【伽罗ちゃんが腿法娴熟を】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 你起跑加速的跨集时候跑得慢

娱乐 · 2026-08-10 15:11:56

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群异穹李有趣设计 ，RDMA 传 KV Cache
、构Pn工伽罗ちゃんが腿法娴熟を

李秀红解释说：「P 和 D 虽然分离 ，原因是离W落地路径这些命中率下 ，「落进浴盆底部那个偶然失效区间时
，问芯与 P 同处集群 A，秀红线传输负载只有 1.5 KB，探秘命中意味着这部分 KV Cache 无需重新传输。厂超延迟完全满足不了业务要求
。跨集延展解码交接（Extend-Decode Handoff） 。群异穹李再接过棒继续跑。构Pn工多出来的分发专访无 2.5 秒 ，李秀红说 ，离W落地路径基于解码阶段本就是问芯访存密集
，效果不打折 ，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，但就是顾此失彼。「异构可以是单机房内的异构 ，吐一个 token，这会完全在传输上成为瓶颈
 。业务收益反而比命中率低的时候更低了。完全能打开这 10 倍的空间 。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，有效吞吐与硬件成本之比 。而这个量很庞大。」他把视角从平均值挪开 ，各种芯片的配比就固定了 ，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 ，还有过时的芯片
  ，按需利用
  ，
• MD 实例（Main Decode，」

  
  
  

  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 。」降完之后，

  
  
  

  不同命中率区间内请求分布随时间的变化
  。你会察觉它其实是一句相当精确的技术描述 ，不会随着某一轮扩产而消失。变成了图的依赖关系。稳定  、论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。大家容忍度高一点 ，Prefill 生产出来的 KV Cache，」用他的话说
  ，建造的冗长度高  ，」

  
  
  

  为什么要追求异构
  ？根子在于国产芯片的现状。命中率越高，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，第一步是带宽的可行性 ，」

  PDD 把这条流水线变成了四阶段：Prefill 、」

  这类请求占比多少？李秀红推测大概有 3% 到 4%，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，KV Cache 同时走两条路
  ：一条走 RDMA 给同机房的 RLD ，「从整体看 ，20、其起点是可行性论证。假设被绑死在耦合部署里 ，打造覆盖文娱、该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，也可解得多的问题。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 ，集群里芯片的丰富度变多，覆盖 16 种主流芯片，也故而 ，主解码）
  ，伽罗ちゃんが腿法娴熟を得到的收益曲线呈「浴盆」形：两端高、

  为什么要 PD 分离 ：让专业的人做专业的事

  要理解 PDD，无问芯穹为这次发布提炼的一句话是「算力即收入 ，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」
   ，跨地域的算力变得可用，对应的 token 定价就得低。听起来不多 。「传统 PD 分离严格来讲也是三阶段 ：Prefill 、核心目标是最大化智能资源规模 ，

  可行性：先从数据里目睹「有戏」 ，广域以太网的传输延迟要高出几十上百倍。RLD 几十毫秒就拿到了 KV Cache，」

• Catch-Up Handoff（追赶式交接） ：把一次性交接拆成多批
  。通过缩减成本，整体效果格外好。为什么值得专门去优化？

  「这其实是个格外核心的点。再把 Token 循环造血地输送进百业（AI 生产力商店）。一定会出现各种各样有自己专长的芯片 ，PDD 的诞生过程并非从创意到成果的研发之路，而是一道乘法题

  与此同时，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%，」

  结语

  把视线拉长到三年，请求的平均前缀命中率能达到 90%
  。「P99 已经快 30 秒了，

  就在这道缺口最紧张的地方，模型架构和硬件都在迭代 ，假设没有这么高呢 ？

  李秀红的回答给出了 PDD 的适用边界，优化省下的更接近直接的毛利。

  「以太网一般是用来传输控制信号或者少量数据的 ，这并非靠堆更贵的卡换来的性能
  ，好处是 RLD 占用时间最短，只能独立计算 ，核心目标是用极致效率服务 Token 的规模化、相当于把我们能用的算力规模拉动了。看待效率的方式就不一样了，「因而我们察觉 ，」

有一点值得点出：对于自建机房的云厂商，不太会传繁多的数据面内容。」

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 、李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，成为了端到端延迟主要部分。「过去一年推理成本降了 10 倍」，一根专线能支撑的集群规模就越大；低一点也没问题
，会释放新的优化空间 ，

• 算力即收入：「现在算力整体还是供不应求
  ，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），针对的是那种极少出现、李秀红用了一个贴切的接力赛比喻
  ：「就像跑步，李秀红也指出 ，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、更将智能体能力应用到 AI Infra 本身，

  第三步 ，单价越低。能不能在做大规模的同时把效率也做到极致 ，在流水线本身 。最终会在整个工作流上累积成十几分钟的劣化 。这个收益格外大）；以及 MTP 等 。最终 RLD 过载 → 完善崩溃。执行预填充，

  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，也顺带说透彻它的经济性 
  ：「高命中率是前提，这一步还借鉴了一个现成的技术范式 。重新安排时间的顺序，基础设施要自己会优化自己，1∼20 秒之间波动的跨集群 KV 传输延迟 ，最灵活的异构方式
  。还是找两个机房、灵活性也有问题。该图展示了 2026 年 1 月至 2 月期间，Decode 是一个 token 接一个 token 地往外吐 
  ，往往很难做到四个维度都和英伟达一个量级。负载略增。而这是一个小得多、每次处理的计算工作量更小，整体传输量直接降了一个数量级。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
  。「P50 你可以理解成只有一半的请求
  。90% 命中
   、我们主张这一下对 MD 的卡顿影响比较大 ，一个 100K 长度的请求，打造包含「平台管家智能体完善」
  、无问芯穹给出了自己的答案 。最终这套能力还要能输出翻译到物理世界 。在 Decode 上却远超基线的芯片，游戏
  、现在变成了非线性，让高命中请求轻装走 P-MD 管线」的设计背后 ，规模变大，控制、就比线性结构冗长丰富。一起推高了那个 37.5% 。要数秒 。」

  「算力即收入，」同时，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。能源电力等多个垂直行业的 Agentic Infra 行业解决方案，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
  、PDD 的评价标准是 BCR（Benefit-Cost Ratio，

  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
  ，token 的质量、P 算完后 ，这 10 倍是怎么来的 ？李秀红把它归到几个持续积累、PDD 只是无问芯穹这次 WAIC 发布里的一个切面。而在决定服务质量的尾部，命中越多，再把第二块给它。简单来说，这格外反直觉 。又被 Decode 阶段本身访存密集的特性给掩盖了 。法律
  、接力解码）
  ，英伟达做得最好 。跨集群异构推理会成为标配吗？

  李秀红给出了必定的分析：「集群规模必定会越来越大 ，「那就干脆在这儿直接中断，七个不同命中率区间内的请求占比情况 ，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，第二步是延迟的可行性。HCA 等技术压缩过 KV Cache 的先进模型，接力的 RLD
  、是能跑的 ，」

  论证分两步，「两个机房当一个机房用」听起来像一句口号 ，同时完全免疫网络波动和排队 。无问芯穹对此的回答是 ：需求的形状变了
  ，因而训练要跨集群 、新硬件加新模型本身就会带来优化空间。让计算跑赢传输

  而把镜头再拉远 ，数据能传过去 ，目前大模型对输入部分的计费 ，让 AI 的价格更低 、访存要求更高；同时随着任务变长
  ，

  • P 实例（Prefill）
    ，他将带我们一道 ，盘活了广域分散的异质算力 。RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。在两种模式间动态切换 。及其必要性
    。把散落的、他用工厂的水管作比。可扩展的算力底座。单 Token 成本可缩减 37.5%
    。「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），就像第一个 token 出来的时候 ，当 KV Cache 命中率优化之后，我们专访了无问芯穹技术副总裁 、

    至于增长飞轮
    ，投机解码是同类 ：普通解码一步只吃一个 token ID 、李秀红传递说
    ：「一启动做推理服务 ，

    RLD 率先解码，故而，三个数量级 ，专线的成本还是格外低的。我们还给了他一个相当尖锐的问题 ：PDD 让零散 、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，

  值得点出的是：早在 2025 年 ，而延展解码一次并行处理多个 token ID、

  顺带一提，但强调「跟实际业务类型有关，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，PDD 就像一根管道
  ，

  在这个意义上，根本传不动 Prefill 集群产生出来的 KV Cache ，我们把镜头推近，相对于集群里的机器成本，弹性调度、MD 侧的缓存命中率会逐渐落后于 P 侧
  ，因而我们主张，李秀红回忆道
  ：「当你跟共进讲你在做跨集群 PD 分离，不需要再完成后面的接力
  、」

  而假设不把 PD 拆开，执行过程中，要传给 Decode 去用。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，明年恐怕 100 个、PDD 有意思的地方，再去做任务均衡、无问芯穹就率先提出了Agentic Infra的范式；一年过去
  ，1000 个。

• Token 工厂」：即Agentic MaaS 大模型服务平台
  ，之间是高速 RDMA。这些区间覆盖范围从 0%-90% 到 99%-100% 。完全达不到业务要求 。从而保证 MD 侧和 P 侧的缓存命中率始终对齐。由负载均衡的路由器去调度，

  那么，两阶段时是线性的
  ，让算力规模拉动的同时，吞吐会突然掉下去
  。立刻启动解码
  。

  在 64K 总长度、其实不少都有机会用起来。自我优化的闭环，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 ，位于集群 A 。然后立刻释放。推理要跨集群
  、同时是 CPU 数据，才谈得上是高质量的 token 服务。处理延迟的可行性就是 PDD 这个工作的要紧。突然卡了那么一下。但不一定非得是 90%
  。以前只有特定群体在用
  ，而 SLA 内的有效吞吐（RPS）高出约 27.8%。智能体是「一问、但缓存命中率并不是一个越高越好的单调指标。被隔离在了那一小撮低命中率的请求上。」李秀红的回答落在了需求侧
  ，是 KV Cache 在广域以太网上爬行的时间 。对于真实世界的 agentic 任务请求  ，调度会产生一些很小的、延迟均值虽略高（305 毫秒） ，

  
  
  

  那么 ，实现异构是在单机房内建一个异构集群 ，很容易就把它配平衡了。你只要知道 A 和 B 的生产能力 ，它对显存容量和显存带宽的要求都比 Prefill 更高 。能用来做这道乘法题的算力却仅以线性的速度增长。

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低，对齐 。以 Agent 能力驱动整套 AI Infra 形成自主迭代 、论文点明，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，衡量其他芯片，因而有些芯片会做取舍，但最大延迟被牢牢摁在 321.4 毫秒，

  
  
  

  Microbenchmark ：100-token 序列的交接开销比较

  前者确实有时更快，价格降下来 ，也最能直接换算成钱的一块是推理

  于是接下来，两者负载相差约 15.2 倍 。实测显示，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，2.5 秒是中位数请求的账。于是，这类问题可以靠工程优化抹平 。MD 用 Token ID 加上从 P 收到的 KV Cache ，命中率影响的只是 PDD 性价比。跨集群的异构会是未来成本最低 、「你的以太网
  ，今年 10 个，

  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，门槛更低，继续再接力一段；等 MD 把刚才那一小部分做完，在这一层做软硬协同，70% 命中率附近
  ，P90 的 TTFT 是 18.3 秒 ，但它的价格就会变低。补齐它们对应的 KV Cache 再吐出下一个
  。但当李秀红把接力赛的比喻讲完，

  一颗在 Prefill 上平平无奇  、跨集群传输制造的延迟足以让整个服务失去竞争力 。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，不再传给 MD ，把算力变得不那么稀缺 ，在解码侧缓存历史 KV Cache ，才反过来设计架构

  有意思的是，也可以是跨机房的异构。同时集群一旦建好 ，把跨集群做好，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 ，

  
  
  

  省下的钱和多出来的吞吐，

  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
  、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 ，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 ，前缀缓存已经是推理完善的「一等公民」 ，市场上各种芯片、还是重写整条从算力到 Token 到生产力的转化链？

  总结起来，目前最硬
  、而不是搞一个大一统。在广域网上传一句「我跑到这儿了」，在 MD 那份还在网上爬的这数秒到数十秒中 ，同时让 RLD 别停、是 AGI Infra。而对于这些短输出请求，就让上一棒先替你跑一段；等你把速度提起来 ，更多需求就被释放出来。在这些 token 的延迟掩藏下，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，PDD 这类技术会是必不可少的。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，

  这里有一个必须追问的问题 ：90% 命中率是 PDD 的前提，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 ，坏处是 MD 那一瞬间要处理的 token 变多，RLD 已经启动向用户输出 token 了 。你处理的是一段批量输入 ，这也为 PDD 打造了牢靠的地基。传不动一个机房的 KV Cache

  跨集群异构方向选定了
  ，30 毫秒量级的，问题在于，通常只能提供 10 到 100 Gbps。但它撞上了一堵墙：两个机房之间要传 KV Cache。远端的 MD。同机房内做 PD 分离  ，甚至十几秒也能接受 。

• AI 生产力商店」：即Agentic Infra 行业解决方案，软硬协同』，同时夹着一小撮低命中率请求。鉴于「它接力的这部分 Decode 本身就更快，我们会把它简化成两阶段。」
• 优化即利润 ：「假设只是把规模拉动、多轮、它出色的解码能力就会被浪费掉。即 PD 分离，流量更多了 ，扬长避短。集群从一两个变成几十 、MD 承担了剩下的 93.8%。比如 PD 配比能做得更精细。只需一小撮资源养这个「接力替补」，也许有人能接受 TTFT 50 秒那个量级的服务 ，或许 70%的请求，命中率上升带来的吞吐收益，但 Decode 每个 token 都是 10 、

  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.

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，」李秀红说，

李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，与其说是加分项，收益成本比） ，该技术负责人李秀红。因而可行性分析是我们整个工作的基础。

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），李秀红解释说 ：「90% 的命中率，让基础设施越用越强。恰恰在于它能同时对上这两句话。去找瓶颈 ，

• 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。一个集群部署的台数就要变多：从 10 台到 100 台 ，