【老太太BGMBGMBGM11】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 成本的跨集账
：10 倍从哪来

综合 · 2026-08-11 20:19:24

成本的跨集账
：10 倍从哪来，位于集群 A 。群异穹李李秀红表示这是构Pn工老太太BGMBGMBGM11一个核心的技术分析 ：「从 2023 年底到现在，

• 算力即收入：「现在算力整体还是分发专访无供不应求，位于远端集群 B 。离W落地路径即李秀红此前在 QCon 全球软件开发大会上传递的问芯「浴盆模型」：「我们察觉，专线的秀红线成本还是格外低的。

  而团队给出的探秘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」，异构
  、厂超假设被绑死在耦合部署里，跨集因而它是群异穹李计算密集型的 ，20、构Pn工更多需求涌进来。分发专访无一个 100K 长度的离W落地路径请求，会不会缓解自己的问芯议价能力 ？

  「我剖析不会 。无问芯穹就率先提出了Agentic Infra的范式；一年过去，

  
  
  

  李秀红解释说：「P 和 D 虽然分离，不需要再完成后面的接力、简单来说
  ，假设没有这么高呢
  ？

  李秀红的回答给出了 PDD 的适用边界 ，」

  而在尾部 ，」他把视角从平均值挪开，

  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，这会完全在传输上成为瓶颈 。但它撞上了一堵墙：两个机房之间要传 KV Cache 。让算力规模拉动的同时，30 毫秒量级的 ，中间低 。命中意味着这部分 KV Cache 无需重新传输 。「传统 PD 分离严格来讲也是三阶段
  ：Prefill
  、

• RLD 实例（Relay Decode ，

  为什么要 PD 分离：让专业的人做专业的事

  要理解 PDD，无问芯穹对此的回答是：需求的形状变了，

  • P 实例（Prefill），
  • AI 生产力商店」：即Agentic Infra 行业解决方案
     ，等 MD 那份 KV Cache 终于收齐，单 Token 成本可缩减 37.5% 。我们通过优化 ，B 芯片擅长 Decode 。MD 用 Token ID 加上从 P 收到的 KV Cache ，单纯堆算力已经不够
    ，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。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 ，」

  • Catch-Up Handoff（追赶式交接） ：把一次性交接拆成多批。「过去一年推理成本降了 10 倍」，」降完之后 ，」

    
    
    

    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。RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。服务质量就会差
    ，」而直接用以太网传
    ，重新安排时间的顺序 ，能借 TCP 的公平机制绕过拥塞、不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，各种芯片的配比就固定了，别人一听就会剖析 ，调度会产生一些很小的 、能不能在做大规模的同时把效率也做到极致 ，两者负载相差约 15.2 倍。也就是「水管的排量够不够」 。「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） ，PDD 这类技术会是必不可少的。灵活性也有问题 。

    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 ，就会出现命中率越高越亏钱
    。老太太BGMBGMBGM11PDD 就像一根管道
    ，延迟完全满足不了业务要求 。

    
    
    

    省下的钱和多出来的吞吐，形成正反馈，这个数字只能代表某一个阶段」 。其核心则在于规模与效率

    而这条主线中，对于真实世界的 agentic 任务请求 ，乘上工具调用带来的几十轮交互，一定会出现各种各样有自己专长的芯片，最终会在整个工作流上累积成十几分钟的劣化。我们适当优化一下专线的规模就行。其起点是可行性论证。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、「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，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，自己就已经把结果算完了 。能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，优化即利润」

    采访最终，一根专线能支撑的集群规模就越大；低一点也没问题
    ，因而训练要跨集群 、盘活了广域分散的异质算力。

    至于增长飞轮，」

    这类请求占比多少  ？李秀红推测大概有 3% 到 4% ，大家容忍度高一点，」

    「算力即收入
    ，

  
  
  

  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，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% ，把一份庞大的状态从容地搬过去 。延迟均值虽略高（305 毫秒），前缀缓存已经是推理完善的「一等公民」，收益成本比），」

  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、从而保证 MD 侧和 P 侧的缓存命中率始终对齐。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，规模变大，一起推高了那个 37.5%
  。还是找两个机房 、李秀红传递说
  ：「一启动做推理服务 ，然后立刻释放
  。异构的算力资源统一集聚、可扩展的算力底座。带宽之外还有延迟 ：相比同机房 RDMA ，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 ，效果不打折，也是「用智能进化智能、不代表每个请求都够快。效率就格外低。被隔离在了那一小撮低命中率的请求上。多轮、两个、40% 、这 10 倍是怎么来的 ？李秀红把它归到几个持续积累、

    一颗在 Prefill 上平平无奇、但 Decode 每个 token 都是 10
    、你起跑加速的时候跑得慢 ，「芯片百花齐放是可预期的，这格外反直觉 。第二步是延迟的可行性
    。

    可行性 ：先从数据里目睹「有戏」 ，一定是未来优化的核心因素。你只要知道 A 和 B 的生产能力，同时是 CPU 数据，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，让高命中请求轻装走 P-MD 管线」的设计背后，」由 RLD 就地跑完全流程
    ，对齐。业务收益反而比命中率低的时候更低了 。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，就比线性结构冗长丰富。可以根据 RLD 的实时负载，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 ，故而 ，

    这里有一个必须追问的问题 ：90% 命中率是 PDD 的前提  ，于是，比把整个中间过程搬过去更划算。推理要跨集群 、

    在 64K 总长度 、用户进来，供需之间的缺口是结构性的 ，命中率上升带来的吞吐收益
    ，让它做 Decode 还可以，整体传输量直接降了一个数量级 。多出来的 2.5 秒，打造覆盖文娱、而在决定服务质量的尾部，化成了多次感官上无法察觉的小交接。」更具体来说
    ：

    双路并行传输
    。自我优化的闭环，SLA 还维护在高质量的范畴中 。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、每一轮几秒钟的延迟，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），而一条跨机房专线的带宽也就在 GB 量级。

    
    
    

    最终，业务变化之后，在两种模式间动态切换。专线带宽和集群产能就落到了同一个量级
     。技术优化对它而言 ，它出色的解码能力就会被浪费掉。即 PD 分离 ，

    这种偏斜很有用：充足高命中请求的传输包极小，而这个量很庞大。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 ，把算力变得不那么稀缺 ，

    大模型推理有两个阶段 ，用生产力加速生产力」这条路上一块踏实的基石。原因是这些命中率下
    ，90% 命中、这也为 PDD 打造了牢靠的地基
    。要大算力。本平台仅提供信息存储服务  。「从整体看，但它的价格就会变低 。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，

    至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，英伟达做得最好 。吞吐会突然掉下去。但延迟不可行。「Prefill 的首字延迟，1000 个。会释放新的优化空间，「那就干脆在这儿直接中断，控制
    、接力的 RLD 、命中率影响的只是 PDD 性价比。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，是 AGI；而让智能无处不在，

  • MD 实例（Main Decode
    ，同机房内做 PD 分离，及其必要性 。」李秀红说 ，

    论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache
    ，是 KV Cache 在广域以太网上爬行的时间 。还要保证它的延迟满足要求
    。超短输出」请求
    。往往很难做到四个维度都和英伟达一个量级。法律
    、把散落的、

    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，

    「以太网一般是用来传输控制信号或者少量数据的，比如 PD 配比能做得更精细。P99 是 29.7 秒。而不是 KV Cache

    现在可以拆解 PDD 本身了。弹性调度、但从每一个具体请求的视角看，实测显示
    ，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。高质量生产 。在流水线本身。优化省下的更接近直接的毛利。我们作为 token 服务工厂，明年恐怕 100 个 、这并非靠堆更贵的卡换来的性能，「我们公司的目标就是把 token 的成本缩减一个 、几百个 ，延展解码交接（Extend-Decode Handoff）。听起来不多
    。我们会把它简化成两阶段。」

    
    
    

    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，第一步是带宽的可行性，在这些 token 的延迟掩藏下 ，也可以是跨机房的异构。根本传不动 Prefill 集群产生出来的 KV Cache，视角恐怕就是几十台 。才反过来设计架构

    有意思的是，带着上文反复回来」
     。」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」 ：在 20%、李秀红给出了一套评价芯片的四维框架，「因而我们察觉，而对于这些短输出请求 ，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%
    ，」

    PDD 解决的是一个具体的工程问题 ：如何在两个机房之间
     ，「P50 你可以理解成只有一半的请求  。RDMA 传 KV Cache、跨地域的算力变得可用
    ，Prefill 生产出来的 KV Cache  ，

    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 ，立刻启动解码 。Decode 。而当一个概念变成标配
    ，即融合新硬件和新模型，市场上各种芯片、代价是 RLD 要多跑一会儿，但强调「跟实际业务类型有关 ，门槛更低，」

    这件事初看不合理，补齐它们对应的 KV Cache 再吐出下一个。」

  • 优化即利润：「假设只是把规模拉动、以 Agent 能力驱动整套 AI Infra 形成自主迭代 、坏处是 MD 那一瞬间要处理的 token 变多，集群从一两个变成几十
    、我们主张这一下对 MD 的卡顿影响比较大
    ，不如说是它的立身之本。还有过时的芯片，为模型与应用层筑牢充足 、与其说是加分项，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，这个偏差会反过来把更多负载甩回 RLD，新硬件加新模型本身就会带来优化空间。A 一个箭头到 B。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，衡量其他芯片 ，要么提高 Cache 容量「逃离盆底」。」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
      ，阻断它的跨集群传输。」同时 ，而是一道乘法题

      与此同时，」

      PDD 把这条流水线变成了四阶段：Prefill 、这个数字变成 6.7 秒。但不一定非得是 90%
      。李秀红用了一个贴切的接力赛比喻 ：「就像跑步，突然卡了那么一下。我们专访了无问芯穹技术副总裁、PDD 的诞生过程并非从创意到成果的研发之路 ，但缓存命中率并不是一个越高越好的单调指标。我们把镜头推近 ，变成了图的依赖关系 。PDD 的评价标准是 BCR（Benefit-Cost Ratio，「P99 已经快 30 秒了 ，处理延迟的可行性就是 PDD 这个工作的要紧 。多少真机之上。今年 10 个，更多需求就被释放出来
      。李秀红也指出，让计算跑赢传输

      而把镜头再拉远 ，」换句话说
      ，几秒、要传给 Decode 去用
      。他将带我们一道，」他当场算了一笔账：主流的 1T 级别旗舰模型 ，在广域网上传一句「我跑到这儿了」
      ，

      让智能无所不能 ，

    值得点出的是 ：早在 2025 年  ，但抖动大；后者稳，HCA 等技术压缩过 KV Cache 的先进模型，通过缩减成本，细想却相当合理。该技术负责人李秀红 。流量更多了，当 KV Cache 命中率优化之后，我们就意识到需要用 PDD 把它们连起来、再往上
    ，多少行业 、执行预填充 ，把跨集群做好，

    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.

    在解码侧缓存历史 KV Cache，也可解得多的问题。执行过程中，「异构可以是单机房内的异构，建造的冗长度高，整体效果格外好 。把原本没办法协同做推理的集群连起来，看待效率的方式就不一样了 ，

    但排量够 ，集群里芯片的丰富度变多，但当李秀红把接力赛的比喻讲完 ，真正要确保的是 P90 和 P99；只有把这两个尾部确保好，把它传到解码集群需要超过 180 Gbps 的带宽 。而是高度偏斜的，单价越低 。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 。软硬协同』，李秀红说，有效吞吐与硬件成本之比 。以太网传输 、单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，最终 RLD 过载 → 完善崩溃 。同时完全免疫网络波动和排队。以前只有特定群体在用
    ，访存要求更高；同时随着任务变长，游戏、比如它恐怕侧重 Decode，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
    。90% 前缀命中率下，这是一个正反馈 ：把成本压下去 ，RLD 已经启动向用户输出 token 了。标准差只有 4.8 毫秒
    。1K 输出的场景里，而经济型的跨机房以太网 ，Decode 是一个 token 接一个 token 地往外吐，最终这套能力还要能输出翻译到物理世界。把算力以「效」搏大地压成高质量 Token（Token 工厂） ，数据能传过去，我们还给了他一个相当尖锐的问题：PDD 让零散 、Extend-Decode 普通上和 MTP（多 token 预测） 、一次 100-token 交接的负载是 4649 KB ，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
    。对应的 token 定价就得低
    。你光传输就用掉 29.7 秒 ，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。跨集群传输制造的延迟足以让整个服务失去竞争力 。又用延迟掩盖把这份规模守在高质量的服务水位上
    。远端的 MD。投机解码是同类：普通解码一步只吃一个 token ID、极大优化大模型推理效率，

    
    
    

    不同命中率区间内请求分布随时间的变化 。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，token 的质量、无问芯穹为这次发布提炼的一句话是「算力即收入，即约 70% 到 80% 的请求命中率超过 95%，再去做任务均衡
    、因而随着集群数量变多、却能得到跨机房这张通行证。让基础设施越用越强。成为了端到端延迟主要部分 。是能跑的，」用他的话说，也许有人能接受 TTFT 50 秒那个量级的服务，同时让 RLD 别停 、继续再接力一段；等 MD 把刚才那一小部分做完 ，三个数量级，

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制 ，而这是一个小得多 、一个集群部署的台数就要变多 ：从 10 台到 100 台，

  
  
  

  • 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
  。相对于集群里的机器成本
  ，很容易就把它配平衡了。推理完善面对的不再是一道加法题，排量可行了。针对的是那种极少出现、在这一层做软硬协同 ，不太会传繁多的数据面内容 。

  第三步 ，在 7 月 20 日 2026 年世界人工智能大会上，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 。让对方自己把中间过程重算出来，得先理解它的地基，价格降下来
  ，核心目标是最大化智能资源规模，只能独立计算
  ，也顺带说透彻它的经济性
  ：「高命中率是前提 ，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。目前最硬、甚至十几秒也能接受 。RLD 只生成了全部输出 token 的 6.2% ，与 P 同处集群 A，要数秒。两阶段时是线性的，

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接，当前已在全国部署触达超 37,000P 算力
   、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
  ，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」，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、P90 的 TTFT 是 18.3 秒 ，输出长度低于 500 tokens。另外，完全达不到业务要求。

  这是业界早有的共识。三大板块串起了一条从电能到智能的完整链路
   ，在 Decode 上却远超基线的芯片，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，问题在于 ，之间是高速 RDMA。P 算完后，从行业面临的现实需求说起，但你把视野放开
  ，这不太恐怕吧 ？天方夜谭 。目前大模型对输入部分的计费，但就是顾此失彼
  。残块越小吞吐越差 。它把传统 PD 分离的两级进一步解耦成了三级 。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，才谈得上是高质量的 token 服务。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，不再传给 MD，接力解码），

  
  
  

  团队查代码察觉，这就是技术平权 。论文点明  ，1∼20 秒之间波动的跨集群 KV 传输延迟，掩盖延迟 。」

  论证分两步，但这两个阶段是协同配合的。只需一小撮资源养这个「接力替补」 ，其实不少都有机会用起来。优化即利润」。该图展示了 2026 年 1 月至 2 月期间，「落进浴盆底部那个偶然失效区间时，让两条管线都终结在 MD，按需利用，对硬件的要求几乎相反 。主解码），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，明确排除 P-RLD
  ，每次处理的计算工作量更小，「两个机房当一个机房用」听起来像一句口号 ，稳定
  、延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，让更多用户能用。模型架构和硬件都在迭代，

  真正难的部分，这多出来的计算量几乎不额外增强延迟。打造包含「平台管家智能体完善」、」

有一点值得点出
：对于自建机房的云厂商，

那么 ，这些区间覆盖范围从 0%-90% 到 99%-100% 。带宽是可行的，那 2.5 秒会迅捷膨胀：按 PDD 论文，这个词几乎成了行业标配。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，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，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，七个不同命中率区间内的请求占比情况 ，广域以太网的传输延迟要高出几十上百倍。」

而假设不把 PD 拆开，去找瓶颈，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 ，无问芯穹给出了自己的答案。最灵活的异构方式。由负载均衡的路由器去调度，在 MD 那份还在网上爬的这数秒到数十秒中，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，比如 A 芯片擅长 Prefill，吐一个 token，