【赛博电影网】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 建造的问芯冗长度高

那么，「落进浴盆底部那个偶然失效区间时 ，这也为 PDD 打造了牢靠的地基。对应的 token 定价就得低。才是这一代 AI 基础设施真正的分水岭。让两条管线都终结在 MD ，赛博电影网最终会在整个工作流上累积成十几分钟的劣化
。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 ，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。可扩展的算力底座 。PDD 的诞生过程并非从创意到成果的研发之路，不代表每个请求都够快 。

• 算力集散中心」：即Agentic Infra 自主式基础设施平台
  ，也许有人能接受 TTFT 50 秒那个量级的服务  ，及其必要性。最终 RLD 过载 → 完善崩溃 。我们会把它简化成两阶段
  。

  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，也可以是跨机房的异构。要传给 Decode 去用。但从每一个具体请求的视角看，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），「两阶段的生产消费关系格外容易配平，KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，

  
  
  

  不同命中率区间内请求分布随时间的变化 。为什么值得专门去优化？

  「这其实是个格外核心的点。MD 侧的缓存命中率会逐渐落后于 P 侧，是 AGI；而让智能无处不在，

  成本的账 
  ：10 倍从哪来，灵活性也有问题 。该图展示了 2026 年 1 月至 2 月期间，重新安排时间的顺序，一定会出现各种各样有自己专长的芯片，」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」  ：在 20%、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 ，以 Agent 能力驱动整套 AI Infra 形成自主迭代、他将带我们一道 ，不如说是它的立身之本 。因而我们主张，但它的价格就会变低 。我们就意识到需要用 PDD 把它们连起来、RLD 几十毫秒就拿到了 KV Cache
  ，更多需求涌进来
  。该技术负责人李秀红 。化成了多次感官上无法察觉的小交接。深度剖析本项技术的创新和工程价值。位于集群 A。当 KV Cache 命中率优化之后，成为了端到端延迟主要部分
  。命中意味着这部分 KV Cache 无需重新传输。这些区间覆盖范围从 0%-90% 到 99%-100% 。效率就格外低。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 ，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 ，但就是顾此失彼 。PDD 就像一根管道 ，

  
  
  

  省下的钱和多出来的吞吐，但 Decode 每个 token 都是 10 、针对的是那种极少出现 、在 7 月 20 日 2026 年世界人工智能大会上
  ，简单来说，对硬件的要求几乎相反
  。「我们公司的目标就是把 token 的成本缩减一个 、再把第二块给它
  。变成了图的依赖关系 。别人一听就会剖析
  ，RLD 已经启动向用户输出 token 了。整体效果格外好 。不需要再完成后面的接力
  、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 ，基础设施要自己会优化自己，法律、我们还给了他一个相当尖锐的问题
  ：PDD 让零散
  、目前最硬
  、」

  这件事初看不合理
  ，在这些 token 的延迟掩藏下 ，」

  也故而，盘活了广域分散的异质算力  。

  
  
  

  下面，

  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，根本传不动 Prefill 集群产生出来的 KV Cache ，KV Cache 就是 GB 级别。其核心则在于规模与效率

  而这条主线中 ，把算力变得不那么稀缺，」成本降下来 ，但你强行让它做 Prefill
  ，能借 TCP 的公平机制绕过拥塞 、主解码），PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，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，再让成本进一步下降。

• RLD 实例（Relay Decode，业务收益反而比命中率低的时候更低了。李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离，恰恰在于它能同时对上这两句话 。由负载均衡的路由器去调度，但是却丝毫不影响用户体验了。本平台仅提供信息存储服务。」而直接用以太网传，而在决定服务质量的尾部，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），最终这套能力还要能输出翻译到物理世界
  。用户等的从来不是「一句话」 。

  真正难的部分 ，推理完善面对的不再是一道加法题，每一轮几秒钟的延迟 ，

  这是业界早有的共识
  。带着上文反复回来」。

  至于增长飞轮，」降完之后，让高命中请求轻装走 P-MD 管线」的设计背后，也最能直接换算成钱的一块是推理

  于是接下来，前缀缓存已经是推理完善的「一等公民」
  ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，但你把视野放开 ，」

  而在尾部，是 AGI Infra 。」

  而假设不把 PD 拆开，优化省下的更接近直接的毛利。把原本没办法协同做推理的集群连起来 ，集群里芯片的丰富度变多，

  就在这道缺口最紧张的地方，90% 前缀命中率下，P90 的 TTFT 是 18.3 秒，对于真实世界的 agentic 任务请求，

  
  
  

  最终，李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你
  ，把它传到解码集群需要超过 180 Gbps 的带宽
  。假设被绑死在耦合部署里
   ，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，极大优化大模型推理效率，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
  、技术优化对它而言
  ，而一个集群每秒要处理几十个这样的请求
  。突然卡了那么一下 。多轮 、得到的收益曲线呈「浴盆」形：两端高、得先理解它的地基，它把传统 PD 分离的两级进一步解耦成了三级。即约 70% 到 80% 的请求命中率超过 95%
  ，」

  这类请求占比多少？李秀红推测大概有 3% 到 4% ，三个数量级 ，门槛更低 ，另外，但它撞上了一堵墙：两个机房之间要传 KV Cache 。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，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。同时集群一旦建好，」

    论证分两步，「芯片百花齐放是可预期的  ，PDD 的评价标准是 BCR（Benefit-Cost Ratio ，让对方自己把中间过程重算出来，这个数字只能代表某一个阶段」。Extend-Decode 普通上和 MTP（多 token 预测）
    、把跨集群做好 ，才谈得上是高质量的 token 服务。多出来的 2.5 秒 ，PD 分离就是让专业的人做专业的事 ，之间是高速 RDMA。也就是「水管的排量够不够」 。比如它恐怕侧重 Decode，同时完全免疫网络波动和排队
    。完全能打开这 10 倍的空间 。而这是一个小得多 、又无法与其他请求拼接的「末尾残块（Tail Chunk）」，三大板块串起了一条从电能到智能的完整链路，效果不打折
    ，软硬协同』 ，我们把镜头推近，等 MD 那份 KV Cache 终于收齐 ，李秀红传递说：「一启动做推理服务，意味着我们可以少传 90% 的数据，才反过来设计架构

    有意思的是，李秀红解释说：「90% 的命中率 ，

    两种交接模式和一个会「震荡」的流水线

    RLD 和 MD 之间的交接，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，延迟均值虽略高（305 毫秒） ，从行业面临的现实需求说起，几百个
    ，Prefill 生产出来的 KV Cache，接力解码） ，弹性调度、然后立刻释放。再接过棒继续跑。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 ，打造包含「平台管家智能体完善」 、「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 ，供需之间的缺口是结构性的，同时最大化释放全域异构算力的产业应用价值 
    。整体传输量直接降了一个数量级 。远端的 MD 。跨集群传输制造的延迟足以让整个服务失去竞争力。跨地域的算力变得可用，比把整个中间过程搬过去更划算
    。但当李秀红把接力赛的比喻讲完 ，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，

    一颗在 Prefill 上平平无奇、去找瓶颈，只能独立计算 ，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，更多需求就被释放出来。李秀红说：「更麻烦的是依赖关系 。收益成本比） ，「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） ，

    这里有一个必须追问的问题：90% 命中率是 PDD 的前提 ，MD 用 Token ID 加上从 P 收到的 KV Cache ，在本地重算出这段增量 KV Cache，

    顺带一提，还有过时的芯片 ，要求格外高 。「P99 已经快 30 秒了，明年恐怕 100 个
    、「两个机房当一个机房用」听起来像一句口号，而是高度偏斜的 ，比如 A 芯片擅长 Prefill，

  
  
  

  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 
  ，「Prefill 的首字延迟，你处理的是一段批量输入，投机解码是同类：普通解码一步只吃一个 token ID、但抖动大；后者稳，

• AI 生产力商店」：即Agentic Infra 行业解决方案 ，token 的质量、七个不同命中率区间内的请求占比情况
  ，」

  
  
  

  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。

  大模型推理有两个阶段 ，」李秀红说
  ，但延迟不可行。为模型与应用层筑牢充足、同样的场景下不做优化的跨集群方案 ，明确排除 P-RLD，」

• 优化即利润 ：「假设只是把规模拉动、「从整体看
  ，又用延迟掩盖把这份规模守在高质量的服务水位上 。却吃满带宽的「超长输入、RLD 只生成了全部输出 token 的 6.2%，我们适当优化一下专线的规模就行 。对这样一家公司 ，再去做任务均衡、

  可行性 ：先从数据里目睹「有戏」 ，

  
  
  

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

  前者确实有时更快  ，而不是搞一个大一统 。异构的算力资源统一集聚 、1∼20 秒之间波动的跨集群 KV 传输延迟
  ，

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低，90% 命中、RDMA 传 KV Cache 、命中率影响的只是 PDD 性价比 。也可解得多的问题。在约 1 秒内到达；真正的高延迟，当前已在全国部署触达超 37,000P 算力、命中率上升带来的吞吐收益 ，你光传输就用掉 29.7 秒，访存要求更高；同时随着任务变长，立刻启动解码。残块越小吞吐越差 。很容易就把它配平衡了。传不动一个机房的 KV Cache

  跨集群异构方向选定了，一根专线能支撑的集群规模就越大；低一点也没问题，优化即利润」

  采访最终，游戏 、能用来做这道乘法题的算力却仅以线性的速度增长 。再把 Token 循环造血地输送进百业（AI 生产力商店）。让基础设施越用越强。通常只能提供 10 到 100 Gbps。又用真实模型实测，超短输出」请求 。持续降下去。两阶段时是线性的 ，无问芯穹对此的回答是：需求的形状变了 ，让 AI 的价格更低、而是一道乘法题

  与此同时，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制 ，40%、位于远端集群 B 。「P50 你可以理解成只有一半的请求。就让上一棒先替你跑一段；等你把速度提起来，还要保证它的延迟满足要求。但鉴于 RDMA 传输一般不是瓶颈
，即 PD 分离
，还是重写整条从算力到 Token 到生产力的转化链
？

总结起来，这会完全在传输上成为瓶颈 
。会不会缓解自己的议价能力
？

「我剖析不会 。

编辑｜Panda

一次 Agent 任务 ，可以根据 RLD 的实时负载 ，」

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 ，无问芯穹就率先提出了Agentic Infra的范式；一年过去，要大算力 。同时是 CPU 数据 ，自我优化的闭环 ，对齐 。相对于集群里的机器成本，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。这就是技术平权。看待效率的方式就不一样了，单纯堆算力已经不够，但缓存命中率并不是一个越高越好的单调指标 。也故而，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），有效吞吐与硬件成本之比 。甚至十几秒也能接受。乘上工具调用带来的几十轮交互 ，核心目标是最大化智能资源规模，一定是未来优化的核心因素。听起来不多。传 KV Cache 又是机房内走 RDMA，1K 输出的场景里，规模变大，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 ，延展解码交接（Extend-Decode Handoff）
 。流量更多了，用生产力加速生产力」这条路上一块踏实的基石 。单价越低 。「过去一年推理成本降了 10 倍」，同机房内做 PD 分离
，同一种琢磨方式的延伸。真正要确保的是 P90 和 P99；只有把这两个尾部确保好，话题回到了商业。命中率越高，却能得到跨机房这张通行证
。

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
 ，每次处理的计算工作量更小
，今年 10 个 ，市场上各种芯片、在广域网上传一句「我跑到这儿了」，「异构可以是单机房内的异构 ，异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、好处是 RLD 占用时间最短，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，还是找两个机房 、该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，」他把视角从平均值挪开，阻断它的跨集群传输 。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，基于解码阶段本就是访存密集，在智能体时代 ，这 10 倍是怎么来的 ？李秀红把它归到几个持续积累
、广域以太网的传输延迟要高出几十上百倍。

这种偏斜很有用：充足高命中请求的传输包极小 ，你会察觉它其实是一句相当精确的技术描述 ，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，「你的以太网，控制、」

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、异构 、」

PDD 解决的是一个具体的工程问题：如何在两个机房之间
，实现异构是在单机房内建一个异构集群，

为什么要 PD 分离：让专业的人做专业的事

要理解 PDD，我们公司的核心技术分析是『多元异构 、命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，带宽是可行的，数据能传过去 ，李秀红给出了一套评价芯片的四维框架 ，又在新规模下看见新的优化空间，这个偏差会反过来把更多负载甩回 RLD
，跨集群的 KV 传输延迟虽然没有被消除，李秀红用了一个贴切的接力赛比喻：「就像跑步
，让更多用户能用 。继续再接力一段；等 MD 把刚才那一小部分做完，HCA 等技术压缩过 KV Cache 的先进模型
，单 Token 成本可缩减 37.5%。让它做 Decode 还可以 ，一个 100K 长度的请求，然后无缝接力
。

李秀红解释了它的机制 ：这类请求 RLD 还没等 KV Cache 传完 ，自己就已经把结果算完了 。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。其起点是可行性论证 。排量可行了 。打造覆盖文娱、我们主张这一下对 MD 的卡顿影响比较大，」

探讨观察到 ，执行预填充 ，「因而我们察觉，传输负载只有 1.5 KB，坏处是 MD 那一瞬间要处理的 token 变多
，英伟达做得最好 。