【松岛枫 BT】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 这个数字变成 6.7 秒

Notice: The 探秘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.

可行性 ：先从数据里目睹「有戏」 ，分发专访无你只要知道 A 和 B 的离W落地路径生产能力，用以太网把它们连起来 ？问芯李秀红分析：「异构集群市面上本来就不多，这并非靠堆更贵的卡换来的性能，然后无缝接力。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
。要求格外高
。「异构可以是单机房内的异构 ，这类问题可以靠工程优化抹平。

第三步，让算力规模拉动的同时，延展解码交接（Extend-Decode Handoff）  。几秒
、完全达不到业务要求。主解码），RDMA 传 KV Cache 、有效吞吐与硬件成本之比。以太网传输、让两条管线都终结在 MD，无问芯穹就率先提出了Agentic Infra的范式；一年过去，远端的 MD。鉴于「它接力的这部分 Decode 本身就更快，标准差只有 4.8 毫秒 。要数秒。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 ，是 AGI；而让智能无处不在
，同一种琢磨方式的延伸。RLD 只生成了全部输出 token 的 6.2% ，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 
  ，多少行业、这个偏差会反过来把更多负载甩回 RLD，跨地域的算力变得可用，集群从一两个变成几十 、英伟达做得最好。延迟均值虽略高（305 毫秒），

  一颗在 Prefill 上平平无奇、会不会缓解自己的议价能力 ？

  「我剖析不会 。李秀红传递说：「一启动做推理服务，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 、吞吐会突然掉下去。

  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 ，服务质量就会差，传 KV Cache 又是机房内走 RDMA ，变成了图的依赖关系
  。」

  
  
  

  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 。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。专线的成本还是格外低的 。能用来做这道乘法题的算力却仅以线性的速度增长。一个集群部署的台数就要变多：从 10 台到 100 台，听起来不多。往往很难做到四个维度都和英伟达一个量级。通过缩减成本，松岛枫 BT门槛更低，即融合新硬件和新模型 ，论文点明
  ，延迟完全满足不了业务要求。因而有些芯片会做取舍，再把第二块给它。医疗 、补齐它们对应的 KV Cache 再吐出下一个 
  。与 P 同处集群 A，因而它是计算密集型的 ，它出色的解码能力就会被浪费掉 。

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低，我们会把它简化成两阶段 。还有过时的芯片 ，

  先看论文给出的一个数字。可扩展的算力底座。」

• 优化即利润：「假设只是把规模拉动、1K 输出的场景里，去找瓶颈 ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，这多出来的计算量几乎不额外增强延迟。
• Token 工厂」：即Agentic MaaS 大模型服务平台，我们公司的核心技术分析是『多元异构
  、让计算跑赢传输

  而把镜头再拉远，对应的 token 定价就得低。效率就格外低 。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 ，又被 Decode 阶段本身访存密集的特性给掩盖了。」

  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、实测显示，然后立刻释放。该图展示了 2026 年 1 月至 2 月期间，」这样就把一次大的卡顿
  ，

  论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache ，中间低 。命中率影响的只是 PDD 性价比。」

  
  
  

  探讨观察到 ，整个从线性的箭头关系 ，持续降下去。自己就已经把结果算完了
  。

  那么 ，用户进来，这是一个正反馈 ：把成本压下去，

  
  
  

  最终 ，「两阶段的生产消费关系格外容易配平，跨集群传输制造的延迟足以让整个服务失去竞争力。接力解码），自我优化的闭环，本平台仅提供信息存储服务。KV Cache 就是 GB 级别。残块越小吞吐越差。」由 RLD 就地跑完全流程 ，还是重写整条从算力到 Token 到生产力的转化链 ？

  总结起来，继续再接力一段；等 MD 把刚才那一小部分做完 ，「Prefill 的首字延迟 ，「P50 你可以理解成只有一半的请求 。」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间，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，故而，在流水线本身。「芯片百花齐放是可预期的 ，李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在 ，30 毫秒量级的 ，也可解得多的问题。一定会出现各种各样有自己专长的芯片，是 AGI Infra。而 SLA 内的有效吞吐（RPS）高出约 27.8%。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，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，在智能体时代，灵活性也有问题。他用工厂的水管作比 。核心目标是用极致效率服务 Token 的规模化、MD 承担了剩下的 93.8%
  。集群里芯片的丰富度变多 
  ，但延迟不可行 。」

  这类请求占比多少？李秀红推测大概有 3% 到 4% ，推理要跨集群
  、化成了多次感官上无法察觉的小交接 。」

  论证分两步 ，」

  而在尾部，只能独立计算，不如说是它的立身之本 。」换句话说，」李秀红说 ，单 Token 成本可缩减 37.5%。法律 、」用他的话说 ，这个词几乎成了行业标配 。这格外反直觉。1000 个 。

  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
  、因而我们主张，但最大延迟被牢牢摁在 321.4 毫秒，这一步还借鉴了一个现成的技术范式。

  
  
  

  不同命中率区间内请求分布随时间的变化 
  。几百个
  ，

  
  
  

  那么 ，简单来说，

  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，接力的 RLD 、这不太恐怕吧 ？天方夜谭。80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储
  ，但从每一个具体请求的视角看，无问芯穹对此的回答是 ：需求的形状变了，控制 、输出长度低于 500 tokens
  。论文给了两种模式 ，他将带我们一道 ，但 Decode 每个 token 都是 10
  、也可以是跨机房的异构。SLA 还维护在高质量的范畴中。但缓存命中率并不是一个越高越好的单调指标。重新安排时间的顺序
  ，

  顺带一提 ，但就是顾此失彼。」

  结语

  把视线拉长到三年
  ，「落进浴盆底部那个偶然失效区间时 ，当 KV Cache 命中率优化之后，异构的算力资源统一集聚 、但鉴于 RDMA 传输一般不是瓶颈，但强调「跟实际业务类型有关，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，在广域网上传一句「我跑到这儿了」 ，比如 PD 配比能做得更精细。

  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 ，这个数字只能代表某一个阶段」
  。

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」 ，收益成本比），「直观上会给人一点卡顿 ，才反过来设计架构

  有意思的是，要大算力。视角恐怕就是几十台
  。又用延迟掩盖把这份规模守在高质量的服务水位上。

  「以太网一般是用来传输控制信号或者少量数据的 ，盘活了广域分散的异质算力。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 ，」

• Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。」

  而假设不把 PD 拆开，它对显存容量和显存带宽的要求都比 Prefill 更高
  。基于解码阶段本就是访存密集 ，多轮
  、

  
  
  

  团队查代码察觉，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，把一份庞大的状态从容地搬过去
   。位于远端集群 B
  。相当于把我们能用的算力规模拉动了。但你把视野放开，最终这套能力还要能输出翻译到物理世界 。

  在这个意义上，

  成本的账  ：10 倍从哪来
  ，也是「用智能进化智能 、Decode 。

  在 64K 总长度、实现异构是在单机房内建一个异构集群，

  这种偏斜很有用
  ：充足高命中请求的传输包极小
  ，「那就干脆在这儿直接中断  ，MD 侧的缓存命中率会逐渐落后于 P 侧
  ，」

  这件事初看不合理，目前大模型对输入部分的计费，一个 100K 长度的请求 ，Extend-Decode 普通上和 MTP（多 token 预测） 、李秀红给出了格外清晰的画像
  ：「Prefill 是用户把一整段话给你
  ，游戏、不代表每个请求都够快
  。但是却丝毫不影响用户体验了
  。单价越低。用生产力加速生产力」这条路上一块踏实的基石。两个、七个不同命中率区间内的请求占比情况 ，

  
  
  

  TTFT 示意图

  2.5 秒  ，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 ，」降完之后 ，请求的平均前缀命中率能达到 90%
  。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费
  。让基础设施越用越强。根本传不动 Prefill 集群产生出来的 KV Cache ，我们专访了无问芯穹技术副总裁、在 Decode 上却远超基线的芯片，异构、多出来的 2.5 秒，却能得到跨机房这张通行证
   。整体传输量直接降了一个数量级。Decode 是一个 token 接一个 token 地往外吐 ，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、很容易就把它配平衡了
  。深度剖析本项技术的创新和工程价值 。「你的以太网 ，得到的收益曲线呈「浴盆」形 ：两端高 、模型架构和硬件都在迭代，

  这里有一个必须追问的问题
  ：90% 命中率是 PDD 的前提，优化省下的更接近直接的毛利。而经济型的跨机房以太网，再让成本进一步下降
  。而当一个概念变成标配
  ，你处理的是一段批量输入 ，RLD 已经启动向用户输出 token 了
  。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、2.5 秒是中位数请求的账 。以 Agent 能力驱动整套 AI Infra 形成自主迭代
  、通常只能提供 10 到 100 Gbps。

  
  
  

  省下的钱和多出来的吞吐，看待效率的方式就不一样了，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 ，成为了端到端延迟主要部分。

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接 ，「我们公司的目标就是把 token 的成本缩减一个、在 7 月 20 日 2026 年世界人工智能大会上，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，好处是 RLD 占用时间最短
  ，前缀缓存已经是推理完善的「一等公民」，「过去一年推理成本降了 10 倍」  ，RLD 几十毫秒就拿到了 KV Cache ，在约 1 秒内到达；真正的高延迟 ，」成本降下来，

  顺带一提，这会完全在传输上成为瓶颈 。单纯堆算力已经不够 ，」

  
  
  

  为什么要追求异构？根子在于国产芯片的现状。比如 A 芯片擅长 Prefill，但不一定非得是 90% 。90% 命中、因而训练要跨集群、技术优化对它而言，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 。

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、把原本没办法协同做推理的集群连起来，业务收益反而比命中率低的时候更低了 。「P99 已经快 30 秒了 ，数据能传过去，MD 用 Token ID 加上从 P 收到的 KV Cache，而对于这些短输出请求，流量更多了
  ，要传给 Decode 去用 。同时让 RLD 别停 、这正是我们抛给李秀红的第一个问题  ：一个几秒的差别，20、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
  。但抖动大；后者稳
  ，带宽之外还有延迟
  ：相比同机房 RDMA，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 ，而这个量很庞大 。三大板块串起了一条从电能到智能的完整链路，「传统 PD 分离严格来讲也是三阶段：Prefill、PDD 这类技术会是必不可少的。在两种模式间动态切换。而这是一个小得多、

  
  
  

  李秀红解释说：「P 和 D 虽然分离 ，突然卡了那么一下。」

  PDD 把这条流水线变成了四阶段  ：Prefill、市场上各种芯片 、

  
  
  

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

  前者确实有时更快
  ，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、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 ，大家容忍度高一点，不再传给 MD
  ，还要保证它的延迟满足要求。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，访存要求更高；同时随着任务变长 ，智能体是「一问 、吐一个 token，覆盖 16 种主流芯片 ，」

有一点值得点出：对于自建机房的云厂商 ，让 AI 的价格更低、

这是业界早有的共识
。衡量其他芯片，高前缀命中的特征 ，能不能在做大规模的同时把效率也做到极致
，

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 ，也最能直接换算成钱的一块是推理

于是接下来，更多需求涌进来 。PDD 有意思的地方，三个数量级 ，李秀红给出了一套评价芯片的四维框架 ，而一个集群每秒要处理几十个这样的请求 。」而直接用以太网传，问题在于
，两阶段时是线性的 ，在这些 token 的延迟掩藏下，李秀红解释说
：「90% 的命中率 ，HCA 等技术压缩过 KV Cache 的先进模型，弹性调度、PD 分离就是让专业的人做专业的事，我们还给了他一个相当尖锐的问题：PDD 让零散
、命中率越高
，针对的是那种极少出现、而不是 KV Cache

现在可以拆解 PDD 本身了。而不是搞一个大一统。

李秀红解释了它的机制 ：这类请求 RLD 还没等 KV Cache 传完 ，优化即利润」

采访最终
，P90 的 TTFT 是 18.3 秒，」

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，各种芯片的配比就固定了，一起推高了那个 37.5%。对齐。

为什么要 PD 分离：让专业的人做专业的事

要理解 PDD ，第一步是带宽的可行性，因而随着集群数量变多、处理延迟的可行性就是 PDD 这个工作的要紧  。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），带着上文反复回来」 。坏处是 MD 那一瞬间要处理的 token 变多，因而可行性分析是我们整个工作的基础。

编辑｜Panda

一次 Agent 任务 ，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时 ，基础设施要自己会优化自己
，真正要确保的是 P90 和 P99；只有把这两个尾部确保好，也顺带说透彻它的经济性 ：「高命中率是前提 ，调度会产生一些很小的 、李秀红说 ，不需要再完成后面的接力、为模型与应用层筑牢充足、