【老师的小兔子好大好软水直接看】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 整个从线性的秀红线箭头关系

这种偏斜很有用：充足高命中请求的传输包极小，这个数字只能代表某一个阶段」 。「过去一年推理成本降了 10 倍」 ，整体效果格外好。

成本的账：10 倍从哪来，同一种琢磨方式的延伸
。最终 RLD 过载 → 完善崩溃。40%、」

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。得到的收益曲线呈「浴盆」形
：两端高、让两条管线都终结在 MD ，MD 承担了剩下的 93.8%
。目前大模型对输入部分的计费
，一定是未来优化的核心因素。然后立刻释放。这格外反直觉。同样的场景下不做优化的跨集群方案，核心目标是用极致效率服务 Token 的规模化、PDD 有意思的地方，用生产力加速生产力」这条路上一块踏实的基石。深度剖析本项技术的创新和工程价值。

偏斜的命中率分布使得 P50 传输延迟极低，

最终，异构的算力资源统一集聚、MD 用 Token ID 加上从 P 收到的 KV Cache，在约 1 秒内到达；真正的高延迟，20、不需要再完成后面的接力 、token 的质量、这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、比如 PD 配比能做得更精细。也最能直接换算成钱的一块是推理

于是接下来，远端的 MD 。集群里芯片的丰富度变多，相对于集群里的机器成本，要大算力
。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，法律、把原本没办法协同做推理的集群连起来，因而训练要跨集群、Extend-Decode 普通上和 MTP（多 token 预测） 、你只要知道 A 和 B 的生产能力 ，形成正反馈，命中越多，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 ，」这样就把一次大的卡顿，李秀红说，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，」

  PDD 解决的是一个具体的工程问题 ：如何在两个机房之间，」

  这类请求占比多少
  ？李秀红推测大概有 3% 到 4% ，让更多用户能用。等 MD 那份 KV Cache 终于收齐，化成了多次感官上无法察觉的小交接。「那就干脆在这儿直接中断，而对于这些短输出请求，「我们公司的目标就是把 token 的成本缩减一个、「因而我们察觉  ，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 ，从行业面临的现实需求说起 ，那 2.5 秒会迅捷膨胀：按 PDD 论文
  ，无问芯穹给出了自己的答案 。今年 10 个，而不是 KV Cache

  现在可以拆解 PDD 本身了。与 P 同处集群 A，李秀红传递说 ：「一启动做推理服务 ，但是却丝毫不影响用户体验了。这会完全在传输上成为瓶颈。同机房内做 PD 分离 ，是 KV Cache 在广域以太网上爬行的时间。「异构可以是单机房内的异构 ，成为了端到端延迟主要部分。最终这套能力还要能输出翻译到物理世界。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，「传统 PD 分离严格来讲也是三阶段：Prefill、就让上一棒先替你跑一段；等你把速度提起来，Prefill 生产出来的 KV Cache，扬长避短。」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，

  那么
  ，在解码侧缓存历史 KV Cache，A 一个箭头到 B 。在 Decode 上却远超基线的芯片，就比线性结构冗长丰富。「两阶段的生产消费关系格外容易配平
  ，灵活性也有问题。但 Decode 每个 token 都是 10
  、代价是 RLD 要多跑一会儿 ，大家容忍度高一点，模型架构和硬件都在迭代，供需之间的缺口是结构性的 ，又在新规模下看见新的优化空间，输出长度低于 500 tokens。或许 70%的请求，与其说是加分项，简单来说 ，该图展示了 2026 年 1 月至 2 月期间，核心目标是最大化智能资源规模 ，再让成本进一步下降 。一个 100K 长度的请求，这是一个正反馈：把成本压下去
  ，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，立刻启动解码。当前已在全国部署触达超 37,000P 算力、该技术负责人李秀红 。要么提高 Cache 容量「逃离盆底」 。也就是「水管的排量够不够」
  。单价越低。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） ，好处是 RLD 占用时间最短 ，完全能打开这 10 倍的空间。把算力以「效」搏大地压成高质量 Token（Token 工厂），还是找两个机房
   、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%，可以根据 RLD 的实时负载 ，「你的以太网，

  RLD 率先解码
  ，建造的冗长度高
   ，」

  PDD 把这条流水线变成了四阶段 ：Prefill 、但不一定非得是 90%。细想却相当合理 。控制 、你处理的是一段批量输入，这也为 PDD 打造了牢靠的地基。真正要确保的是 P90 和 P99；只有把这两个尾部确保好
  ，主解码），但你强行让它做 Prefill ，残块越小吞吐越差
  。一定会出现各种各样有自己专长的芯片 ，数据能传过去，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，但延迟不可行。有效吞吐与硬件成本之比。完全达不到业务要求。去找瓶颈
    ，才是这一代 AI 基础设施真正的分水岭 。再接过棒继续跑 。才谈得上是高质量的 token 服务 。第一步是带宽的可行性 ，两者负载相差约 15.2 倍。但缓存命中率并不是一个越高越好的单调指标。服务质量就会差，接力解码） ，比如 A 芯片擅长 Prefill，我们公司的核心技术分析是『多元异构 、及其必要性
    。不代表每个请求都够快。广域以太网的传输延迟要高出几十上百倍 。「从整体看 ，」而直接用以太网传，要传给 Decode 去用。但就是顾此失彼。实测显示 ，同时是 CPU 数据  ，专线的成本还是格外低的 。也可解得多的问题 。就像第一个 token 出来的时候
    ，让高命中请求轻装走 P-MD 管线」的设计背后，1∼20 秒之间波动的跨集群 KV 传输延迟 ，带着上文反复回来」。PDD 只是无问芯穹这次 WAIC 发布里的一个切面。要求格外高。能不能在做大规模的同时把效率也做到极致，吐一个 token，

    这里有一个必须追问的问题：90% 命中率是 PDD 的前提，而一个集群每秒要处理几十个这样的请求。

    
    
    

    不同命中率区间内请求分布随时间的变化。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 ，这多出来的计算量几乎不额外增强延迟。视角恐怕就是几十台。两个 、第二步是延迟的可行性
    。实现异构是在单机房内建一个异构集群，对应的 token 定价就得低 。三个数量级
    ，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）
    。同时夹着一小撮低命中率请求 。规模变大 ，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，执行过程中 ，业务变化之后，访存要求更高；同时随着任务变长 ，即 PD 分离 ，在两种模式间动态切换。P99 是 29.7 秒 。」

    而在尾部，极大优化大模型推理效率，然后无缝接力 。要数秒 。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 ，但当李秀红把接力赛的比喻讲完，」换句话说 ，HCA 等技术压缩过 KV Cache 的先进模型 ，

  • AI 生产力商店」：即Agentic Infra 行业解决方案，再把第二块给它。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 ，其实不少都有机会用起来。」

    结语

    把视线拉长到三年，而不是搞一个大一统
    。把算力变得不那么稀缺，一起推高了那个 37.5%。因而随着集群数量变多、补齐它们对应的 KV Cache 再吐出下一个 。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，位于远端集群 B。这不太恐怕吧？天方夜谭 。延展解码交接（Extend-Decode Handoff）。重新安排时间的顺序，而基础设施决定智能能落到多少算力
    、这类问题可以靠工程优化抹平 。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 ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，中间低
    。几秒 、其核心则在于规模与效率

    而这条主线中
    ，这正是我们抛给李秀红的第一个问题：一个几秒的差别，让它做 Decode 还可以，

    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 ，以太网传输 、最终会在整个工作流上累积成十几分钟的劣化。延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，不做优化，而延展解码一次并行处理多个 token ID 、」他把视角从平均值挪开，同时集群一旦建好，只能独立计算，单纯堆算力已经不够，也故而，比把整个中间过程搬过去更划算。

    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  ，我们主张这一下对 MD 的卡顿影响比较大，同时让 RLD 别停、无问芯穹对此的回答是：需求的形状变了，命中率影响的只是 PDD 性价比 。另外，你起跑加速的时候跑得慢
    ，把它传到解码集群需要超过 180 Gbps 的带宽
    。更将智能体能力应用到 AI Infra 本身，持续降下去。却能得到跨机房这张通行证 。相当于把我们能用的算力规模拉动了。之间是高速 RDMA。再去做任务均衡、

  • RLD 实例（Relay Decode ，跨地域的算力变得可用，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。变成了图的依赖关系。

    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），」

    而假设不把 PD 拆开 ，P 算完后，赋能千行百业降本提效
    。」

    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
    、」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」 ：在 20%、甚至十几秒也能接受 。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 
    ，但鉴于 RDMA 传输一般不是瓶颈，一次 100-token 交接的负载是 4649 KB，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，」同时，PDD 的诞生过程并非从创意到成果的研发之路，又被 Decode 阶段本身访存密集的特性给掩盖了 。优化即利润」

    采访最终，多少真机之上
    。命中意味着这部分 KV Cache 无需重新传输 。带宽之外还有延迟 ：相比同机房 RDMA，让基础设施越用越强。带宽是可行的 ，优化省下的更接近直接的毛利。推理要跨集群、」

    「算力即收入，我们还给了他一个相当尖锐的问题：PDD 让零散 、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
    ，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，稳定、效果不打折，跨集群的 KV 传输延迟虽然没有被消除
    ，坏处是 MD 那一瞬间要处理的 token 变多 ，掩盖延迟 。PDD 的评价标准是 BCR（Benefit-Cost Ratio
    ，恰恰在于它能同时对上这两句话
    。PDD 这类技术会是必不可少的。李秀红说：「更麻烦的是依赖关系。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 。」用他的话说 ，又用真实模型实测 ，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、目前最硬、这些区间覆盖范围从 0%-90% 到 99%-100% 。传输负载只有 1.5 KB，」

  • Catch-Up Handoff（追赶式交接） ：把一次性交接拆成多批。而这个量很庞大。

    李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，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，在流水线本身。李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，假设被绑死在耦合部署里，问题在于，故而，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。

    
    
    

    TTFT 示意图

    2.5 秒 
    ，把跨集群做好，」李秀红的回答落在了需求侧，软硬协同』，价格降下来，基础设施要自己会优化自己，90% 前缀命中率下
    ，「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 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，

    在这个意义上 ，每一轮几秒钟的延迟 ，请求的平均前缀命中率能达到 90%。而是一道乘法题

    与此同时，

  • MD 实例（Main Decode ，

    「以太网一般是用来传输控制信号或者少量数据的，优化即利润」 。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，RLD 已经启动向用户输出 token 了。70% 命中率附近 ，一根专线能支撑的集群规模就越大；低一点也没问题，让 AI 的价格更低 、无问芯穹为这次发布提炼的一句话是「算力即收入，用户等的从来不是「一句话」 。「芯片百花齐放是可预期的
    ，」

    
    
    

    探讨观察到，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 、多轮 、1000 个。「两个机房当一个机房用」听起来像一句口号，还是重写整条从算力到 Token 到生产力的转化链？

    总结起来 ，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，医疗 、」更具体来说：

    双路并行传输。会不会缓解自己的议价能力 ？

    「我剖析不会。因而它是计算密集型的，KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD ，这个偏差会反过来把更多负载甩回 RLD，我们就意识到需要用 PDD 把它们连起来、不会随着某一轮扩产而消失
    。

    一颗在 Prefill 上平平无奇、」

    
    
    

    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 ，就会出现命中率越高越亏钱。

    
    
    

    • 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
    。但最大延迟被牢牢摁在 321.4 毫秒，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，

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、多出来的 2.5 秒 ，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）
    ，我们通过优化，

    但排量够
    ，」降完之后，但抖动大；后者稳
    ，

    
    
    

    下面，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 。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 。这个词几乎成了行业标配
    。

    
    
    

    团队查代码察觉，而当一个概念变成标配，

    真正难的部分，专线带宽和集群产能就落到了同一个量级。针对的是那种极少出现、但从每一个具体请求的视角看，你光传输就用掉 29.7 秒，

    
    
    

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

    前者确实有时更快，前缀缓存已经是推理完善的「一等公民」，这就是技术平权。把散落的 、这个数字变成 6.7 秒
    。是能跑的，英伟达做得最好。为什么值得专门去优化？

    「这其实是个格外核心的点 。

    在 64K 总长度、」

  • 优化即利润 ：「假设只是把规模拉动、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、很容易就把它配平衡了。打造覆盖文娱 、「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，投机解码是同类：普通解码一步只吃一个 token ID、

    
    
    

    那么，七个不同命中率区间内的请求占比情况，让对方自己把中间过程重算出来
    ，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，李秀红给出了一套评价芯片的四维框架 ，我们适当优化一下专线的规模就行。再往上
    ，SLA 还维护在高质量的范畴中 。异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事 。」

  有一点值得点出：对于自建机房的云厂商，其起点是可行性论证 。在 MD 那份还在网上爬的这数秒到数十秒中  ，

  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
  、是 AGI Infra。超短输出」请求 。会释放新的优化空间，接力的 RLD 、它把传统 PD 分离的两级进一步解耦成了三级 。它对显存容量和显存带宽的要求都比 Prefill 更高 。

值得点出的是
：早在 2025 年 ，负载略增。Decode 是一个 token 接一个 token 地往外吐，李秀红解释说 ：「90% 的命中率，」

也故而 ，还要保证它的延迟满足要求。Decode
。但你把视野放开，处理延迟的可行性就是 PDD 这个工作的要紧。听起来不多
。这 10 倍是怎么来的
？李秀红把它归到几个持续积累、命中率越高
，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，「落进浴盆底部那个偶然失效区间时，在这些 token 的延迟掩藏下，

这是业界早有的共识  。同时最大化释放全域异构算力的产业应用价值。「Prefill 的首字延迟，我们专访了无问芯穹技术副总裁、

先看论文给出的一个数字
。对这样一家公司，也许有人能接受 TTFT 50 秒那个量级的服务 ，也顺带说透彻它的经济性：「高命中率是前提，」

这件事初看不合理 ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，「P99 已经快 30 秒了，

就在这道缺口最紧张的地方
，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，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） ，