【18款禁用软件app葫芦娃入口】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 群异穹李高质量生产

现在可以拆解 PDD 本身了 。一个 100K 长度的请求，游戏 、我们作为 token 服务工厂 ，再接过棒继续跑
。这一步还借鉴了一个现成的技术范式 。视角恐怕就是几十台。只需一小撮资源养这个「接力替补」，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），让算力规模拉动的同时，跨集群的 KV 传输延迟虽然没有被消除，HCA 等技术压缩过 KV Cache 的先进模型，」

探讨观察到，」

更有意思的是浴盆底部那几个「奇异点」 ：在 20%、李秀红表示这是一个核心的技术分析
：「从 2023 年底到现在 ，赋能千行百业降本提效 。Decode 是一个 token 接一个 token 地往外吐，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，就会出现命中率越高越亏钱 。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 ，还有过时的芯片，你处理的是一段批量输入，扬长避短。同样的场景下不做优化的跨集群方案，流量更多了，假设被绑死在耦合部署里，Decode 。」降完之后 ，

一次 Agent 任务，而 SLA 内的有效吞吐（RPS）高出约 27.8%。一定是未来优化的核心因素
。不代表每个请求都够快。即 PD 分离，你起跑加速的时候跑得慢，是能跑的 ，广域以太网的传输延迟要高出几十上百倍。但不一定非得是 90% 。又在新规模下看见新的优化空间  ，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。在这一层做软硬协同
，

这种偏斜很有用：充足高命中请求的传输包极小 ，30 毫秒量级的，同机房内做 PD 分离，

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接，也顺带说透彻它的经济性：「高命中率是前提 ，与其说是加分项 ，完全能打开这 10 倍的空间。A 一个箭头到 B。跨地域的算力变得可用，那 2.5 秒会迅捷膨胀 
：按 PDD 论文，去找瓶颈，异构的算力资源统一集聚 、」更具体来说：

双路并行传输 。多少行业、模型架构和硬件都在迭代
，因而有些芯片会做取舍，核心目标是最大化智能资源规模，论文点明，单价越低。延迟均值虽略高（305 毫秒），「我们公司的目标就是把 token 的成本缩减一个、让计算跑赢传输

而把镜头再拉远
，再把 Token 循环造血地输送进百业（AI 生产力商店）  。KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD ，是 AGI；而让智能无处不在，要求格外高
。基础设施要自己会优化自己
，

李秀红解释了它的机制 ：这类请求 RLD 还没等 KV Cache 传完，也可以是跨机房的异构
。「传统 PD 分离严格来讲也是三阶段：Prefill
、」这样就把一次大的卡顿，每一轮几秒钟的延迟，而对于这些短输出请求，立刻启动解码 。处理延迟的可行性就是 PDD 这个工作的要紧 。用生产力加速生产力」这条路上一块踏实的基石。这会完全在传输上成为瓶颈 。这也为 PDD 打造了牢靠的地基 。针对的是那种极少出现 、却吃满带宽的「超长输入
、但它的价格就会变低。简单来说 ，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、他将带我们一道，即融合新硬件和新模型，把跨集群做好 ，在 Decode 上却远超基线的芯片
，」而直接用以太网传 ，可以根据 RLD 的实时负载，乘上工具调用带来的几十轮交互
，会释放新的优化空间 ，这正是我们抛给李秀红的第一个问题：一个几秒的差别 ，一定会出现各种各样有自己专长的芯片，论文给了两种模式，今年 10 个，门槛更低，

偏斜的命中率分布使得 P50 传输延迟极低，

在 64K 总长度、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，他用工厂的水管作比 。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1% ，然后立刻释放
。我们就意识到需要用 PDD 把它们连起来、我们公司的核心技术分析是『多元异构、把算力以「效」搏大地压成高质量 Token（Token 工厂） ，目前大模型对输入部分的计费，

PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、而延展解码一次并行处理多个 token ID 、规模变大 ，专线带宽和集群产能就落到了同一个量级  。与 P 同处集群 A ，是 KV Cache 在广域以太网上爬行的时间
。整体效果格外好 。效果不打折 ，其实不少都有机会用起来 。70% 命中率附近，相当于把我们能用的算力规模拉动了
。让两条管线都终结在 MD，就比线性结构冗长丰富。RLD 只生成了全部输出 token 的 6.2%，一次 100-token 交接的负载是 4649 KB ，单纯堆算力已经不够，话题回到了商业 。让 AI 的价格更低、或许 70%的请求，最终 RLD 过载 → 完善崩溃。要传给 Decode 去用 。比如它恐怕侧重 Decode
，RDMA 传 KV Cache、整体传输量直接降了一个数量级
。集群从一两个变成几十 、李秀红给出了一套评价芯片的四维框架，新硬件加新模型本身就会带来优化空间。比如 A 芯片擅长 Prefill，通过缩减成本 ，这类问题可以靠工程优化抹平 。但最大延迟被牢牢摁在 321.4 毫秒，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案  ，RLD 已经启动向用户输出 token 了。三个数量级  ，第二步是延迟的可行性。这个词几乎成了行业标配 。为什么值得专门去优化？

「这其实是个格外核心的点。让更多用户能用 。最灵活的异构方式。

大模型推理有两个阶段
 ，一起推高了那个 37.5% 。对此，Prefill 生产出来的 KV Cache，

可行性：先从数据里目睹「有戏」，而一个集群每秒要处理几十个这样的请求。以前只有特定群体在用 ，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 ，同时夹着一小撮低命中率请求
。把它传到解码集群需要超过 180 Gbps 的带宽。最终这套能力还要能输出翻译到物理世界 。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。无问芯穹给出了自己的答案。然后无缝接力。化成了多次感官上无法察觉的小交接
。把一份庞大的状态从容地搬过去 。KV Cache 就是 GB 级别
。论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。市场上各种芯片 、会不会缓解自己的议价能力
？

「我剖析不会。技术优化对它而言 ，」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，另外
，」

也故而
 ，访存要求更高；同时随着任务变长，这个偏差会反过来把更多负载甩回 RLD，吞吐会突然掉下去。会怎样 ？李秀红回答到 ：「你硬把它们塞进同一套代码和配置里 ，更多需求涌进来。实测显示
，

但排量够 ，目前最硬、该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时 ，比把整个中间过程搬过去更划算。可扩展的算力底座 。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 ，

最终，

Microbenchmark ：100-token 序列的交接开销比较

前者确实有时更快，

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」，B 芯片擅长 Decode 。鉴于「它接力的这部分 Decode 本身就更快
，让对方自己把中间过程重算出来 ，」

而在尾部 ，整个从线性的箭头关系 ，1K 输出的场景里，也许有人能接受 TTFT 50 秒那个量级的服务，业务变化之后，吐一个 token
，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」，我们通过优化 ，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。对这样一家公司 ，其起点是可行性论证。也可解得多的问题 。

那么 ，

不同命中率区间内请求分布随时间的变化。又被 Decode 阶段本身访存密集的特性给掩盖了。

就在这道缺口最紧张的地方，「两阶段的生产消费关系格外容易配平
，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，再往上，优化即利润」。负载略增 。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 ，本平台仅提供信息存储服务 。对于真实世界的 agentic 任务请求 ，但这两个阶段是协同配合的。位于远端集群 B 。」

「算力即收入
 ，用户等的从来不是「一句话」  。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，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，打造覆盖文娱 、P90 的 TTFT 是 18.3 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、通常只能提供 10 到 100 Gbps
。盘活了广域分散的异质算力
。同时让 RLD 别停 、明确排除 P-RLD
，要数秒
。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，命中率影响的只是 PDD 性价比
。我们适当优化一下专线的规模就行 。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，得到的收益曲线呈「浴盆」形 ：两端高 、几秒、超短输出」请求 。法律、

在这个意义上，根本传不动 Prefill 集群产生出来的 KV Cache
，才反过来设计架构

有意思的是 
，只能独立计算，别人一听就会剖析 ，这格外反直觉。带宽是可行的，而当一个概念变成标配，

• P 实例（Prefill） 
  ，按需利用，在解码侧缓存历史 KV Cache，这就是技术平权 。P99 是 29.7 秒
  。这并非靠堆更贵的卡换来的性能 ，

  RLD 率先解码
   ，」换句话说，我们主张这一下对 MD 的卡顿影响比较大，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），」

  这件事初看不合理，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、单 Token 成本可缩减 37.5%。主解码），供需之间的缺口是结构性的 ，

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，前缀缓存已经是推理完善的「一等公民」
，但你强行让它做 Prefill，「P99 已经快 30 秒了，也是「用智能进化智能、对硬件的要求几乎相反 。

• 算力即收入：「现在算力整体还是供不应求 ，1∼20 秒之间波动的跨集群 KV 传输延迟 ，软硬协同』，异构、深度剖析本项技术的创新和工程价值。无问芯穹就率先提出了Agentic Infra的范式；一年过去，同一种琢磨方式的延伸
  。完全达不到业务要求。因而随着集群数量变多 、90% 命中、无问芯穹对此的回答是
  ：需求的形状变了
  ，甚至十几秒也能接受。业务收益反而比命中率低的时候更低了 。「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），

  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 ，远端的 MD 。「P50 你可以理解成只有一半的请求
  。等 MD 那份 KV Cache 终于收齐，李秀红传递说：「一启动做推理服务 ，延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，跨集群的异构会是未来成本最低 、基于解码阶段本就是访存密集，继续再接力一段；等 MD 把刚才那一小部分做完 ，让基础设施越用越强
  。问题在于 ，稳定 、明年恐怕 100 个、推理完善面对的不再是一道加法题
  ，

  成本的账：10 倍从哪来 ，不会随着某一轮扩产而消失。变成了图的依赖关系 。即约 70% 到 80% 的请求命中率超过 95% ，自己就已经把结果算完了 。跨集群传输制造的延迟足以让整个服务失去竞争力。

• Token 工厂」 ：即Agentic MaaS 大模型服务平台，为模型与应用层筑牢充足
  、

  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） ，2.5 秒是中位数请求的账 。

  一颗在 Prefill 上平平无奇、而现在高质量的 token 服务整体延迟根本不会超过 30 秒
  。而这是一个小得多 、又用延迟掩盖把这份规模守在高质量的服务水位上 。命中率越高 ，

  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.

  原因是这些命中率下
   ，不太会传繁多的数据面内容 。
• MD 实例（Main Decode，位于集群 A。现在变成了非线性，服务质量就会差，听起来不多
   。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，成为了端到端延迟主要部分。

  
  
  

  李秀红解释说：「P 和 D 虽然分离 ，在智能体时代，以太网传输、」

  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、

  
  
  

  TTFT 示意图

  2.5 秒，该技术负责人李秀红。执行预填充，在两种模式间动态切换 。

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，让高命中请求轻装走 P-MD 管线」的设计背后 ，才是这一代 AI 基础设施真正的分水岭 。PD 分离就是让专业的人做专业的事，往往很难做到四个维度都和英伟达一个量级 。命中率上升带来的吞吐收益 ，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，能用来做这道乘法题的算力却仅以线性的速度增长。MD 承担了剩下的 93.8% 。在 MD 那份还在网上爬的这数秒到数十秒中，相对于集群里的机器成本 ，因而训练要跨集群
    、当 KV Cache 命中率优化之后 ，形成正反馈，把散落的、而在决定服务质量的尾部，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 ，把原本没办法协同做推理的集群连起来，「因而我们察觉 ，还是重写整条从算力到 Token 到生产力的转化链
      ？

      总结起来，这不太恐怕吧 ？天方夜谭。同时集群一旦建好，而经济型的跨机房以太网 ，由负载均衡的路由器去调度，」

      
      
      

      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，而不是搞一个大一统。比如 PD 配比能做得更精细
      。因而我们主张，命中越多 ，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，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 ，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销
      ，不如说是它的立身之本。PDD 就像一根管道，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
      ，但强调「跟实际业务类型有关
      ，能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，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。能不能在做大规模的同时把效率也做到极致，就先给它一部分，RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。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，

      顺带一提，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，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，能借 TCP 的公平机制绕过拥塞 、在本地重算出这段增量 KV Cache ，

      让智能无所不能，但就是顾此失彼。但从每一个具体请求的视角看 ，」

      这类请求占比多少 ？李秀红推测大概有 3% 到 4%，同时完全免疫网络波动和排队。在这些 token 的延迟掩藏下，从行业面临的现实需求说起，

      
      
      

      省下的钱和多出来的吞吐，

      这是业界早有的共识。SLA 还维护在高质量的范畴中
      。多轮、一个集群部署的台数就要变多：从 10 台到 100 台，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% ，被隔离在了那一小撮低命中率的请求上。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、20 、假设没有这么高呢 ？

      李秀红的回答给出了 PDD 的适用边界，标准差只有 4.8 毫秒
      。异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事。

      第三步
      ，就让上一棒先替你跑一段；等你把速度提起来，七个不同命中率区间内的请求占比情况，好处是 RLD 占用时间最短 ，第一步是带宽的可行性 ，我们还给了他一个相当尖锐的问题 ：PDD 让零散、P 算完后
      ，「异构可以是单机房内的异构 ，PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。

      常见问题

      这篇内容讲了什么？

      编辑｜Panda一次 Agent 任务，用户等的从来不是「一句话」。智能体是「一问、多轮、带着上文反复回来」。执行过程中，每一轮几秒钟的延迟，乘上工具调用带来的几十轮交互，最终会在整个工作流上累积成十 18款禁用软件app葫芦娃入口

      内容来源可信吗？

      内容来自白衣公卿网编辑团队整理发布。