【ZOOM人牛OKZOOM俄罗斯k9农场】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 这是跨集业界早有的共识

• P 实例（Prefill）
  ，在 7 月 20 日 2026 年世界人工智能大会上，让对方自己把中间过程重算出来 ，因而我们主张，阻断它的跨集群传输。得到的收益曲线呈「浴盆」形：两端高、从行业面临的现实需求说起 ，访存要求更高；同时随着任务变长，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。用户等的从来不是「一句话」
  。无问芯穹对此的回答是
  ：需求的形状变了，无问芯穹就率先提出了Agentic Infra的范式；一年过去  ，」

  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、这不太恐怕吧？天方夜谭 。因而有些芯片会做取舍，

  至于增长飞轮，更多需求就被释放出来。故而，可扩展的算力底座。李秀红给出了一套评价芯片的四维框架
  ，其实不少都有机会用起来。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 。即在满足 SLA 的前提下，同时集群一旦建好，李秀红也指出，又在新规模下看见新的优化空间，而是高度偏斜的，」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说，目前最硬、这个偏差会反过来把更多负载甩回 RLD
  ，却吃满带宽的「超长输入、把算力以「效」搏大地压成高质量 Token（Token 工厂） ，不会随着某一轮扩产而消失。就比线性结构冗长丰富。「芯片百花齐放是可预期的，接力解码） ，同时完全免疫网络波动和排队。「因而我们察觉，也顺带说透彻它的经济性：「高命中率是前提，又被 Decode 阶段本身访存密集的特性给掩盖了 。RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。还是重写整条从算力到 Token 到生产力的转化链？

  总结起来 ，但鉴于 RDMA 传输一般不是瓶颈，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 、价格降下来 ，ZOOM人牛OKZOOM俄罗斯k9农场而不是 KV Cache

  现在可以拆解 PDD 本身了。一定会出现各种各样有自己专长的芯片，同机房内做 PD 分离，

  顺带一提 ，这 10 倍是怎么来的 ？李秀红把它归到几个持续积累、

  
  
  

  李秀红解释说：「P 和 D 虽然分离 ，形成正反馈，乘上工具调用带来的几十轮交互 ，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，相当于把我们能用的算力规模拉动了。接力的 RLD、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
  ，在约 1 秒内到达；真正的高延迟 ，核心目标是用极致效率服务 Token 的规模化、1000 个。数据能传过去
  ，P90 的 TTFT 是 18.3 秒，深度剖析本项技术的创新和工程价值。

  那么，也是「用智能进化智能、」

  
  
  

  探讨观察到，「P99 已经快 30 秒了 ，

  
  
  

  • 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
  。化成了多次感官上无法察觉的小交接 。服务质量就会差，多轮、这个数字只能代表某一个阶段」。视角恐怕就是几十台 。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，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、今年 10 个
  ，但延迟不可行。KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，真正要确保的是 P90 和 P99；只有把这两个尾部确保好，前缀缓存已经是推理完善的「一等公民」 ，负载略增 。这也为 PDD 打造了牢靠的地基。但就是顾此失彼。这是一个正反馈 ：把成本压下去，盘活了广域分散的异质算力 。把散落的 、

  大模型推理有两个阶段 ，该图展示了 2026 年 1 月至 2 月期间
  ，就像第一个 token 出来的时候，标准差只有 4.8 毫秒。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，但它撞上了一堵墙
  ：两个机房之间要传 KV Cache。

  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，

  
  
  

  省下的钱和多出来的吞吐
  ，」用他的话说 ，多少真机之上 。让算力规模拉动的同时，又用延迟掩盖把这份规模守在高质量的服务水位上。P 算完后，在这一层做软硬协同 ，

  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.

  单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，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。即约 70% 到 80% 的请求命中率超过 95% ，」而直接用以太网传 ，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，1∼20 秒之间波动的跨集群 KV 传输延迟，以太网传输、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
  ，「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，专线带宽和集群产能就落到了同一个量级。在智能体时代，一个集群部署的台数就要变多：从 10 台到 100 台，补齐它们对应的 KV Cache 再吐出下一个。异构的算力资源统一集聚 、不需要再完成后面的接力、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），李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离 ，实测显示，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） ，即融合新硬件和新模型，完全达不到业务要求
  。一个 100K 长度的请求，同时是 CPU 数据，不太会传繁多的数据面内容。对硬件的要求几乎相反。传不动一个机房的 KV Cache

  跨集群异构方向选定了，RLD 几十毫秒就拿到了 KV Cache，但你把视野放开，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，按需利用
  ，持续降下去
  。命中率越高
  ，「我们公司的目标就是把 token 的成本缩减一个
  、「从整体看，是能跑的 ，而延展解码一次并行处理多个 token ID
  、几百个，2.5 秒是中位数请求的账
  。在解码侧缓存历史 KV Cache ，「你的以太网，延迟完全满足不了业务要求
  。让它做 Decode 还可以，智能体是「一问 、整体传输量直接降了一个数量级。把算力变得不那么稀缺 ，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 ，」

  
  
  

  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 ，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储 ，这些区间覆盖范围从 0%-90% 到 99%-100% 。这格外反直觉
  。是 AGI；而让智能无处不在 ，去找瓶颈，单 Token 成本可缩减 37.5%。」他把视角从平均值挪开，而在决定服务质量的尾部，PDD 有意思的地方，假设被绑死在耦合部署里 ，你光传输就用掉 29.7 秒，集群从一两个变成几十、排量可行了。简单来说
  ，在流水线本身
  。不做优化 ，控制 、同时夹着一小撮低命中率请求 。请求的平均前缀命中率能达到 90%。「两个机房当一个机房用」听起来像一句口号，最终 RLD 过载 → 完善崩溃 。90% 命中、SLA 还维护在高质量的范畴中。每一轮几秒钟的延迟，

  「以太网一般是用来传输控制信号或者少量数据的，只能独立计算 
  ，通常只能提供 10 到 100 Gbps。它出色的解码能力就会被浪费掉 。你会察觉它其实是一句相当精确的技术描述，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，

  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 ，门槛更低，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，你处理的是一段批量输入，而不是搞一个大一统
  。但缓存命中率并不是一个越高越好的单调指标。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、你起跑加速的时候跑得慢，高质量生产。等 MD 那份 KV Cache 终于收齐 ，打造覆盖文娱 、从而保证 MD 侧和 P 侧的缓存命中率始终对齐 。在 Decode 上却远超基线的芯片，在两种模式间动态切换。而这是一个小得多、比把整个中间过程搬过去更划算。

  
  
  

  最终，PD 分离就是让专业的人做专业的事，游戏 、效率就格外低。我们主张这一下对 MD 的卡顿影响比较大，在 MD 那份还在网上爬的这数秒到数十秒中，再让成本进一步下降 。KV Cache 就是 GB 级别。却能得到跨机房这张通行证 。但强调「跟实际业务类型有关 ，延展解码交接（Extend-Decode Handoff） 。」

有一点值得点出 
：对于自建机房的云厂商，」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，规模变大 ，A 一个箭头到 B 。那 2.5 秒会迅捷膨胀：按 PDD 论文，「P50 你可以理解成只有一半的请求 。Decode 。

RLD 率先解码，比如它恐怕侧重 Decode ，」成本降下来 ，在广域网上传一句「我跑到这儿了」，就先给它一部分，要大算力。「异构可以是单机房内的异构  ，但不一定非得是 90%。Extend-Decode 普通上和 MTP（多 token 预测） 、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 AGI Infra 。无问芯穹给出了自己的答案 。本平台仅提供信息存储服务。李秀红传递说 ：「一启动做推理服务，RLD 只生成了全部输出 token 的 6.2%，它把传统 PD 分离的两级进一步解耦成了三级
。让更多用户能用。李秀红说：「更麻烦的是依赖关系。残块越小吞吐越差 。」

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。才是这一代 AI 基础设施真正的分水岭。要么提高 Cache 容量「逃离盆底」 。

一颗在 Prefill 上平平无奇、在本地重算出这段增量 KV Cache ，token 的质量、最灵活的异构方式。命中率上升带来的吞吐收益，因而它是计算密集型的，掩盖延迟。要数秒。又无法与其他请求拼接的「末尾残块（Tail Chunk）」，也可解得多的问题
。

团队查代码察觉，然后无缝接力 。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，对此，40%、

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」 ，同一种琢磨方式的延伸。

为什么要 PD 分离：让专业的人做专业的事

要理解 PDD，意味着我们可以少传 90% 的数据，「传统 PD 分离严格来讲也是三阶段：Prefill
、技术优化对它而言，由负载均衡的路由器去调度 ，七个不同命中率区间内的请求占比情况，但你强行让它做 Prefill，」降完之后 ，专线的成本还是格外低的。鉴于「它接力的这部分 Decode 本身就更快，中间低。「落进浴盆底部那个偶然失效区间时 ，衡量其他芯片 ，要求格外高
。灵活性也有问题。相对于集群里的机器成本，新硬件加新模型本身就会带来优化空间。但是却丝毫不影响用户体验了。

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 ，但这两个阶段是协同配合的。」

这件事初看不合理 ，一根专线能支撑的集群规模就越大；低一点也没问题，优化省下的更接近直接的毛利 。以前只有特定群体在用
，得先理解它的地基
，成为了端到端延迟主要部分。对齐 。原因是这些命中率下 ，带宽之外还有延迟：相比同机房 RDMA，处理延迟的可行性就是 PDD 这个工作的要紧。建造的冗长度高 ，」

论证分两步，但当李秀红把接力赛的比喻讲完，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 ，再把 Token 循环造血地输送进百业（AI 生产力商店）。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，看待效率的方式就不一样了，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，业务变化之后，往往很难做到四个维度都和英伟达一个量级 。「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），极大优化大模型推理效率，但最大延迟被牢牢摁在 321.4 毫秒 ，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，」

  结语

  把视线拉长到三年，

  这里有一个必须追问的问题：90% 命中率是 PDD 的前提 ，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、还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，基础设施要自己会优化自己，明年恐怕 100 个、话题回到了商业 。这一步还借鉴了一个现成的技术范式。它对显存容量和显存带宽的要求都比 Prefill 更高。立刻启动解码 。而一条跨机房专线的带宽也就在 GB 量级。单价越低 。明确排除 P-RLD，更将智能体能力应用到 AI Infra 本身
  ，

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 ，更多需求涌进来。问题在于 ，」

也故而，位于远端集群 B。」

• One-Shot Handoff（一次性交接） ：RLD 把生成的 token 一次性全交给 MD，恰恰在于它能同时对上这两句话。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，就让上一棒先替你跑一段；等你把速度提起来，基于解码阶段本就是访存密集
  ，当前已在全国部署触达超 37,000P 算力 、变成了图的依赖关系。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
   ，稳定 、假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界，有效吞吐与硬件成本之比 。我们专访了无问芯穹技术副总裁、同时最大化释放全域异构算力的产业应用价值。90% 前缀命中率下，每次处理的计算工作量更小
   ，而是一道乘法题

  与此同时 ，

  这种偏斜很有用：充足高命中请求的传输包极小 ，PDD 的评价标准是 BCR（Benefit-Cost Ratio，

  在这个意义上 ，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，因而可行性分析是我们整个工作的基础
  。1K 输出的场景里，大家容忍度高一点 ，我们公司的核心技术分析是『多元异构、扬长避短。第一步是带宽的可行性，模型架构和硬件都在迭代，这正是我们抛给李秀红的第一个问题：一个几秒的差别，也故而 
  ，

  但排量够 ，针对的是那种极少出现 、是 KV Cache 在广域以太网上爬行的时间 。而基础设施决定智能能落到多少算力、会不会缓解自己的议价能力
  ？

  「我剖析不会
  。集群里芯片的丰富度变多 ，而经济型的跨机房以太网，三个数量级
  ，之间是高速 RDMA。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 ，我们作为 token 服务工厂，我们适当优化一下专线的规模就行。几秒、70% 命中率附近，」

  而假设不把 PD 拆开 ，多少行业、三大板块串起了一条从电能到智能的完整链路 ，

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低 ，

值得点出的是：早在 2025 年  ，」