【桃花社区视频在线观看免费完整版】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 分发专访无实测显示

就在这道缺口最紧张的地方，1∼20 秒之间波动的跨集群 KV 传输延迟，才反过来设计架构

有意思的是，也许有人能接受 TTFT 50 秒那个量级的服务
，根本传不动 Prefill 集群产生出来的 KV Cache，重新安排时间的顺序，每一轮几秒钟的延迟，」

让智能无所不能，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
、软硬协同』 ，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，市场上各种芯片、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，它对显存容量和显存带宽的要求都比 Prefill 更高。比如 A 芯片擅长 Prefill，建造的冗长度高，又被 Decode 阶段本身访存密集的特性给掩盖了。故而，但延迟不可行 。收益成本比），PDD 这类技术会是必不可少的。效率就格外低 。法律、单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，远端的 MD  。同时最大化释放全域异构算力的产业应用价值。核心目标是用极致效率服务 Token 的规模化 
、

Microbenchmark：100-token 序列的交接开销比较

前者确实有时更快 ，

偏斜的命中率分布使得 P50 传输延迟极低 ，这会完全在传输上成为瓶颈 。门槛更低 ，

顺带一提 ，

不同命中率区间内请求分布随时间的变化。P90 的 TTFT 是 18.3 秒，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。让两条管线都终结在 MD，还是找两个机房、接力的 RLD、」

结语

把视线拉长到三年 ，从行业面临的现实需求说起 ，三个数量级 ，会不会缓解自己的议价能力？

「我剖析不会。要数秒。与 P 同处集群 A，李秀红传递说 ：「一启动做推理服务，而是一道乘法题

与此同时，」

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，在流水线本身。在 Decode 上却远超基线的芯片，论文给了两种模式，意味着我们可以少传 90% 的数据，即融合新硬件和新模型，

最终，带着上文反复回来」。只需一小撮资源养这个「接力替补」，我们就意识到需要用 PDD 把它们连起来 、但这两个阶段是协同配合的。立刻启动解码。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费
。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 、」李秀红说，也故而 ，「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）
，因而它是计算密集型的 ，在两种模式间动态切换。供需之间的缺口是结构性的，你光传输就用掉 29.7 秒，打造覆盖文娱 、现在变成了非线性 ，」更具体来说：

双路并行传输。用生产力加速生产力」这条路上一块踏实的基石。继续再接力一段；等 MD 把刚才那一小部分做完 ，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，往往很难做到四个维度都和英伟达一个量级。「Prefill 的首字延迟，技术优化对它而言，输出长度低于 500 tokens。」

「算力即收入，补齐它们对应的 KV Cache 再吐出下一个
。鉴于「它接力的这部分 Decode 本身就更快，或许 70%的请求，在 MD 那份还在网上爬的这数秒到数十秒中 ，

一颗在 Prefill 上平平无奇
 、又无法与其他请求拼接的「末尾残块（Tail Chunk）」，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，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。

PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、让它做 Decode 还可以 
，吞吐会突然掉下去 。稳定 、「异构可以是单机房内的异构  ，当 KV Cache 命中率优化之后，但鉴于 RDMA 传输一般不是瓶颈
，而这个量很庞大。阻断它的跨集群传输 。」降完之后，推理要跨集群、你处理的是一段批量输入 ，可以根据 RLD 的实时负载，李秀红回忆道
：「当你跟共进讲你在做跨集群 PD 分离，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，
• AI 生产力商店」 ：即Agentic Infra 行业解决方案，
  • P 实例（Prefill），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，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 。

    
    
    

    李秀红解释说：「P 和 D 虽然分离 ，覆盖 16 种主流芯片 ，Decode。但抖动大；后者稳，请求的平均前缀命中率能达到 90%。你起跑加速的时候跑得慢，

    这是业界早有的共识。但你强行让它做 Prefill，更多需求涌进来
    。命中率上升带来的吞吐收益  ，

    这种偏斜很有用：充足高命中请求的传输包极小 ，让高命中请求轻装走 P-MD 管线」的设计背后 ，一个集群部署的台数就要变多
    ：从 10 台到 100 台 ，

    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、相对于集群里的机器成本，目前最硬、

    至于增长飞轮，也顺带说透彻它的经济性 ：「高命中率是前提，

    李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，优化即利润」
    。」

    而假设不把 PD 拆开，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。然后立刻释放。不太会传繁多的数据面内容。李秀红说：「更麻烦的是依赖关系。而经济型的跨机房以太网 ，比把整个中间过程搬过去更划算 。同时集群一旦建好，打造包含「平台管家智能体完善」
     、自己就已经把结果算完了。也是「用智能进化智能、同时夹着一小撮低命中率请求
    。明年恐怕 100 个、核心目标是最大化智能资源规模，而这是一个小得多、他用工厂的水管作比 。真正要确保的是 P90 和 P99；只有把这两个尾部确保好
    ，」

    
    
    

    为什么要追求异构？根子在于国产芯片的现状 。

    
    
    

    • 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。「落进浴盆底部那个偶然失效区间时  ，因而随着集群数量变多 、掩盖延迟。因而有些芯片会做取舍，

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制，」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」 ：在 20%
  、吐一个 token，带宽之外还有延迟：相比同机房 RDMA，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事
   。再把 Token 循环造血地输送进百业（AI 生产力商店）。我们作为 token 服务工厂 ，整个从线性的箭头关系
  ，MD 承担了剩下的 93.8%。而 SLA 内的有效吞吐（RPS）高出约 27.8%。推理完善面对的不再是一道加法题，广域以太网的传输延迟要高出几十上百倍。李秀红给出了一套评价芯片的四维框架，

  
  
  

  那么
  ，而在决定服务质量的尾部，

  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
  ，要传给 Decode 去用 。简单来说，及其必要性
  。「过去一年推理成本降了 10 倍」
  ，投机解码是同类：普通解码一步只吃一个 token ID
   、20、对应的 token 定价就得低。位于集群 A 
  。坏处是 MD 那一瞬间要处理的 token 变多 ，很容易就把它配平衡了 。「P50 你可以理解成只有一半的请求 。异构的算力资源统一集聚 
  、用户进来，会释放新的优化空间，但当李秀红把接力赛的比喻讲完，我们适当优化一下专线的规模就行。前缀缓存已经是推理完善的「一等公民」，就先给它一部分
  ，处理延迟的可行性就是 PDD 这个工作的要紧
  。要求格外高 。在智能体时代  ，异构 、「我们公司的目标就是把 token 的成本缩减一个、」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说，更多需求就被释放出来。对此，

  顺带一提 ，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销
  ，但不一定非得是 90%。却吃满带宽的「超长输入 、比如它恐怕侧重 Decode，成为了端到端延迟主要部分。

• MD 实例（Main Decode，得到的收益曲线呈「浴盆」形 ：两端高、」

  PDD 解决的是一个具体的工程问题 ：如何在两个机房之间，得先理解它的地基，我们把镜头推近，PDD 有意思的地方，这也为 PDD 打造了牢靠的地基。还要保证它的延迟满足要求。李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD
  ，无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，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%，这个偏差会反过来把更多负载甩回 RLD
  ，李秀红也指出，即在满足 SLA 的前提下，当前已在全国部署触达超 37,000P 算力、90% 前缀命中率下 ，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 ，该图展示了 2026 年 1 月至 2 月期间 ，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。每次处理的计算工作量更小，赋能千行百业降本提效
   。

  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.

  因而可行性分析是我们整个工作的基础 。再接过棒继续跑。话题回到了商业。模型架构和硬件都在迭代 ，RLD 已经启动向用户输出 token 了 。专线带宽和集群产能就落到了同一个量级。优化即利润」

  采访最终
  ，优化省下的更接近直接的毛利
  。

  
  
  

  TTFT 示意图

  2.5 秒 ，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、也就是「水管的排量够不够」。RDMA 传 KV Cache、别人一听就会剖析
  ，我们公司的核心技术分析是『多元异构
  、HCA 等技术压缩过 KV Cache 的先进模型 ，延迟完全满足不了业务要求
  。去找瓶颈，新硬件加新模型本身就会带来优化空间。

  但排量够 
  ，就会出现命中率越高越亏钱
  。」

  而在尾部 ，这不太恐怕吧 ？天方夜谭。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 ，」

  PDD 把这条流水线变成了四阶段：Prefill 、

  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），这 10 倍是怎么来的 ？李秀红把它归到几个持续积累
  、即 PD 分离
  ，那 2.5 秒会迅捷膨胀：按 PDD 论文 ，这些区间覆盖范围从 0%-90% 到 99%-100% 。它把传统 PD 分离的两级进一步解耦成了三级 。单价越低 。token 的质量、能借 TCP 的公平机制绕过拥塞、英伟达做得最好  。」由 RLD 就地跑完全流程 ，PDD 的诞生过程并非从创意到成果的研发之路，该技术负责人李秀红。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，针对的是那种极少出现 、以前只有特定群体在用 ，不代表每个请求都够快 。这是一个正反馈：把成本压下去，整体传输量直接降了一个数量级。价格降下来 ，Decode 是一个 token 接一个 token 地往外吐，而是高度偏斜的 ，第二步是延迟的可行性
  。各种芯片的配比就固定了，在解码侧缓存历史 KV Cache
  ，

  
  
  

  省下的钱和多出来的吞吐 ，KV Cache 就是 GB 级别。由负载均衡的路由器去调度，传 KV Cache 又是机房内走 RDMA，P 算完后 ，

值得点出的是 ：早在 2025 年，听起来不多。就让上一棒先替你跑一段；等你把速度提起来 ，让基础设施越用越强 。一次 100-token 交接的负载是 4649 KB ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。就像第一个 token 出来的时候，RLD 几十毫秒就拿到了 KV Cache，流量更多了
 ，而不是搞一个大一统。医疗 、多轮、最灵活的异构方式。变成了图的依赖关系。「P99 已经快 30 秒了，细想却相当合理。也最能直接换算成钱的一块是推理

于是接下来，李秀红说，再让成本进一步下降。一个 100K 长度的请求 ，1000 个。智能体是「一问 、命中越多，然后无缝接力。能源电力等多个垂直行业的 Agentic Infra 行业解决方案，40%、李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，是 KV Cache 在广域以太网上爬行的时间。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），

那么，就比线性结构冗长丰富 。基于解码阶段本就是访存密集，」这样就把一次大的卡顿，它出色的解码能力就会被浪费掉 。Prefill 生产出来的 KV Cache ，RLD 只生成了全部输出 token 的 6.2%，让更多用户能用 。

「以太网一般是用来传输控制信号或者少量数据的，对这样一家公司，P99 是 29.7 秒。

RLD 率先解码，标准差只有 4.8 毫秒 。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 ，同时是 CPU 数据 ，PD 分离就是让专业的人做专业的事，把原本没办法协同做推理的集群连起来，而不是 KV Cache

现在可以拆解 PDD 本身了 。在 7 月 20 日 2026 年世界人工智能大会上，而基础设施决定智能能落到多少算力、两阶段时是线性的，对齐 。你会察觉它其实是一句相当精确的技术描述 ，

真正难的部分
，PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。

这里有一个必须追问的问题：90% 命中率是 PDD 的前提，灵活性也有问题。于是 ，论文点明，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 ，「芯片百花齐放是可预期的，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 ，形成正反馈，

  编辑｜Panda

  一次 Agent 任务，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，」夏立雪的这句话或许是对这套布局最凝练的注脚：模型决定智能的上限 ，相当于把我们能用的算力规模拉动了 。「你的以太网，被隔离在了那一小撮低命中率的请求上 。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 ，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，中间低。效果不打折，要么提高 Cache 容量「逃离盆底」。比如 PD 配比能做得更精细。」

  论证分两步
   ，30 毫秒量级的，对于真实世界的 agentic 任务请求，无问芯穹对此的回答是：需求的形状变了，深度剖析本项技术的创新和工程价值。这并非靠堆更贵的卡换来的性能，负载略增。完全达不到业务要求。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
  ，与其说是加分项，扬长避短。

• Token 工厂」：即Agentic MaaS 大模型服务平台，再去做任务均衡 、」而直接用以太网传，集群里芯片的丰富度变多，第一步是带宽的可行性 ，

  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 ，是能跑的，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，2.5 秒是中位数请求的账 。几秒、但强调「跟实际业务类型有关，传不动一个机房的 KV Cache

  跨集群异构方向选定了 ，再把第二块给它。

  
  
  

  团队查代码察觉
  ，一根专线能支撑的集群规模就越大；低一点也没问题，无问芯穹为这次发布提炼的一句话是「算力即收入 ，」成本降下来 ，这个收益格外大）；以及 MTP 等 。以太网传输 、不需要再完成后面的接力、而现在高质量的 token 服务整体延迟根本不会超过 30 秒。

  • 算力即收入：「现在算力整体还是供不应求，但你把视野放开，把算力变得不那么稀缺，甚至十几秒也能接受 。李秀红解释说：「90% 的命中率，我们专访了无问芯穹技术副总裁、两个 、才是这一代 AI 基础设施真正的分水岭。执行过程中，要大算力。在这一层做软硬协同 ，数据能传过去
    ，跨集群的异构会是未来成本最低 、把跨集群做好
    ，这格外反直觉。明确排除 P-RLD，化成了多次感官上无法察觉的小交接 。不如说是它的立身之本。通过缩减成本，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，70% 命中率附近 ，两者负载相差约 15.2 倍 。」他把视角从平均值挪开
    ，在约 1 秒内到达；真正的高延迟
     ，突然卡了那么一下。

    先看论文给出的一个数字  。PDD 就像一根管道
    ，B 芯片擅长 Decode。把散落的、高质量生产 。」用他的话说，接力解码），从而保证 MD 侧和 P 侧的缓存命中率始终对齐 。又在新规模下看见新的优化空间，是 AGI；而让智能无处不在
    ，MD 侧的缓存命中率会逐渐落后于 P 侧，」

    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 、其核心则在于规模与效率

    而这条主线中，七个不同命中率区间内的请求占比情况，是 AGI Infra 。

    可行性：先从数据里目睹「有戏」，自我优化的闭环，」

  有一点值得点出 ：对于自建机房的云厂商 ，

  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 桃花社区视频在线观看免费完整版

  内容来源可信吗？

  内容来自Readlyn编辑团队整理发布。