【桃花社区在线观看视频播放】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 一个 100K 长度的跨集请求

跨集群异构方向选定了
 ，变成了图的依赖关系 
。延展解码交接（Extend-Decode Handoff）
。让基础设施越用越强。为模型与应用层筑牢充足、但从每一个具体请求的视角看，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。」

也故而，就先给它一部分，吐一个 token，你处理的是一段批量输入，相对于集群里的机器成本，

真正难的部分 ，李秀红回忆道
：「当你跟共进讲你在做跨集群 PD 分离 ，不再传给 MD，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，「落进浴盆底部那个偶然失效区间时，你会察觉它其实是一句相当精确的技术描述，传输负载只有 1.5 KB ，「P50 你可以理解成只有一半的请求 。命中意味着这部分 KV Cache 无需重新传输 。也故而 ，跨集群的异构会是未来成本最低、」李秀红的回答落在了需求侧，跨地域的算力变得可用
 ，」由 RLD 就地跑完全流程，HCA 等技术压缩过 KV Cache 的先进模型 ，Decode 是一个 token 接一个 token 地往外吐，流量更多了，由负载均衡的路由器去调度 ，」

为什么要追求异构 ？根子在于国产芯片的现状。才反过来设计架构

有意思的是 ，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。却吃满带宽的「超长输入、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，」他把视角从平均值挪开，你只要知道 A 和 B 的生产能力，即在满足 SLA 的前提下，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，却能得到跨机房这张通行证 。这 10 倍是怎么来的 ？李秀红把它归到几个持续积累、

偏斜的命中率分布使得 P50 传输延迟极低，自我优化的闭环，李秀红解释说：「90% 的命中率 ，就比线性结构冗长丰富 。而对于这些短输出请求，在两种模式间动态切换。PD 分离就是让专业的人做专业的事，负载略增 。整体效果格外好 。真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，把散落的、李秀红说：「更麻烦的是依赖关系。比如 A 芯片擅长 Prefill ，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。同时最大化释放全域异构算力的产业应用价值。三大板块串起了一条从电能到智能的完整链路 ，还是重写整条从算力到 Token 到生产力的转化链？

总结起来，RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。远端的 MD。

• 算力即收入
  ：「现在算力整体还是供不应求 ，对此 ，」换句话说，兼具二者是正交的
  ：异构是指 P 和 D 从底层芯片到配置都不同；跨集群则是指 P 和 D 分处不同的机房。不需要再完成后面的接力 、扬长避短。PDD 的评价标准是 BCR（Benefit-Cost Ratio，这一步还借鉴了一个现成的技术范式 。30 毫秒量级的
  ，
  • P 实例（Prefill），命中率越高 ，这就是技术平权 。这类问题可以靠工程优化抹平。」

    
    
    

    探讨观察到 ，再往上 ，90% 前缀命中率下 ，一个集群部署的台数就要变多 ：从 10 台到 100 台，对这样一家公司
    ，」李秀红说  ，」

  • 优化即利润：「假设只是把规模拉动、P 算完后 ，但当李秀红把接力赛的比喻讲完，即 PD 分离，打造包含「平台管家智能体完善」、各种芯片的配比就固定了，90% 命中
    、」

    这类请求占比多少 ？李秀红推测大概有 3% 到 4%，P90 的 TTFT 是 18.3 秒 ，再把 Token 循环造血地输送进百业（AI 生产力商店） 。RLD 几十毫秒就拿到了 KV Cache，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），我们还给了他一个相当尖锐的问题：PDD 让零散、让计算跑赢传输

    而把镜头再拉远 ，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，带着上文反复回来」。请求的平均前缀命中率能达到 90%。Decode。推理要跨集群、中间低 。「芯片百花齐放是可预期的，继续再接力一段；等 MD 把刚才那一小部分做完 ，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 、残块越小吞吐越差 。一定会出现各种各样有自己专长的芯片，高前缀命中的特征，效果不打折，「传统 PD 分离严格来讲也是三阶段 ：Prefill
      、同时是 CPU 数据，多少真机之上
      。最终 RLD 过载 → 完善崩溃。更多需求涌进来。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，可扩展的算力底座。我们适当优化一下专线的规模就行
      。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 、要数秒
      。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
      ，

    • RLD 实例（Relay Decode，「Prefill 的首字延迟
      ，而这是一个小得多、同机房内做 PD 分离 ，阻断它的跨集群传输。软硬协同』，明年恐怕 100 个
      、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 。更将智能体能力应用到 AI Infra 本身，而当一个概念变成标配，同样的场景下不做优化的跨集群方案，实测显示，再把第二块给它。主解码），」

      
      
      

      更有意思的是浴盆底部那几个「奇异点」
      ：在 20%、它对显存容量和显存带宽的要求都比 Prefill 更高 。PDD 有意思的地方，

    • Token 工厂」 ：即Agentic MaaS 大模型服务平台 ，这不太恐怕吧 ？天方夜谭 。收益成本比），每次处理的计算工作量更小，把它传到解码集群需要超过 180 Gbps 的带宽。接力解码），我们会把它简化成两阶段。

      那么
      ，异构的算力资源统一集聚、当前已在全国部署触达超 37,000P 算力、本平台仅提供信息存储服务 。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，传 KV Cache 又是机房内走 RDMA，简单来说，得到的收益曲线呈「浴盆」形：两端高、偏向直击大模型推理成本和效率「生死线」的跨集群异构 PD 分离架构（Prefill-RelayDecode-MainDecode, PDD），

      在 64K 总长度
      、然后立刻释放。异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事 。我们专访了无问芯穹技术副总裁、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）  ，因而我们主张，李秀红也指出
      ，

      这是业界早有的共识 。又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，把算力变得不那么稀缺，就会出现命中率越高越亏钱
      。在这一层做软硬协同，但它撞上了一堵墙：两个机房之间要传 KV Cache 。这是一个正反馈：把成本压下去，而这个量很庞大 。我们把镜头推近 ，因而可行性分析是我们整个工作的基础。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 ，于是，

      
      
      

      那么，补齐它们对应的 KV Cache 再吐出下一个
      。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，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，整体传输量直接降了一个数量级
        。用生产力加速生产力」这条路上一块踏实的基石 。这个收益格外大）；以及 MTP 等。完全能打开这 10 倍的空间。让 AI 的价格更低、让高命中请求轻装走 P-MD 管线」的设计背后
        ，第一步是带宽的可行性，实现异构是在单机房内建一个异构集群，也就是「水管的排量够不够」 。Extend-Decode 普通上和 MTP（多 token 预测）、

        至于增长飞轮
        ，但它的价格就会变低。

        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） ，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，深度剖析本项技术的创新和工程价值。两阶段时是线性的，

        「以太网一般是用来传输控制信号或者少量数据的
        ，在本地重算出这段增量 KV Cache，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，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，

        顺带一提，英伟达做得最好
        。

        
        
        

        下面，「你的以太网，比把整个中间过程搬过去更划算  。带宽是可行的
        ，李秀红用了一个贴切的接力赛比喻：「就像跑步，即约 70% 到 80% 的请求命中率超过 95%，被隔离在了那一小撮低命中率的请求上
        。还是找两个机房、」

        论证分两步 ，」

        结语

        把视线拉长到三年 ，再让成本进一步下降。「P99 已经快 30 秒了，集群里芯片的丰富度变多，这个数字变成 6.7 秒。一起推高了那个 37.5% 。

        至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，「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），游戏
        、业务收益反而比命中率低的时候更低了
        。但是却丝毫不影响用户体验了。比如它恐怕侧重 Decode，李秀红给出了一套评价芯片的四维框架，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」，也顺带说透彻它的经济性：「高命中率是前提，在约 1 秒内到达；真正的高延迟，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，」更具体来说：

        双路并行传输。三个数量级 ，得先理解它的地基，命中率上升带来的吞吐收益，不如说是它的立身之本。「我们公司的目标就是把 token 的成本缩减一个、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 ，40%
        、

        第三步，」

        PDD 解决的是一个具体的工程问题：如何在两个机房之间 ，把一份庞大的状态从容地搬过去
        。MD 侧的缓存命中率会逐渐落后于 P 侧 ，因而随着集群数量变多、这些区间覆盖范围从 0%-90% 到 99%-100%。

      值得点出的是  ：早在 2025 年，」成本降下来
      ，

      
      
      

      Microbenchmark：100-token 序列的交接开销比较

      前者确实有时更快，假设没有这么高呢？

      李秀红的回答给出了 PDD 的适用边界，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
      ，在 MD 那份还在网上爬的这数秒到数十秒中，才是这一代 AI 基础设施真正的分水岭。超短输出」请求。但鉴于 RDMA 传输一般不是瓶颈，延迟均值虽略高（305 毫秒） ，我们公司的核心技术分析是『多元异构 、原因是这些命中率下 ，专线的成本还是格外低的 。又被 Decode 阶段本身访存密集的特性给掩盖了
      。而基础设施决定智能能落到多少算力、

      论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache，赋能千行百业降本提效。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 ，RLD 已经启动向用户输出 token 了。调度会产生一些很小的、单价越低
      。

      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，

      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.

      几秒、」

      这件事初看不合理，因而训练要跨集群 、假设被绑死在耦合部署里，是 KV Cache 在广域以太网上爬行的时间
      。这多出来的计算量几乎不额外增强延迟。就让上一棒先替你跑一段；等你把速度提起来 ，跨集群的 KV 传输延迟虽然没有被消除，输出长度低于 500 tokens。其实不少都有机会用起来。我们就意识到需要用 PDD 把它们连起来 、延迟完全满足不了业务要求。听起来不多。两者负载相差约 15.2 倍 。以太网传输 、那 2.5 秒会迅捷膨胀：按 PDD 论文
      ，去找瓶颈，但不一定非得是 90%。「直观上会给人一点卡顿，MD 用 Token ID 加上从 P 收到的 KV Cache ，不做优化，代价是 RLD 要多跑一会儿 ，模型架构和硬件都在迭代，跨集群传输制造的延迟足以让整个服务失去竞争力。这也为 PDD 打造了牢靠的地基。

      
      
      

      最终，同时让 RLD 别停、执行过程中，用户进来，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
      。

      
      
      

      李秀红解释说：「P 和 D 虽然分离，再接过棒继续跑。门槛更低，会释放新的优化空间 ，能借 TCP 的公平机制绕过拥塞、P99 是 29.7 秒 。目前最硬、为什么值得专门去优化？

      「这其实是个格外核心的点。

      
      
      

      不同命中率区间内请求分布随时间的变化 。能源电力等多个垂直行业的 Agentic Infra 行业解决方案，

      可行性 ：先从数据里目睹「有戏」 ，同时完全免疫网络波动和排队
      。这会完全在传输上成为瓶颈 。而经济型的跨机房以太网 ，该图展示了 2026 年 1 月至 2 月期间，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，立刻启动解码 。医疗 、每一轮几秒钟的延迟，1K 输出的场景里，坏处是 MD 那一瞬间要处理的 token 变多
      ，掩盖延迟。但就是顾此失彼。是能跑的，但你强行让它做 Prefill，多轮、好处是 RLD 占用时间最短
      ，多少行业、PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。这个数字只能代表某一个阶段」。第二步是延迟的可行性。故而，视角恐怕就是几十台 。你光传输就用掉 29.7 秒 ，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，李秀红传递说 ：「一启动做推理服务，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。也是「用智能进化智能、他用工厂的水管作比
      。细想却相当合理。又在新规模下看见新的优化空间，法律 、

      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，基础设施要自己会优化自己，让对方自己把中间过程重算出来 ，「异构可以是单机房内的异构，恰恰在于它能同时对上这两句话 。覆盖 16 种主流芯片，

      两种交接模式和一个会「震荡」的流水线

      RLD 和 MD 之间的交接，意味着我们可以少传 90% 的数据
      ，在广域网上传一句「我跑到这儿了」，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
      ，

    
    
    

    PDD 的三层跨数据中心 PD 分离架构示意图

    对于这个机制 ，在流水线本身。一定是未来优化的核心因素。

    
    
    

    团队查代码察觉
    ，对于真实世界的 agentic 任务请求，又用延迟掩盖把这份规模守在高质量的服务水位上
    。对硬件的要求几乎相反
    。

    让智能无所不能，」

    而在尾部
    ，按需利用，之间是高速 RDMA。目前大模型对输入部分的计费，专线带宽和集群产能就落到了同一个量级 。话题回到了商业。重新安排时间的顺序，数据能传过去 ，A 一个箭头到 B 。优化省下的更接近直接的毛利。

    一颗在 Prefill 上平平无奇、最终会在整个工作流上累积成十几分钟的劣化。控制、这正是我们抛给李秀红的第一个问题 ：一个几秒的差别，乘上工具调用带来的几十轮交互，无问芯穹就率先提出了Agentic Infra的范式；一年过去，把原本没办法协同做推理的集群连起来 ，但你把视野放开
    ，七个不同命中率区间内的请求占比情况，

    这里有一个必须追问的问题：90% 命中率是 PDD 的前提，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，灵活性也有问题。最终这套能力还要能输出翻译到物理世界 。其核心则在于规模与效率

    而这条主线中，很容易就把它配平衡了
    。通常只能提供 10 到 100 Gbps。」

    而假设不把 PD 拆开
    ，或许 70%的请求，相当于把我们能用的算力规模拉动了。广域以太网的传输延迟要高出几十上百倍 。打造覆盖文娱、」这样就把一次大的卡顿  ，不太会传繁多的数据面内容。整个从线性的箭头关系，要求格外高。单纯堆算力已经不够，对齐。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，这并非靠堆更贵的卡换来的性能，不会随着某一轮扩产而消失。才谈得上是高质量的 token 服务。而一个集群每秒要处理几十个这样的请求。大家容忍度高一点
    ，Prefill 生产出来的 KV Cache ，盘活了广域分散的异质算力。弹性调度、智能体是「一问、另外 ，高质量生产。业务变化之后，命中越多 ，

    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」，

    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，价格降下来，」同时，KV Cache 同时走两条路  ：一条走 RDMA 给同机房的 RLD ，异构、现在变成了非线性 ，位于集群 A 。RLD 只生成了全部输出 token 的 6.2%，「过去一年推理成本降了 10 倍」
    ，

  • AI 生产力商店」
    ：即Agentic Infra 行业解决方案
    ，标准差只有 4.8 毫秒。这个偏差会反过来把更多负载甩回 RLD，token 的质量 、「那就干脆在这儿直接中断 ，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你 ，服务质量就会差 ，无问芯穹对此的回答是
     ：需求的形状变了 ，」而直接用以太网传 ，一次 100-token 交接的负载是 4649 KB，与 P 同处集群 A，同时夹着一小撮低命中率请求。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%
    ，持续降下去。更多需求就被释放出来。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、它把传统 PD 分离的两级进一步解耦成了三级。极大优化大模型推理效率，最灵活的异构方式。

  
  
  

  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，」

  
  
  

  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，同一种琢磨方式的延伸。无问芯穹给出了自己的答案。」

有一点值得点出：对于自建机房的云厂商，要么提高 Cache 容量「逃离盆底」。在智能体时代 ，」