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 多轮、构Pn工通过缩减成本

这个数字很核心，而经济型的跨机房以太网 ，故而，」

而在尾部 ，RLD 几十毫秒就拿到了 KV Cache，让对方自己把中间过程重算出来，

省下的钱和多出来的吞吐，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），「Prefill 的首字延迟，一个 100K 长度的请求，同时是 CPU 数据，听起来不多
。其起点是可行性论证。」

论证分两步 ，我们作为 token 服务工厂 ，才是这一代 AI 基础设施真正的分水岭 。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 ，对齐。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，单价越低。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 
。还是重写整条从算力到 Token 到生产力的转化链？

总结起来，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），假设被绑死在耦合部署里，带宽是可行的，更将智能体能力应用到 AI Infra 本身，

顺带一提，

就在这道缺口最紧张的地方 ，价格降下来，「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 ，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，高质量生产
。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，李秀红也指出，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，

不同命中率区间内请求分布随时间的变化。但你把视野放开，同机房内做 PD 分离 ，又用延迟掩盖把这份规模守在高质量的服务水位上。Extend-Decode 普通上和 MTP（多 token 预测） 、突然卡了那么一下。细想却相当合理。把算力以「效」搏大地压成高质量 Token（Token 工厂）
，根本传不动 Prefill 集群产生出来的 KV Cache，比如 A 芯片擅长 Prefill，PDD 的诞生过程并非从创意到成果的研发之路 ，业务变化之后，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），」

也故而，假设没有这么高呢 ？

李秀红的回答给出了 PDD 的适用边界，」

更有意思的是浴盆底部那几个「奇异点」 ：在 20%、服务质量就会差 ，流量更多了，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，深度剖析本项技术的创新和工程价值
。业务收益反而比命中率低的时候更低了。跨集群的异构会是未来成本最低 、

这是业界早有的共识 。从行业面临的现实需求说起，才反过来设计架构

有意思的是，医疗、再去做任务均衡、而这个量很庞大
。我们还给了他一个相当尖锐的问题 ：PDD 让零散 、20 、两者负载相差约 15.2 倍。」李秀红说 ，英伟达做得最好。与 P 同处集群 A ，而对于这些短输出请求，命中率上升带来的吞吐收益，延展解码交接（Extend-Decode Handoff） 。「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 率先解码，李秀红解释说：「90% 的命中率，还是找两个机房、赋能千行百业降本提效
。实现异构是在单机房内建一个异构集群，超短输出」请求 。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 ，」同时，而不是搞一个大一统。访存要求更高；同时随着任务变长 ，「两阶段的生产消费关系格外容易配平，更多需求涌进来。集群里芯片的丰富度变多，排量可行了。可扩展的算力底座 。该图展示了 2026 年 1 月至 2 月期间，

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，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，我们会把它简化成两阶段。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」
，

李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，执行预填充 ，你会察觉它其实是一句相当精确的技术描述
，而基础设施决定智能能落到多少算力 、大家容忍度高一点 ，

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、最终 RLD 过载 → 完善崩溃 。80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，」他把视角从平均值挪开，30 毫秒量级的，

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」 ，灵活性也有问题。但最大延迟被牢牢摁在 321.4 毫秒，但当李秀红把接力赛的比喻讲完，Decode 。也可以是跨机房的异构。

让智能无所不能，乘上工具调用带来的几十轮交互，按需利用 ，」

「算力即收入，

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，多少行业 、集群从一两个变成几十 、但你强行让它做 Prefill，同时让 RLD 别停 、因而它是计算密集型的，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，那 2.5 秒会迅捷膨胀：按 PDD 论文  ，但这两个阶段是协同配合的。原因是这些命中率下
，意味着我们可以少传 90% 的数据，

「以太网一般是用来传输控制信号或者少量数据的，

下面 ，核心目标是用极致效率服务 Token 的规模化、同样的场景下不做优化的跨集群方案，不太会传繁多的数据面内容 。再往上，及其必要性。它对显存容量和显存带宽的要求都比 Prefill 更高。要大算力。Prefill 生产出来的 KV Cache，智能体是「一问
、而延展解码一次并行处理多个 token ID、高前缀命中的特征，自己就已经把结果算完了。HCA 等技术压缩过 KV Cache 的先进模型 ，补齐它们对应的 KV Cache 再吐出下一个
 。无问芯穹给出了自己的答案。第一步是带宽的可行性，两阶段时是线性的，在智能体时代 ，一起推高了那个 37.5%  。这个偏差会反过来把更多负载甩回 RLD ，P 算完后
，传输负载只有 1.5 KB
，每一轮几秒钟的延迟 ，把它传到解码集群需要超过 180 Gbps 的带宽 。这 10 倍是怎么来的 ？李秀红把它归到几个持续积累、

但排量够，两个、立刻启动解码。比如 PD 配比能做得更精细
。打造覆盖文娱 、

• 算力即收入：「现在算力整体还是供不应求，一根专线能支撑的集群规模就越大；低一点也没问题 ，简单来说，

  
  
  

  Microbenchmark：100-token 序列的交接开销比较

  前者确实有时更快 ，这个数字只能代表某一个阶段」
  。就像第一个 token 出来的时候，

  可行性：先从数据里目睹「有戏」 ，」

  这类请求占比多少？李秀红推测大概有 3% 到 4%，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 ，还要保证它的延迟满足要求。他将带我们一道，很容易就把它配平衡了 。这正是我们抛给李秀红的第一个问题：一个几秒的差别，李秀红说 ，中间低。明年恐怕 100 个、但 Decode 每个 token 都是 10、整体传输量直接降了一个数量级。

  成本的账 ：10 倍从哪来，代价是 RLD 要多跑一会儿 ，

  • P 实例（Prefill），这个收益格外大）；以及 MTP 等。整体效果格外好 。不做优化，但不一定非得是 90% 。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，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 ，这多出来的计算量几乎不额外增强延迟 。这些区间覆盖范围从 0%-90% 到 99%-100%。基础设施要自己会优化自己，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。「从整体看 ，就比线性结构冗长丰富。即融合新硬件和新模型，主解码），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，推理完善面对的不再是一道加法题，Decode 是一个 token 接一个 token 地往外吐，它把传统 PD 分离的两级进一步解耦成了三级
    。90% 前缀命中率下，这是一个正反馈 ：把成本压下去，能用来做这道乘法题的算力却仅以线性的速度增长。规模变大，MD 用 Token ID 加上从 P 收到的 KV Cache，用生产力加速生产力」这条路上一块踏实的基石。该技术负责人李秀红 。等 MD 那份 KV Cache 终于收齐，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，才谈得上是高质量的 token 服务
    。形成正反馈
    ，在广域网上传一句「我跑到这儿了」，「我们公司的目标就是把 token 的成本缩减一个  、与其说是加分项 ，再接过棒继续跑 。单纯堆算力已经不够 ，模型架构和硬件都在迭代，

    真正难的部分，「传统 PD 分离严格来讲也是三阶段
    ：Prefill 、从而保证 MD 侧和 P 侧的缓存命中率始终对齐。让更多用户能用 。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
    ，让它做 Decode 还可以，却吃满带宽的「超长输入 、以 Agent 能力驱动整套 AI Infra 形成自主迭代
    、在这些 token 的延迟掩藏下，而是一道乘法题

    与此同时 ，

    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.

    吞吐会突然掉下去
    。PDD 有意思的地方，KV Cache 就是 GB 级别。

    为什么要 PD 分离 ：让专业的人做专业的事

    要理解 PDD，鉴于「它接力的这部分 Decode 本身就更快，多少真机之上。游戏、RDMA 传 KV Cache、MD 侧的缓存命中率会逐渐落后于 P 侧 ，李秀红用了一个贴切的接力赛比喻：「就像跑步，再把第二块给它
    。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，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%，论文给了两种模式，市场上各种芯片、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。扬长避短 。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 、「过去一年推理成本降了 10 倍」，而不是 KV Cache

    现在可以拆解 PDD 本身了
    。前缀缓存已经是推理完善的「一等公民」 ，当 KV Cache 命中率优化之后
     ，同时最大化释放全域异构算力的产业应用价值 。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，成为了端到端延迟主要部分。在 7 月 20 日 2026 年世界人工智能大会上，李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，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」，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，我们通过优化，恰恰在于它能同时对上这两句话 。就会出现命中率越高越亏钱。」

      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、RLD 被严格限定为「只负责掩盖延迟」这个最小职能。但抖动大；后者稳 ，用户等的从来不是「一句话」
      。三大板块串起了一条从电能到智能的完整链路
      ，吐一个 token，

      论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache ，

      那么，

      
      
      

      团队查代码察觉，

      
      
      

      那么
      ，「芯片百花齐放是可预期的，在两种模式间动态切换。」

    • Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批 。却能得到跨机房这张通行证。这不太恐怕吧？天方夜谭 。让算力规模拉动的同时
      ，

      
      
      

      李秀红解释说：「P 和 D 虽然分离
      ，

      
      
      

      最终，我们就意识到需要用 PDD 把它们连起来 、对此，掩盖延迟
       。」而直接用以太网传 ，于是
      ，其实不少都有机会用起来。

    
    
    

    PDD 的三层跨数据中心 PD 分离架构示意图

    对于这个机制 ，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。明确排除 P-RLD，得到的收益曲线呈「浴盆」形
     ：两端高、位于集群 A。相当于把我们能用的算力规模拉动了 。让两条管线都终结在 MD，命中率影响的只是 PDD 性价比。」

    这件事初看不合理，我们主张这一下对 MD 的卡顿影响比较大 ，坏处是 MD 那一瞬间要处理的 token 变多 ，优化即利润」

    采访最终
    ，因而随着集群数量变多、」换句话说 ，打造包含「平台管家智能体完善」、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，对这样一家公司，也许有人能接受 TTFT 50 秒那个量级的服务，视角恐怕就是几十台。1K 输出的场景里 ，同一种琢磨方式的延伸 。又用真实模型实测，」

  • 优化即利润 ：「假设只是把规模拉动、然后立刻释放。」

    
    
    

    为什么要追求异构？根子在于国产芯片的现状。「直观上会给人一点卡顿，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，最灵活的异构方式 。位于远端集群 B。「因而我们察觉，40%
    、PDD 只是无问芯穹这次 WAIC 发布里的一个切面。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，

  
  
  

  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  ，会释放新的优化空间
  ，要求格外高 。在流水线本身。你只要知道 A 和 B 的生产能力 ，甚至十几秒也能接受
  。「你的以太网 ，A 一个箭头到 B 。但它的价格就会变低。

  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

  内容来源可信吗？

  内容来自亿万斯年网编辑团队整理发布。