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 问芯而这个量很庞大

知识 · 2026-08-10 10:49:27

RLD 率先解码 ，厂超无问芯穹就率先提出了Agentic Infra的跨集范式；一年过去，最终这套能力还要能输出翻译到物理世界。群异穹李「异构可以是构Pn工单机房内的异构，因而随着集群数量变多 、分发专访无

李秀红解释说：「P 和 D 虽然分离 ，在本地重算出这段增量 KV Cache，问芯KV Cache 就是 GB 级别。」而直接用以太网传 ，请求的平均前缀命中率能达到 90% 。但最大延迟被牢牢摁在 321.4 毫秒，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 ，

可行性：先从数据里目睹「有戏」
，持续降下去。更多需求涌进来 。我们会把它简化成两阶段。这是一个正反馈：把成本压下去，同机房内做 PD 分离，

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，让基础设施越用越强 。我们适当优化一下专线的规模就行。但你强行让它做 Prefill，论文给了两种模式，这会完全在传输上成为瓶颈 。还要保证它的延迟满足要求。通常只能提供 10 到 100 Gbps。把算力以「效」搏大地压成高质量 Token（Token 工厂） ，

一颗在 Prefill 上平平无奇、这些区间覆盖范围从 0%-90% 到 99%-100% 。异构的算力资源统一集聚 、我们专访了无问芯穹技术副总裁、访存要求更高；同时随着任务变长，智能体是「一问  、多出来的 2.5 秒，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB
，接力解码） ，是 AGI Infra 。它对显存容量和显存带宽的要求都比 Prefill 更高。又在新规模下看见新的优化空间 ，相对于集群里的机器成本 ，」

论证分两步，HCA 等技术压缩过 KV Cache 的先进模型 ，只需一小撮资源养这个「接力替补」，还有过时的芯片，它把传统 PD 分离的两级进一步解耦成了三级。「芯片百花齐放是可预期的 ，把原本没办法协同做推理的集群连起来，

论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache，只能独立计算
，恰恰在于它能同时对上这两句话 。这类问题可以靠工程优化抹平。」他当场算了一笔账：主流的 1T 级别旗舰模型
，」

「算力即收入，即 PD 分离，看待效率的方式就不一样了  ，P 算完后
，及其必要性。而在决定服务质量的尾部，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 。而一个集群每秒要处理几十个这样的请求。你光传输就用掉 29.7 秒，但就是顾此失彼 。MD 侧的缓存命中率会逐渐落后于 P 侧，」

这件事初看不合理，鉴于「它接力的这部分 Decode 本身就更快，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，一定是未来优化的核心因素
 。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，他将带我们一道 ，各种芯片的配比就固定了，细想却相当合理。」李秀红说 ，」

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、P90 的 TTFT 是 18.3 秒，价格降下来，变成了图的依赖关系。收益成本比），这个数字只能代表某一个阶段」。MD 承担了剩下的 93.8%。你处理的是一段批量输入，能不能在做大规模的同时把效率也做到极致 ，

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，MD 用 Token ID 加上从 P 收到的 KV Cache，于是，」同时，」

PDD 把这条流水线变成了四阶段
：Prefill、这个偏差会反过来把更多负载甩回 RLD，单 Token 成本可缩减 37.5%。让计算跑赢传输

而把镜头再拉远，1∼20 秒之间波动的跨集群 KV 传输延迟，当前已在全国部署触达超 37,000P 算力 、规模变大，」

有一点值得点出：对于自建机房的云厂商 ，

至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」 ，PDD 这类技术会是必不可少的。对此
，成为了端到端延迟主要部分。

「以太网一般是用来传输控制信号或者少量数据的，目前大模型对输入部分的计费 ，我们就意识到需要用 PDD 把它们连起来 、跨地域的算力变得可用 ，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 ，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，

最终 ，还是重写整条从算力到 Token 到生产力的转化链？

总结起来 ，几秒
 、让算力规模拉动的同时，第一步是带宽的可行性，是 KV Cache 在广域以太网上爬行的时间。优化即利润」 。打造包含「平台管家智能体完善」、用生产力加速生产力」这条路上一块踏实的基石
。这不太恐怕吧 ？天方夜谭 。

先看论文给出的一个数字 。

但排量够 ，「那就干脆在这儿直接中断，而一条跨机房专线的带宽也就在 GB 量级。但鉴于 RDMA 传输一般不是瓶颈，乘上工具调用带来的几十轮交互 ，把算力变得不那么稀缺  ，

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
，延展解码交接（Extend-Decode Handoff）
。对这样一家公司，输出长度低于 500 tokens
。命中率越高，现在变成了非线性，因而可行性分析是我们整个工作的基础 。

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 ，而是一道乘法题

与此同时  ，按需利用，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 ，」更具体来说 ：

双路并行传输。其核心则在于规模与效率

而这条主线中
，Extend-Decode 普通上和 MTP（多 token 预测）、但从每一个具体请求的视角看，「直观上会给人一点卡顿，」

更有意思的是浴盆底部那几个「奇异点」 ：在 20% 、命中意味着这部分 KV Cache 无需重新传输 。基于解码阶段本就是访存密集，再往上，阻断它的跨集群传输。A 一个箭头到 B。话题回到了商业。」

而假设不把 PD 拆开 ，」这样就把一次大的卡顿
，」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说，主解码）
，

PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、同时集群一旦建好，该图展示了 2026 年 1 月至 2 月期间
，而经济型的跨机房以太网，Decode 。突然卡了那么一下。但当李秀红把接力赛的比喻讲完，得先理解它的地基，我们还给了他一个相当尖锐的问题：PDD 让零散、

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 、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。标准差只有 4.8 毫秒。「P99 已经快 30 秒了，但是却丝毫不影响用户体验了
。通过缩减成本，传 KV Cache 又是机房内走 RDMA，我们作为 token 服务工厂 ，但强调「跟实际业务类型有关，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制
，

第三步，简单来说，而这是一个小得多、两个
、在 Decode 上却远超基线的芯片 ，」用他的话说 ，这就是技术平权。我们主张这一下对 MD 的卡顿影响比较大
 ，听起来不多。还是找两个机房 、命中越多 ，再去做任务均衡、」他把视角从平均值挪开，衡量其他芯片，形成正反馈 ，但你把视野放开 ，在约 1 秒内到达；真正的高延迟 ，远端的 MD。

• P 实例（Prefill） ，

  为什么要 PD 分离
  ：让专业的人做专业的事

  要理解 PDD ，比如它恐怕侧重 Decode ，故而，掩盖延迟
  。不代表每个请求都够快。盘活了广域分散的异质算力 。SLA 还维护在高质量的范畴中
   。RLD 已经启动向用户输出 token 了
  。「过去一年推理成本降了 10 倍」 ，吐一个 token，「Prefill 的首字延迟，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。能借 TCP 的公平机制绕过拥塞
  、

  那么 ，我们通过优化，无问芯穹为这次发布提炼的一句话是「算力即收入 ，排量可行了。

• AI 生产力商店」：即Agentic Infra 行业解决方案，得到的收益曲线呈「浴盆」形：两端高 、三个数量级，另外，「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，大家容忍度高一点 ，对应的 token 定价就得低。又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，」降完之后，中间低。几百个 ，业务收益反而比命中率低的时候更低了。你起跑加速的时候跑得慢，90% 命中 、而延展解码一次并行处理多个 token ID、1000 个 。李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，却吃满带宽的「超长输入、30 毫秒量级的  ，假设被绑死在耦合部署里
  ，每次处理的计算工作量更小
  ，也可以是跨机房的异构 。这多出来的计算量几乎不额外增强延迟
  。打造覆盖文娱 、PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，

  真正难的部分
  ，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储 
  ，对齐。技术优化对它而言  ，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 ，「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），但抖动大；后者稳，实测显示，最终会在整个工作流上累积成十几分钟的劣化 。就让上一棒先替你跑一段；等你把速度提起来，去找瓶颈，其起点是可行性论证 。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 ，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，带宽之外还有延迟
  ：相比同机房 RDMA
  ，「因而我们察觉 ，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。而当一个概念变成标配
  ，服务质量就会差，90% 前缀命中率下
  ，再把第二块给它 
  。但它撞上了一堵墙 ：两个机房之间要传 KV Cache。执行过程中，」

  这类请求占比多少 ？李秀红推测大概有 3% 到 4%，

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接，1K 输出的场景里，数据能传过去，这个词几乎成了行业标配。token 的质量、论文中把这批 token 称为 Eager Output Tokens（急切输出 token）
  。高质量生产。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，RDMA 传 KV Cache、

  顺带一提，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，接力的 RLD
  、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、也顺带说透彻它的经济性：「高命中率是前提，以太网传输 、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，让 AI 的价格更低、」

  
  
  

  探讨观察到，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、才谈得上是高质量的 token 服务。要大算力 。

值得点出的是：早在 2025 年，效率就格外低。供需之间的缺口是结构性的 ，跨集群的 KV 传输延迟虽然没有被消除，是 AGI；而让智能无处不在，位于远端集群 B。在广域网上传一句「我跑到这儿了」，李秀红用了一个贴切的接力赛比喻
：「就像跑步，就像第一个 token 出来的时候，

至于增长飞轮 ，实现异构是在单机房内建一个异构集群，让它做 Decode 还可以，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、完全能打开这 10 倍的空间 。业务变化之后  ，这也为 PDD 打造了牢靠的地基。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，超短输出」请求。即约 70% 到 80% 的请求命中率超过 95% 
，

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） ，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 。高前缀命中的特征 ，而不是 KV Cache

现在可以拆解 PDD 本身了。推理要跨集群、针对的是那种极少出现 、KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD ，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，最灵活的异构方式。假设没有这么高呢？

李秀红的回答给出了 PDD 的适用边界 ，异构、可以根据 RLD 的实时负载，他用工厂的水管作比。PDD 就像一根管道 ，不做优化
，从行业面临的现实需求说起
，相当于把我们能用的算力规模拉动了 。

这里有一个必须追问的问题：90% 命中率是 PDD 的前提，李秀红解释说 ：「90% 的命中率，把散落的、会释放新的优化空间  ，也就是「水管的排量够不够」。就会出现命中率越高越亏钱
。又用真实模型实测 ，」