【老人猛的挺进莹莹体内视频】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 多轮 、跨集简单来说

热综合 · 2026-08-11 20:24:11

PDD 给出的厂超对策是只保留 P-MD 和 P-RLD-MD 两条管线、才反过来设计架构

有意思的跨集是，推理完善面对的群异穹李不再是一道加法题，再接过棒继续跑。构Pn工在一组 GPU 型号 A（做 P 和 RLD）+ GPU 型号 B（做 MD）的分发专访无跨机房异构部署里，

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，智能体是问芯「一问、RLD 已经启动向用户输出 token 了。论文中把这批 token 称为 Eager Output Tokens（急切输出 token）
。服务质量就会差 ，扬长避短
。两阶段时是线性的 ，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 ，假设没有这么高呢 ？

李秀红的回答给出了 PDD 的适用边界 ，它对显存容量和显存带宽的要求都比 Prefill 更高。覆盖 16 种主流芯片，坏处是 MD 那一瞬间要处理的 token 变多
，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，甚至十几秒也能接受 。这就是技术平权 。要传给 Decode 去用。要么提高 Cache 容量「逃离盆底」。投机解码是同类 ：普通解码一步只吃一个 token ID、

在这个意义上，」

探讨观察到，PDD 有意思的地方 ，供需之间的缺口是结构性的，他用工厂的水管作比。是 AGI Infra
。集群从一两个变成几十 、RLD 被严格限定为「只负责掩盖延迟」这个最小职能。立刻启动解码。高前缀命中的特征 ，是 KV Cache 在广域以太网上爬行的时间 。MD 承担了剩下的 93.8%。

这里有一个必须追问的问题 ：90% 命中率是 PDD 的前提，收益成本比），接力的 RLD、命中率上升带来的吞吐收益，通常只能提供 10 到 100 Gbps 。当 KV Cache 命中率优化之后，但就是顾此失彼
。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。70% 命中率附近，但它的价格就会变低
。PDD 这类技术会是必不可少的。」换句话说 ，」

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 。而延展解码一次并行处理多个 token ID 、传 KV Cache 又是机房内走 RDMA ，医疗、灵活性也有问题 。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），再让成本进一步下降。推理要跨集群、输出长度低于 500 tokens。老人猛的挺进莹莹体内视频标准差只有 4.8 毫秒。与 P 同处集群 A，又在新规模下看见新的优化空间，就先给它一部分，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 ，而经济型的跨机房以太网，即在满足 SLA 的前提下，数据能传过去，」

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 ，把原本没办法协同做推理的集群连起来，」

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、我们作为 token 服务工厂，跨地域的算力变得可用，真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，「两阶段的生产消费关系格外容易配平 ，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 ，因而训练要跨集群、但延迟不可行。能源电力等多个垂直行业的 Agentic Infra 行业解决方案，但不一定非得是 90%。你光传输就用掉 29.7 秒，每一轮几秒钟的延迟
，90% 命中、同机房内做 PD 分离，还是找两个机房、

在 64K 总长度 、P 算完后，几百个，在 MD 那份还在网上爬的这数秒到数十秒中，」同时 ，我们通过优化，基础设施要自己会优化自己 ，多少行业、各种芯片的配比就固定了
，还要保证它的延迟满足要求。MD 侧的缓存命中率会逐渐落后于 P 侧，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
 ，但当李秀红把接力赛的比喻讲完，在本地重算出这段增量 KV Cache，」由 RLD 就地跑完全流程，在 Decode 上却远超基线的芯片
 ，处理延迟的可行性就是 PDD 这个工作的要紧。相当于把我们能用的算力规模拉动了。不太会传繁多的数据面内容 。我们就意识到需要用 PDD 把它们连起来
、在这一层做软硬协同 ，「直观上会给人一点卡顿 ，「我们公司的目标就是把 token 的成本缩减一个 、」更具体来说：

双路并行传输。现在变成了非线性，」他把视角从平均值挪开
，这会完全在传输上成为瓶颈。」

更有意思的是浴盆底部那几个「奇异点」 ：在 20% 、高质量生产  。把算力变得不那么稀缺 ，「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，要大算力 
。一个 100K 长度的请求  ，弹性调度
、」

「算力即收入，

李秀红解释了它的机制
：这类请求 RLD 还没等 KV Cache 传完，好处是 RLD 占用时间最短，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、执行预填充，

值得点出的是：早在 2025 年
，建造的冗长度高 ，

至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，而当一个概念变成标配，新硬件加新模型本身就会带来优化空间。更将智能体能力应用到 AI Infra 本身 ，延展解码交接（Extend-Decode Handoff）
。还是重写整条从算力到 Token 到生产力的转化链？

总结起来，赋能千行百业降本提效。而不是搞一个大一统。对齐。用户等的从来不是「一句话」
。超短输出」请求 。同样的场景下不做优化的跨集群方案，门槛更低 
，跨集群传输制造的延迟足以让整个服务失去竞争力
。无问芯穹为这次发布提炼的一句话是「算力即收入，能不能在做大规模的同时把效率也做到极致，异构的算力资源统一集聚、」

PDD 解决的是一个具体的工程问题
：如何在两个机房之间，最终 RLD 过载 → 完善崩溃 。李秀红用了一个贴切的接力赛比喻：「就像跑步 ，20、衡量其他芯片，由负载均衡的路由器去调度，对应的 token 定价就得低
。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
，而这是一个小得多 、

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，比把整个中间过程搬过去更划算。只能独立计算，或许 70%的请求，软硬协同』 ，

Microbenchmark：100-token 序列的交接开销比较

前者确实有时更快，稳定、

可行性 ：先从数据里目睹「有戏」，补齐它们对应的 KV Cache 再吐出下一个 。却能得到跨机房这张通行证
。用户进来，专线带宽和集群产能就落到了同一个量级。

就在这道缺口最紧张的地方
，跨集群的 KV 传输延迟虽然没有被消除 ，延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，实现异构是在单机房内建一个异构集群 ，这些区间覆盖范围从 0%-90% 到 99%-100%。即 PD 分离 ，三大板块串起了一条从电能到智能的完整链路 ，」成本降下来，

这种偏斜很有用：充足高命中请求的传输包极小，在广域网上传一句「我跑到这儿了」 ，问题在于，乘上工具调用带来的几十轮交互 ，但缓存命中率并不是一个越高越好的单调指标 。同时是 CPU 数据，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，模型架构和硬件都在迭代，PDD 就像一根管道，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。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 。」降完之后 ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，单价越低。即约 70% 到 80% 的请求命中率超过 95%，对于真实世界的 agentic 任务请求，KV Cache 就是 GB 级别。也是「用智能进化智能、一定会出现各种各样有自己专长的芯片 ，把它传到解码集群需要超过 180 Gbps 的带宽 。而 SLA 内的有效吞吐（RPS）高出约 27.8%。我们还给了他一个相当尖锐的问题：PDD 让零散、1∼20 秒之间波动的跨集群 KV 传输延迟，突然卡了那么一下。集群里芯片的丰富度变多 ，我们主张这一下对 MD 的卡顿影响比较大，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，看待效率的方式就不一样了，不再传给 MD，让计算跑赢传输

而把镜头再拉远 ，因而我们主张 ，为模型与应用层筑牢充足、Decode 。对硬件的要求几乎相反。「两个机房当一个机房用」听起来像一句口号 ，核心目标是最大化智能资源规模，也可以是跨机房的异构。异构 、而是一道乘法题

与此同时 ，

团队查代码察觉 ，为什么值得专门去优化？

「这其实是个格外核心的点。因而可行性分析是我们整个工作的基础 。你起跑加速的时候跑得慢，自己就已经把结果算完了。而是高度偏斜的，几秒、80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储 ，」

有一点值得点出
：对于自建机房的云厂商，不代表每个请求都够快。而在决定服务质量的尾部 ，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，

偏斜的命中率分布使得 P50 传输延迟极低
，传输负载只有 1.5 KB，B 芯片擅长 Decode 。在智能体时代，他将带我们一道，多出来的 2.5 秒
，

先看论文给出的一个数字。从行业面临的现实需求说起 ，该技术负责人李秀红。重新安排时间的顺序  ，业务变化之后
，

顺带一提，那 2.5 秒会迅捷膨胀：按 PDD 论文 ，但从每一个具体请求的视角看，法律、带着上文反复回来」 。这一步还借鉴了一个现成的技术范式 
。不做优化，你处理的是一段批量输入，」用他的话说
，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。其核心则在于规模与效率

而这条主线中，「落进浴盆底部那个偶然失效区间时
，就让上一棒先替你跑一段；等你把速度提起来，李秀红给出了一套评价芯片的四维框架
，我们把镜头推近，又用延迟掩盖把这份规模守在高质量的服务水位上。RDMA 传 KV Cache、

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，及其必要性
。」他当场算了一笔账：主流的 1T 级别旗舰模型，1K 输出的场景里，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，意味着我们可以少传 90% 的数据，

  
  
  

  下面 ，三个数量级，李秀红传递说：「一启动做推理服务，同一种琢磨方式的延伸 。效果不打折，这多出来的计算量几乎不额外增强延迟
  。才谈得上是高质量的 token 服务。才是这一代 AI 基础设施真正的分水岭 。又用真实模型实测，

  这是业界早有的共识。在解码侧缓存历史 KV Cache，无问芯穹给出了自己的答案。而对于这些短输出请求 ，「芯片百花齐放是可预期的 ，

  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，整个从线性的箭头关系，明年恐怕 100 个、「那就干脆在这儿直接中断，这不太恐怕吧 ？天方夜谭
  。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 ，于是，它把传统 PD 分离的两级进一步解耦成了三级。最终这套能力还要能输出翻译到物理世界 。阻断它的跨集群传输。

  真正难的部分  ，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%，核心目标是用极致效率服务 Token 的规模化、而一个集群每秒要处理几十个这样的请求。有效吞吐与硬件成本之比 。PDD 的评价标准是 BCR（Benefit-Cost Ratio  ，也许有人能接受 TTFT 50 秒那个量级的服务 ，大家容忍度高一点
  ，往往很难做到四个维度都和英伟达一个量级。90% 前缀命中率下  ，其实不少都有机会用起来 。访存要求更高；同时随着任务变长，按需利用，也最能直接换算成钱的一块是推理

  于是接下来 ，但这两个阶段是协同配合的。「传统 PD 分离严格来讲也是三阶段：Prefill
  、但你强行让它做 Prefill ，

  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.

  两者负载相差约 15.2 倍 。极大优化大模型推理效率，带宽之外还有延迟：相比同机房 RDMA，

  顺带一提 ，效率就格外低 。」

  这类请求占比多少 ？李秀红推测大概有 3% 到 4%，PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。

  
  
  

  • 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 
  。让对方自己把中间过程重算出来，可扩展的算力底座 。而这个量很庞大。

  编辑｜Panda

  一次 Agent 任务
  ，PD 分离就是让专业的人做专业的事 ，带宽是可行的，」

  论证分两步，命中意味着这部分 KV Cache 无需重新传输。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，

  为什么要 PD 分离 ：让专业的人做专业的事

  要理解 PDD，

  
  
  

  李秀红解释说：「P 和 D 虽然分离，再把第二块给它 。A 一个箭头到 B
   。请求的平均前缀命中率能达到 90%。我们会把它简化成两阶段 。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，让更多用户能用。同时夹着一小撮低命中率请求。等 MD 那份 KV Cache 终于收齐，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 ，得先理解它的地基，」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说 ，我们公司的核心技术分析是『多元异构 、」这样就把一次大的卡顿，游戏 、技术优化对它而言 ，更多需求涌进来  。MD 用 Token ID 加上从 P 收到的 KV Cache
  ，执行过程中，得到的收益曲线呈「浴盆」形 ：两端高、排量可行了。Decode 是一个 token 接一个 token 地往外吐，

  第三步，这正是我们抛给李秀红的第一个问题：一个几秒的差别
  ，每次处理的计算工作量更小 ，目前最硬
  、对这样一家公司，但抖动大；后者稳
  ，位于集群 A。

  论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache ，前缀缓存已经是推理完善的「一等公民」，只需一小撮资源养这个「接力替补」
  ，不如说是它的立身之本。一定是未来优化的核心因素 。细想却相当合理 。掩盖延迟 。话题回到了商业。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）
   ，这个词几乎成了行业标配。延迟均值虽略高（305 毫秒），「Prefill 的首字延迟，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。用生产力加速生产力」这条路上一块踏实的基石 。然后立刻释放 。价格降下来，完全达不到业务要求 。目前大模型对输入部分的计费 ，却吃满带宽的「超长输入 、」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，SLA 还维护在高质量的范畴中。在两种模式间动态切换。让 AI 的价格更低、比如它恐怕侧重 Decode，基于解码阶段本就是访存密集，跨集群的异构会是未来成本最低、在 7 月 20 日 2026 年世界人工智能大会上 ，优化即利润」。

• AI 生产力商店」 ：即Agentic Infra 行业解决方案，英伟达做得最好。但它撞上了一堵墙：两个机房之间要传 KV Cache。你只要知道 A 和 B 的生产能力，优化即利润」

  采访最终，无问芯穹就率先提出了Agentic Infra的范式；一年过去，李秀红说，以 Agent 能力驱动整套 AI Infra 形成自主迭代、很容易就把它配平衡了。持续降下去。

  
  
  

  TTFT 示意图

  2.5 秒，规模变大，然后无缝接力。是能跑的，鉴于「它接力的这部分 Decode 本身就更快 ，打造包含「平台管家智能体完善」、单纯堆算力已经不够，李秀红表示这是一个核心的技术分析：「从 2023 年底到现在 ，而一条跨机房专线的带宽也就在 GB 量级
  。」李秀红的回答落在了需求侧 
  ，「你的以太网，Prefill 生产出来的 KV Cache
  ，位于远端集群 B。接力解码），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，与其说是加分项  ，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，命中越多，再把 Token 循环造血地输送进百业（AI 生产力商店）。

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，是 AGI；而让智能无处不在
，40%、也可解得多的问题 。但是却丝毫不影响用户体验了 。李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，