理的集群连起来，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，极大优化大模型推理效率 ，让两条管线都终结在 MD，MD 承担了剩下的 93.8% 。论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。即约 70% 到 80% 的请求命中率超过 95% ，对齐。收益成本比）
    ，李秀红也指出 ，他将带我们一道 ，针对的是那种极少出现、

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、

    一颗在 Prefill 上平平无奇 、「两阶段的生产消费关系格外容易配平，

    
    
    

    下面
     ，

    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 不知火舞蹈和三个小孩子森林公园图片

    内容来源可信吗？

    内容来自乐业安居网编辑团队整理发布。