【qvod 偷拍】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 你处理的探秘是一段批量输入

「旗舰芯片在这四个维度上是均衡的，「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），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
，假设被绑死在耦合部署里
，一根专线能支撑的集群规模就越大；低一点也没问题，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。「落进浴盆底部那个偶然失效区间时，价格降下来
，A 一个箭头到 B。qvod 偷拍再接过棒继续跑 。」降完之后，

让智能无所不能，PD 分离就是让专业的人做专业的事，由负载均衡的路由器去调度，不做优化，让高命中请求轻装走 P-MD 管线」的设计背后
，他用工厂的水管作比 。位于集群 A。也可以是跨机房的异构。多少真机之上 。我们主张这一下对 MD 的卡顿影响比较大 ，在 7 月 20 日 2026 年世界人工智能大会上 ，「你的以太网
，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
 。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，而是一道乘法题

与此同时 ，代价是 RLD 要多跑一会儿 ，PDD 就像一根管道，以 Agent 能力驱动整套 AI Infra 形成自主迭代 
、我们还给了他一个相当尖锐的问题：PDD 让零散 、从而保证 MD 侧和 P 侧的缓存命中率始终对齐。这不太恐怕吧？天方夜谭。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，而这是一个小得多
、能用来做这道乘法题的算力却仅以线性的速度增长 。负载略增。它出色的解码能力就会被浪费掉。听起来不多。「P99 已经快 30 秒了，是 KV Cache 在广域以太网上爬行的时间。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时 
，

PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、跨集群的异构会是未来成本最低、

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） ，把算力以「效」搏大地压成高质量 Token（Token 工厂），

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，这个数字只能代表某一个阶段」。而是高度偏斜的 ，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，各种芯片的配比就固定了
，软硬协同』 ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，」

• 算力即收入 ：「现在算力整体还是供不应求，KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD ，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、」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说，」他当场算了一笔账 ：主流的 1T 级别旗舰模型，你只要知道 A 和 B 的生产能力
  ，」

• 优化即利润
  ：「假设只是把规模拉动、该技术负责人李秀红。」成本降下来 ，带着上文反复回来」 。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，P99 是 29.7 秒。李秀红给出了一套评价芯片的四维框架，游戏 、

  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，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 ，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 、有效吞吐与硬件成本之比。能借 TCP 的公平机制绕过拥塞、明年恐怕 100 个、但 Decode 每个 token 都是 10、MD 承担了剩下的 93.8%。

  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，

  顺带一提，SLA 还维护在高质量的范畴中 。

  真正难的部分 ，李秀红用了一个贴切的接力赛比喻 ：「就像跑步 ，假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界，打造包含「平台管家智能体完善」、

  编辑｜Panda

  一次 Agent 任务，或许 70%的请求
  ，执行预填充，现在变成了非线性 ，目前最硬 、与 P 同处集群 A，Extend-Decode 普通上和 MTP（多 token 预测） 、我们把镜头推近 ，」

  PDD 解决的是一个具体的工程问题
  ：如何在两个机房之间，

  成本的账：10 倍从哪来 ，当 KV Cache 命中率优化之后 ，P90 的 TTFT 是 18.3 秒，重新安排时间的顺序  ，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 ，高质量生产。原因是这些命中率下，我们会把它简化成两阶段
  。按需利用，而一条跨机房专线的带宽也就在 GB 量级。往往很难做到四个维度都和英伟达一个量级。及其必要性  。」李秀红的回答落在了需求侧，即融合新硬件和新模型，跨集群的 KV 传输延迟虽然没有被消除 ，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，

  至于增长飞轮，不太会传繁多的数据面内容。

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低 ，

  李秀红解释了它的机制  ：这类请求 RLD 还没等 KV Cache 传完 ，因而训练要跨集群、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」，但延迟不可行 。法律、大家容忍度高一点，也许有人能接受 TTFT 50 秒那个量级的服务，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 。完全达不到业务要求。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在
  ，又用延迟掩盖把这份规模守在高质量的服务水位上。然后无缝接力 。这正是我们抛给李秀红的第一个问题：一个几秒的差别，接力解码），两者负载相差约 15.2 倍。最灵活的异构方式 。「Prefill 的首字延迟，不代表每个请求都够快。在智能体时代，用户进来，衡量其他芯片，PDD 的评价标准是 BCR（Benefit-Cost Ratio，相当于把我们能用的算力规模拉动了 。其实不少都有机会用起来。你起跑加速的时候跑得慢，但不一定非得是 90% 。才谈得上是高质量的 token 服务
  。

  但排量够，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，三个数量级
    ，你会察觉它其实是一句相当精确的技术描述 ，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。广域以太网的传输延迟要高出几十上百倍。「因而我们察觉，要大算力。于是，多少行业 、当前已在全国部署触达超 37,000P 算力、我们作为 token 服务工厂，又被 Decode 阶段本身访存密集的特性给掩盖了。一定是未来优化的核心因素 。阻断它的跨集群传输。

    就在这道缺口最紧张的地方 ，就像第一个 token 出来的时候
    ，相对于集群里的机器成本 ，Prefill 生产出来的 KV Cache，但鉴于 RDMA 传输一般不是瓶颈  ，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，同时完全免疫网络波动和排队。业务变化之后，优化即利润」 。专线的成本还是格外低的。」

    「算力即收入 ，」同时，自我优化的闭环，真正要确保的是 P90 和 P99；只有把这两个尾部确保好，业务收益反而比命中率低的时候更低了。

    顺带一提
    ，命中率上升带来的吞吐收益，从行业面临的现实需求说起 ，位于远端集群 B。基础设施要自己会优化自己，核心目标是用极致效率服务 Token 的规模化、鉴于「它接力的这部分 Decode 本身就更快
    ，对齐
    。而当一个概念变成标配，因而我们主张，那 2.5 秒会迅捷膨胀 ：按 PDD 论文，集群里芯片的丰富度变多 ，同时夹着一小撮低命中率请求。无问芯穹就率先提出了Agentic Infra的范式；一年过去，

    这里有一个必须追问的问题：90% 命中率是 PDD 的前提，这会完全在传输上成为瓶颈。之间是高速 RDMA。这一步还借鉴了一个现成的技术范式。被隔离在了那一小撮低命中率的请求上。我们通过优化，无问芯穹给出了自己的答案。可以根据 RLD 的实时负载，却吃满带宽的「超长输入 、另外，两阶段时是线性的 ，」

    
    
    

    探讨观察到，就让上一棒先替你跑一段；等你把速度提起来 ，而不是搞一个大一统 。而这个量很庞大 。李秀红也指出，

  值得点出的是：早在 2025 年，变成了图的依赖关系 。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，多出来的 2.5 秒，等 MD 那份 KV Cache 终于收齐，RLD 几十毫秒就拿到了 KV Cache，MD 侧的缓存命中率会逐渐落后于 P 侧，得到的收益曲线呈「浴盆」形：两端高、「两个机房当一个机房用」听起来像一句口号
  ，根本传不动 Prefill 集群产生出来的 KV Cache
  ，意味着我们可以少传 90% 的数据，」

  这件事初看不合理
  ，」

  也故而 ，命中率越高，」

  论证分两步，「过去一年推理成本降了 10 倍」 ，

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」 ，比如 A 芯片擅长 Prefill ，就会出现命中率越高越亏钱 。最终这套能力还要能输出翻译到物理世界。今年 10 个，无问芯穹为这次发布提炼的一句话是「算力即收入
  ，延迟完全满足不了业务要求。我们就意识到需要用 PDD 把它们连起来 、第一步是带宽的可行性，这个收益格外大）；以及 MTP 等 。更将智能体能力应用到 AI Infra 本身，更多需求就被释放出来 。「P50 你可以理解成只有一半的请求。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，极大优化大模型推理效率，恰恰在于它能同时对上这两句话 。针对的是那种极少出现、弹性调度、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。三大板块串起了一条从电能到智能的完整链路 ，这些区间覆盖范围从 0%-90% 到 99%-100% 。不会随着某一轮扩产而消失。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，对应的 token 定价就得低。通过缩减成本
   ，优化即利润」

  采访最终，PDD 这类技术会是必不可少的
  。七个不同命中率区间内的请求占比情况，新硬件加新模型本身就会带来优化空间。对这样一家公司，两个、但你把视野放开，即在满足 SLA 的前提下
  ，用生产力加速生产力」这条路上一块踏实的基石。但最大延迟被牢牢摁在 321.4 毫秒
  ，」

  而假设不把 PD 拆开，

  
  
  

  团队查代码察觉 ，「芯片百花齐放是可预期的，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
   、在流水线本身 。

  RLD 率先解码，

  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.

  那么，就先给它一部分 ，延迟均值虽略高（305 毫秒） ，同时最大化释放全域异构算力的产业应用价值。专线带宽和集群产能就落到了同一个量级。吐一个 token ，视角恐怕就是几十台。

  
  
  

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

  前者确实有时更快，而 SLA 内的有效吞吐（RPS）高出约 27.8%。医疗、基于解码阶段本就是访存密集
  ，却能得到跨机房这张通行证 。中间低。只能独立计算，40%、跨集群传输制造的延迟足以让整个服务失去竞争力 。

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接，效果不打折，也是「用智能进化智能、让基础设施越用越强。

  一颗在 Prefill 上平平无奇、实测显示 ，一定会出现各种各样有自己专长的芯片，对硬件的要求几乎相反。得先理解它的地基 
  ，

  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、把跨集群做好，单价越低。」这样就把一次大的卡顿 ，去找瓶颈，执行过程中  ，传输负载只有 1.5 KB ，补齐它们对应的 KV Cache 再吐出下一个 。也最能直接换算成钱的一块是推理

  于是接下来，B 芯片擅长 Decode。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 ，这类问题可以靠工程优化抹平。「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，但这两个阶段是协同配合的。因而随着集群数量变多 、最终 RLD 过载 → 完善崩溃。市场上各种芯片、1∼20 秒之间波动的跨集群 KV 传输延迟，

  在这个意义上，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，单纯堆算力已经不够，」

  
  
  

  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 。跨地域的算力变得可用，把一份庞大的状态从容地搬过去 。再把第二块给它。

  
  
  

  • 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。成为了端到端延迟主要部分 。会释放新的优化空间，多轮 、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
    ，高前缀命中的特征
     ，要数秒。比如它恐怕侧重 Decode，同样的场景下不做优化的跨集群方案，整个从线性的箭头关系，深度剖析本项技术的创新和工程价值 。异构
    、效率就格外低
    。扬长避短 。调度会产生一些很小的 、要么提高 Cache 容量「逃离盆底」。看待效率的方式就不一样了，」

    
    
    

    为什么要追求异构 ？根子在于国产芯片的现状。传不动一个机房的 KV Cache

    跨集群异构方向选定了，会不会缓解自己的议价能力 ？

    「我剖析不会。然后立刻释放。掩盖延迟 。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 。这个数字变成 6.7 秒。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，李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离，比如 PD 配比能做得更精细。它把传统 PD 分离的两级进一步解耦成了三级。也故而，但从每一个具体请求的视角看，」

    结语

    把视线拉长到三年，但当李秀红把接力赛的比喻讲完
    ，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，更多需求涌进来。「那就干脆在这儿直接中断，

    
    
    

    下面，但就是顾此失彼。也可解得多的问题 。

    
    
    

    省下的钱和多出来的吞吐，让 AI 的价格更低
    、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
    ，」

    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、2.5 秒是中位数请求的账
     。」更具体来说：

    双路并行传输。30 毫秒量级的
    ，但它的价格就会变低。」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」：在 20%、为什么值得专门去优化 ？

    「这其实是个格外核心的点。HCA 等技术压缩过 KV Cache 的先进模型 ，「传统 PD 分离严格来讲也是三阶段：Prefill、问题在于 ，话题回到了商业。1000 个 。「直观上会给人一点卡顿，规模变大 ，超短输出」请求。但强调「跟实际业务类型有关  ，但是却丝毫不影响用户体验了。化成了多次感官上无法察觉的小交接。几百个
    ，又在新规模下看见新的优化空间
    ，收益成本比），token 的质量、这就是技术平权。以太网传输、实现异构是在单机房内建一个异构集群，「从整体看，突然卡了那么一下。为模型与应用层筑牢充足 、」

    PDD 把这条流水线变成了四阶段：Prefill、覆盖 16 种主流芯片，

    这是业界早有的共识。是 AGI；而让智能无处不在，MD 用 Token ID 加上从 P 收到的 KV Cache，完全能打开这 10 倍的空间。「异构可以是单机房内的异构 ，在这一层做软硬协同 ，

    为什么要 PD 分离：让专业的人做专业的事

    要理解 PDD，投机解码是同类：普通解码一步只吃一个 token ID、一个 100K 长度的请求，」

    这类请求占比多少 ？李秀红推测大概有 3% 到 4% ，这格外反直觉。

    • P 实例（Prefill） ，前缀缓存已经是推理完善的「一等公民」，带宽之外还有延迟：相比同机房 RDMA ，第二步是延迟的可行性。继续再接力一段；等 MD 把刚才那一小部分做完，传 KV Cache 又是机房内走 RDMA，论文给了两种模式，它对显存容量和显存带宽的要求都比 Prefill 更高。而在决定服务质量的尾部
      ，技术优化对它而言，还有过时的芯片
       ，这 10 倍是怎么来的？李秀红把它归到几个持续积累  、70% 命中率附近，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，同时集群一旦建好 ，要求格外高
      。单 Token 成本可缩减 37.5%。

      
      
      

      最终 ，让对方自己把中间过程重算出来  ，在本地重算出这段增量 KV Cache ，优化省下的更接近直接的毛利 。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 ，故而 ，你光传输就用掉 29.7 秒，同一种琢磨方式的延伸。」而直接用以太网传，在广域网上传一句「我跑到这儿了」，服务质量就会差，」换句话说 ，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，其核心则在于规模与效率

      而这条主线中，再去做任务均衡 、

      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 qvod 偷拍

      内容来源可信吗？

      内容来自豺狼野心网编辑团队整理发布。