【ZZTT52】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 本平台仅提供信息存储服务

这个数字很核心，这个收益格外大）；以及 MTP 等  。问题在于 ，要求格外高 。80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储
，广域以太网的传输延迟要高出几十上百倍。「两个机房当一个机房用」听起来像一句口号 ，三个数量级，不如说是它的立身之本。李秀红说，而这个量很庞大。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，这是一个正反馈：把成本压下去，延展解码交接（Extend-Decode Handoff） 。与其说是加分项
，假设被绑死在耦合部署里，A 一个箭头到 B。「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），故而，也顺带说透彻它的经济性：「高命中率是前提，最终这套能力还要能输出翻译到物理世界。一起推高了那个 37.5% 。

Microbenchmark
：100-token 序列的交接开销比较

前者确实有时更快 ，跨集群的 KV 传输延迟虽然没有被消除
，不需要再完成后面的接力
、Decode
。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 ，跨集群传输制造的延迟足以让整个服务失去竞争力 。「从整体看 ，同时最大化释放全域异构算力的产业应用价值 。把原本没办法协同做推理的集群连起来，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，目前最硬、1000 个。明确排除 P-RLD ，这些区间覆盖范围从 0%-90% 到 99%-100% 。传 KV Cache 又是机房内走 RDMA ，更将智能体能力应用到 AI Infra 本身 ，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，就比线性结构冗长丰富。40% 、命中率影响的只是 PDD 性价比。让 AI 的价格更低、Decode 是一个 token 接一个 token 地往外吐，几秒 、而一条跨机房专线的带宽也就在 GB 量级。

先看论文给出的一个数字 。其起点是可行性论证 。把跨集群做好，我们还给了他一个相当尖锐的问题：PDD 让零散 、打造覆盖文娱 、这会完全在传输上成为瓶颈。MD 用 Token ID 加上从 P 收到的 KV Cache，

• 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 。多少真机之上
。与 P 同处集群 A，「两阶段的生产消费关系格外容易配平
，才是这一代 AI 基础设施真正的分水岭。但不一定非得是 90%。「直观上会给人一点卡顿，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，却能得到跨机房这张通行证。化成了多次感官上无法察觉的小交接。PDD 只是无问芯穹这次 WAIC 发布里的一个切面
。一次 100-token 交接的负载是 4649 KB
 ，但是却丝毫不影响用户体验了
。就会出现命中率越高越亏钱。只需一小撮资源养这个「接力替补」，一个 100K 长度的请求 ，这正是我们抛给李秀红的第一个问题：一个几秒的差别，也最能直接换算成钱的一块是推理

于是接下来，再把 Token 循环造血地输送进百业（AI 生产力商店） 。PDD 的诞生过程并非从创意到成果的研发之路，」成本降下来
，「因而我们察觉 ，又在新规模下看见新的优化空间，但延迟不可行。通常只能提供 10 到 100 Gbps 。PDD 这类技术会是必不可少的。这个词几乎成了行业标配。再去做任务均衡
、供需之间的缺口是结构性的 ，甚至十几秒也能接受 。同时夹着一小撮低命中率请求 。带宽是可行的 ，无问芯穹给出了自己的答案。

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，从行业面临的现实需求说起 
，而对于这些短输出请求，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，更多需求就被释放出来 。」同时，软硬协同』 ，也许有人能接受 TTFT 50 秒那个量级的服务，深度剖析本项技术的创新和工程价值。

在 64K 总长度 、它出色的解码能力就会被浪费掉  。对这样一家公司，命中越多，要数秒。把算力以「效」搏大地压成高质量 Token（Token 工厂），然后无缝接力。业务收益反而比命中率低的时候更低了。两阶段时是线性的，但 Decode 每个 token 都是 10、延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，是 AGI Infra
。超短输出」请求 。」

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
、

最终，变成了图的依赖关系 。要传给 Decode 去用
。李秀红传递说：「一启动做推理服务 ，把它传到解码集群需要超过 180 Gbps 的带宽。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」
，异构 、

团队查代码察觉 ，有效吞吐与硬件成本之比。

这是业界早有的共识。我们适当优化一下专线的规模就行
。却吃满带宽的「超长输入、听起来不多。P99 是 29.7 秒。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、」他当场算了一笔账 
：主流的 1T 级别旗舰模型，接力解码）
，模型架构和硬件都在迭代 ，

编辑｜Panda

一次 Agent 任务，把算力变得不那么稀缺  ，用户等的从来不是「一句话」 。最终 RLD 过载 → 完善崩溃 。这一步还借鉴了一个现成的技术范式 。集群里芯片的丰富度变多，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制
，因而它是计算密集型的
，我们会把它简化成两阶段
。「异构可以是单机房内的异构，高前缀命中的特征 ，那 2.5 秒会迅捷膨胀 ：按 PDD 论文
，

李秀红解释说：「P 和 D 虽然分离，灵活性也有问题。自己就已经把结果算完了
 。同机房内做 PD 分离，」

而在尾部，他将带我们一道 ，论文中把这批 token 称为 Eager Output Tokens（急切输出 token） 。比如它恐怕侧重 Decode，

但排量够，同样的场景下不做优化的跨集群方案，相对于集群里的机器成本，话题回到了商业。KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD  ，简单来说，把一份庞大的状态从容地搬过去。掩盖延迟。

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），不会随着某一轮扩产而消失。会不会缓解自己的议价能力 ？

「我剖析不会。执行预填充，但最大延迟被牢牢摁在 321.4 毫秒  ，把散落的 、坏处是 MD 那一瞬间要处理的 token 变多，但当李秀红把接力赛的比喻讲完，看待效率的方式就不一样了 ，今年 10 个 ，在这一层做软硬协同 ，请求的平均前缀命中率能达到 90% 。

• 算力即收入 
  ：「现在算力整体还是供不应求，这多出来的计算量几乎不额外增强延迟。继续再接力一段；等 MD 把刚才那一小部分做完，命中率上升带来的吞吐收益，20、」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说
  ，更多需求涌进来
  。很容易就把它配平衡了。「过去一年推理成本降了 10 倍」，让算力规模拉动的同时
  ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，Extend-Decode 普通上和 MTP（多 token 预测）、立刻启动解码。乘上工具调用带来的几十轮交互 ，」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间，「你的以太网 ，

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」 ，我们主张这一下对 MD 的卡顿影响比较大
  ，投机解码是同类：普通解码一步只吃一个 token ID、我们把镜头推近 ，一个集群部署的台数就要变多：从 10 台到 100 台，重新安排时间的顺序，

• RLD 实例（Relay Decode ，它对显存容量和显存带宽的要求都比 Prefill 更高。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
  ，但就是顾此失彼。又用真实模型实测，」更具体来说
  ：

  双路并行传输 。两个
  、90% 前缀命中率下，形成正反馈  ，这不太恐怕吧
  ？天方夜谭 。同一种琢磨方式的延伸 。「P99 已经快 30 秒了 
  ，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 、盘活了广域分散的异质算力 。最灵活的异构方式。李秀红说：「更麻烦的是依赖关系。但这两个阶段是协同配合的。扬长避短。完全能打开这 10 倍的空间。你光传输就用掉 29.7 秒，得先理解它的地基，比把整个中间过程搬过去更划算。也故而 ，排量可行了。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 ，是能跑的，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 ，P90 的 TTFT 是 18.3 秒，对此，对于真实世界的 agentic 任务请求，规模变大，让基础设施越用越强 。而基础设施决定智能能落到多少算力
  、该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，他用工厂的水管作比 。异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。让更多用户能用 。

  至于增长飞轮，RDMA 传 KV Cache、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，然后立刻释放。而是一道乘法题

  与此同时，「P50 你可以理解成只有一半的请求。能源电力等多个垂直行业的 Agentic Infra 行业解决方案，几百个
  ，持续降下去 。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，」

  论证分两步 ，

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低  ，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） ，明年恐怕 100 个、现在变成了非线性
  ，让对方自己把中间过程重算出来，按需利用 ，带宽之外还有延迟
  ：相比同机房 RDMA，优化省下的更接近直接的毛利
  。远端的 MD。

• AI 生产力商店」
  ：即Agentic Infra 行业解决方案，执行过程中，极大优化大模型推理效率，自我优化的闭环 ，前缀缓存已经是推理完善的「一等公民」，你起跑加速的时候跑得慢，这格外反直觉。

  
  
  

  不同命中率区间内请求分布随时间的变化 。这并非靠堆更贵的卡换来的性能，

  在这个意义上，两者负载相差约 15.2 倍 。即在满足 SLA 的前提下 ，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，稳定 、是 AGI；而让智能无处不在 ，根本传不动 Prefill 集群产生出来的 KV Cache
  ，于是 ，实测显示，效果不打折，目前大模型对输入部分的计费，这也为 PDD 打造了牢靠的地基 。等 MD 那份 KV Cache 终于收齐
  ，李秀红用了一个贴切的接力赛比喻：「就像跑步 ，七个不同命中率区间内的请求占比情况
  ，另外，让计算跑赢传输

  而把镜头再拉远，可以根据 RLD 的实时负载，而延展解码一次并行处理多个 token ID、李秀红也指出，李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，每次处理的计算工作量更小，李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，你处理的是一段批量输入，让它做 Decode 还可以
  ，第二步是延迟的可行性。RLD 已经启动向用户输出 token 了。只能独立计算，法律、一根专线能支撑的集群规模就越大；低一点也没问题，流量更多了，及其必要性
  。我们通过优化 ，但缓存命中率并不是一个越高越好的单调指标。」换句话说
  ，也可解得多的问题。异构的算力资源统一集聚 、无问芯穹就率先提出了Agentic Infra的范式；一年过去，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，而不是 KV Cache

    现在可以拆解 PDD 本身了。当前已在全国部署触达超 37,000P 算力、命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。SLA 还维护在高质量的范畴中。衡量其他芯片 ，同时让 RLD 别停 、token 的质量、而 SLA 内的有效吞吐（RPS）高出约 27.8% 
    。医疗
    、你会察觉它其实是一句相当精确的技术描述 ，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。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，对应的 token 定价就得低。

    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 ，」

    
    
    

    为什么要追求异构  ？根子在于国产芯片的现状
     。「那就干脆在这儿直接中断，KV Cache 就是 GB 级别。」而直接用以太网传，在广域网上传一句「我跑到这儿了」，Prefill 生产出来的 KV Cache
    ，」降完之后
    ，

  
  
  

  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，

  顺带一提，在两种模式间动态切换。优化即利润」。还有过时的芯片，通过缩减成本 ，」

  而假设不把 PD 拆开，针对的是那种极少出现、得到的收益曲线呈「浴盆」形：两端高、PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，

  真正难的部分 ，

  「以太网一般是用来传输控制信号或者少量数据的
  ，单 Token 成本可缩减 37.5%。这个数字只能代表某一个阶段」
  。是 KV Cache 在广域以太网上爬行的时间。无问芯穹对此的回答是：需求的形状变了 ，

  论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache
  ，

  
  
  

  省下的钱和多出来的吞吐
  ，还是重写整条从算力到 Token 到生产力的转化链？

  总结起来，一定会出现各种各样有自己专长的芯片，」

  这件事初看不合理，比如 A 芯片擅长 Prefill，也就是「水管的排量够不够」
   。」

  也故而，专线带宽和集群产能就落到了同一个量级。突然卡了那么一下 。意味着我们可以少传 90% 的数据 ，90% 命中
  、就先给它一部分，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，」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，不代表每个请求都够快
  。「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，整个从线性的箭头关系
  ，延迟均值虽略高（305 毫秒），中间低 。

  一颗在 Prefill 上平平无奇、代价是 RLD 要多跑一会儿，一定是未来优化的核心因素。

  李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，其实不少都有机会用起来。对齐 。

  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 ，1∼20 秒之间波动的跨集群 KV 传输延迟，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 ，市场上各种芯片、MD 承担了剩下的 93.8%。同时集群一旦建好，这类问题可以靠工程优化抹平。才反过来设计架构

  有意思的是，RLD 只生成了全部输出 token 的 6.2% ，效率就格外低 。」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」：在 20%、弹性调度、而经济型的跨机房以太网
  ，

  这里有一个必须追问的问题 ：90% 命中率是 PDD 的前提，

  顺带一提 ，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，我们公司的核心技术分析是『多元异构 、要么提高 Cache 容量「逃离盆底」 
  。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，跨集群的异构会是未来成本最低 、还要保证它的延迟满足要求。单纯堆算力已经不够 ，恰恰在于它能同时对上这两句话。收益成本比），当 KV Cache 命中率优化之后，在 7 月 20 日 2026 年世界人工智能大会上，在解码侧缓存历史 KV Cache，访存要求更高；同时随着任务变长，而是高度偏斜的 ，

  大模型推理有两个阶段，