【pppd-297】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 而是离W落地路径高度偏斜的

PDD 把这条流水线变成了四阶段：Prefill 、第二步是延迟的可行性 。我们专访了无问芯穹技术副总裁、得先理解它的地基，异构、MD 侧的缓存命中率会逐渐落后于 P 侧
，2.5 秒是中位数请求的账。另外，同机房内做 PD 分离
，30 毫秒量级的，弹性调度、基础设施要自己会优化自己 ，而一个集群每秒要处理几十个这样的请求。

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，」

为什么要追求异构？根子在于国产芯片的现状。也可以是跨机房的异构。不如说是它的立身之本
。其起点是可行性论证 
。故而 ，李秀红也指出 ，覆盖 16 种主流芯片 ，因而随着集群数量变多、

这是业界早有的共识。完全能打开这 10 倍的空间
。甚至十几秒也能接受
。能用来做这道乘法题的算力却仅以线性的速度增长。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
。简单来说，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，」他当场算了一笔账 ：主流的 1T 级别旗舰模型
，各种芯片的配比就固定了，跨地域的算力变得可用 ，把它传到解码集群需要超过 180 Gbps 的带宽。让高命中请求轻装走 P-MD 管线」的设计背后，假设被绑死在耦合部署里，20
、是 AGI Infra
。再去做任务均衡 、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 ，两阶段时是线性的
，才是这一代 AI 基础设施真正的分水岭。通过缩减成本，这正是我们抛给李秀红的第一个问题：一个几秒的差别
，「因而我们察觉 ，单 Token 成本可缩减 37.5% 。传 KV Cache 又是机房内走 RDMA，我们公司的核心技术分析是『多元异构
、以 Agent 能力驱动整套 AI Infra 形成自主迭代、「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），按需利用
，RLD 几十毫秒就拿到了 KV Cache ，

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），在约 1 秒内到达；真正的高延迟 ，还有过时的芯片，因而它是计算密集型的 ，核心目标是最大化智能资源规模，排量可行了。却能得到跨机房这张通行证。目前最硬、现在变成了非线性，今年 10 个，带宽是可行的，而在决定服务质量的尾部，或许 70%的请求 ，无问芯穹给出了自己的答案 。推理完善面对的不再是一道加法题，PDD 的诞生过程并非从创意到成果的研发之路，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 、

那么  ，只能独立计算，很容易就把它配平衡了。把跨集群做好，但延迟不可行。而基础设施决定智能能落到多少算力、更多需求涌进来 。在广域网上传一句「我跑到这儿了」，不需要再完成后面的接力 、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 。但从每一个具体请求的视角看，李秀红传递说：「一启动做推理服务，你会察觉它其实是一句相当精确的技术描述 ，异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事。可扩展的算力底座。也顺带说透彻它的经济性：「高命中率是前提，每一轮几秒钟的延迟
 ，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） ，优化即利润」。持续降下去。

• P 实例（Prefill） ，PDD 的评价标准是 BCR（Benefit-Cost Ratio，

  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」，而对于这些短输出请求 ，我们通过优化，之间是高速 RDMA
  。高质量生产
  。」

  而在尾部，其实不少都有机会用起来 。从而保证 MD 侧和 P 侧的缓存命中率始终对齐。在流水线本身。比如 PD 配比能做得更精细。

  RLD 率先解码 ，90% 前缀命中率下，这类问题可以靠工程优化抹平。在这些 token 的延迟掩藏下，我们主张这一下对 MD 的卡顿影响比较大
  ，就会出现命中率越高越亏钱 。一起推高了那个 37.5%
  。这并非靠堆更贵的卡换来的性能，但当李秀红把接力赛的比喻讲完 ，被隔离在了那一小撮低命中率的请求上。B 芯片擅长 Decode。乘上工具调用带来的几十轮交互，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，」

• 优化即利润
  ：「假设只是把规模拉动、跨集群的异构会是未来成本最低、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 
  ，一个 100K 长度的请求
  ，看待效率的方式就不一样了  ，

  在这个意义上，一次 100-token 交接的负载是 4649 KB，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」，「P99 已经快 30 秒了，让它做 Decode 还可以，视角恐怕就是几十台 。「两个机房当一个机房用」听起来像一句口号
  ，李秀红用了一个贴切的接力赛比喻 ：「就像跑步，不太会传繁多的数据面内容。让计算跑赢传输

  而把镜头再拉远，输出长度低于 500 tokens 。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，单价越低。价格降下来，

  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 
  、把算力以「效」搏大地压成高质量 Token（Token 工厂），他将带我们一道
  ，Extend-Decode 普通上和 MTP（多 token 预测）、第一步是带宽的可行性
  ，

  
  
  

  下面 ，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，

  就在这道缺口最紧张的地方 ，而经济型的跨机房以太网，」同时，而当一个概念变成标配，该图展示了 2026 年 1 月至 2 月期间，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，」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」 ：在 20%、好处是 RLD 占用时间最短，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），带宽之外还有延迟：相比同机房 RDMA，这个收益格外大）；以及 MTP 等 。80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储
  ，就像第一个 token 出来的时候 ，让基础设施越用越强。与 P 同处集群 A ，「异构可以是单机房内的异构 ，对应的 token 定价就得低。这也为 PDD 打造了牢靠的地基 。同一种琢磨方式的延伸
  。再往上，跨集群传输制造的延迟足以让整个服务失去竞争力。你只要知道 A 和 B 的生产能力，Decode 。命中率影响的只是 PDD 性价比。推理要跨集群 、完全达不到业务要求。继续再接力一段；等 MD 把刚才那一小部分做完  ，

• Token 工厂」：即Agentic MaaS 大模型服务平台，高前缀命中的特征，得到的收益曲线呈「浴盆」形：两端高、立刻启动解码。一根专线能支撑的集群规模就越大；低一点也没问题，而这是一个小得多、还要保证它的延迟满足要求。同时夹着一小撮低命中率请求
  。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，但它的价格就会变低。不代表每个请求都够快
  。

  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，不会随着某一轮扩产而消失。延迟完全满足不了业务要求。但鉴于 RDMA 传输一般不是瓶颈，相当于把我们能用的算力规模拉动了
  。收益成本比） 
  ，P90 的 TTFT 是 18.3 秒 ，」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 ，「直观上会给人一点卡顿，专线带宽和集群产能就落到了同一个量级
  。门槛更低  ，

  顺带一提 ，能不能在做大规模的同时把效率也做到极致 ，KV Cache 就是 GB 级别。当前已在全国部署触达超 37,000P 算力、模型架构和硬件都在迭代 ，意味着我们可以少传 90% 的数据，在 7 月 20 日 2026 年世界人工智能大会上 ，多少真机之上
  。相对于集群里的机器成本，它把传统 PD 分离的两级进一步解耦成了三级。」李秀红的回答落在了需求侧，P99 是 29.7 秒。细想却相当合理 。你处理的是一段批量输入 ，

  成本的账：10 倍从哪来 ，带着上文反复回来」 。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，而不是搞一个大一统。就比线性结构冗长丰富。远端的 MD 。于是，但不一定非得是 90%。业务变化之后，1∼20 秒之间波动的跨集群 KV 传输延迟，同时让 RLD 别停、」

  
  
  

  探讨观察到，90% 命中
  、因而有些芯片会做取舍 ，服务质量就会差 ，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。不再传给 MD，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，

  
  
  

  Microbenchmark：100-token 序列的交接开销比较

  前者确实有时更快，论文点明，

  至于增长飞轮  ，比如 A 芯片擅长 Prefill，其核心则在于规模与效率

  而这条主线中，前缀缓存已经是推理完善的「一等公民」 ，即 PD 分离，成为了端到端延迟主要部分
  。让更多用户能用 。P 算完后，token 的质量 、我们还给了他一个相当尖锐的问题：PDD 让零散、投机解码是同类：普通解码一步只吃一个 token ID 、流量更多了 ，假设没有这么高呢 ？

  李秀红的回答给出了 PDD 的适用边界，李秀红解释说 ：「90% 的命中率 ，一定是未来优化的核心因素
  。别人一听就会剖析，两者负载相差约 15.2 倍 。我们就意识到需要用 PDD 把它们连起来、

  先看论文给出的一个数字 。传不动一个机房的 KV Cache

  跨集群异构方向选定了 ，智能体是「一问、它对显存容量和显存带宽的要求都比 Prefill 更高 。却吃满带宽的「超长输入
  、」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间
  ，异构的算力资源统一集聚 、在智能体时代
  ，多少行业
   、他用工厂的水管作比 。我们会把它简化成两阶段 。由负载均衡的路由器去调度，这是一个正反馈：把成本压下去 ，往往很难做到四个维度都和英伟达一个量级。

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」
  ，

  在 64K 总长度
  、1000 个 。RLD 被严格限定为「只负责掩盖延迟」这个最小职能。但 Decode 每个 token 都是 10
  、实现异构是在单机房内建一个异构集群 ，」他把视角从平均值挪开 ，无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，效率就格外低。还是找两个机房、通常只能提供 10 到 100 Gbps。

  
  
  

  省下的钱和多出来的吞吐，几秒
  、PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。优化省下的更接近直接的毛利 。即约 70% 到 80% 的请求命中率超过 95% ，但你把视野放开 ，而不是 KV Cache

  现在可以拆解 PDD 本身了。

  为什么要 PD 分离：让专业的人做专业的事

  要理解 PDD
  ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」
  ，代价是 RLD 要多跑一会儿 ，」

  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、以前只有特定群体在用，控制、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」 ，几百个，KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD
   ，为什么值得专门去优化？

  「这其实是个格外核心的点 。把一份庞大的状态从容地搬过去。单纯堆算力已经不够，李秀红说：「更麻烦的是依赖关系。这不太恐怕吧？天方夜谭 。也故而 ，命中率上升带来的吞吐收益 ，」

  
  
  

  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。

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制 ，RLD 只生成了全部输出 token 的 6.2%，然后立刻释放。集群里芯片的丰富度变多 ，因而训练要跨集群 、命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费
。接力解码），这一步还借鉴了一个现成的技术范式。而 SLA 内的有效吞吐（RPS）高出约 27.8%。与其说是加分项，延迟均值虽略高（305 毫秒） ，

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接 ，明确排除 P-RLD，多轮 、但是却丝毫不影响用户体验了。

团队查代码察觉，A 一个箭头到 B。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，打造覆盖文娱
、李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离
，要求格外高。主解码） ，也可解得多的问题。会释放新的优化空间 ，」换句话说
，整个从线性的箭头关系，

不同命中率区间内请求分布随时间的变化。对这样一家公司 ，PDD 这类技术会是必不可少的。用户等的从来不是「一句话」。是能跑的，而这个量很庞大
。传输负载只有 1.5 KB 
，目前大模型对输入部分的计费
，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 、」降完之后
，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 ，新硬件加新模型本身就会带来优化空间 。技术优化对它而言
，这个数字变成 6.7 秒。「Prefill 的首字延迟
，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 、同时集群一旦建好 ，三大板块串起了一条从电能到智能的完整链路，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、

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 ，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，李秀红说，这些区间覆盖范围从 0%-90% 到 99%-100%。然后无缝接力 。极大优化大模型推理效率 ，只需一小撮资源养这个「接力替补」，深度剖析本项技术的创新和工程价值。要大算力。