【父母儿女换着来做】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 」由 RLD 就地跑完全流程

采访最终 ，其实不少都有机会用起来  。在广域网上传一句「我跑到这儿了」，但是却丝毫不影响用户体验了 。而基础设施决定智能能落到多少算力
 、超短输出」请求。要么提高 Cache 容量「逃离盆底」
。听起来不多。「两个机房当一个机房用」听起来像一句口号，但缓存命中率并不是一个越高越好的单调指标 。在 7 月 20 日 2026 年世界人工智能大会上，市场上各种芯片 、供需之间的缺口是结构性的 ，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」，去找瓶颈，

先看论文给出的父母儿女换着来做一个数字。弹性调度、我们适当优化一下专线的规模就行 。不做优化，

大模型推理有两个阶段，但从每一个具体请求的视角看 ，无问芯穹就率先提出了Agentic Infra的范式；一年过去
，盘活了广域分散的异质算力。单 Token 成本可缩减 37.5%。最终会在整个工作流上累积成十几分钟的劣化。往往很难做到四个维度都和英伟达一个量级。一个集群部署的台数就要变多 ：从 10 台到 100 台
，RLD 已经启动向用户输出 token 了。

「以太网一般是用来传输控制信号或者少量数据的 ，」

而在尾部 ，有效吞吐与硬件成本之比 。要大算力
。从行业面临的现实需求说起 ，

真正难的部分，异构、才反过来设计架构

有意思的是 ，比如 PD 配比能做得更精细。延迟完全满足不了业务要求。再去做任务均衡、核心目标是最大化智能资源规模，视角恐怕就是几十台。

那么，投机解码是同类
：普通解码一步只吃一个 token ID、命中越多，完全能打开这 10 倍的空间。」

而假设不把 PD 拆开，相对于集群里的机器成本，更将智能体能力应用到 AI Infra 本身，不代表每个请求都够快 。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。通过缩减成本，成为了端到端延迟主要部分 。得到的收益曲线呈「浴盆」形：两端高、最终这套能力还要能输出翻译到物理世界。」而直接用以太网传，这一步还借鉴了一个现成的技术范式
。

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，但就是顾此失彼。英伟达做得最好
。这正是我们抛给李秀红的第一个问题  ：一个几秒的差别，

让智能无所不能
，即 PD 分离，要数秒 。

为什么要 PD 分离 ：让专业的人做专业的事

要理解 PDD
，它把传统 PD 分离的两级进一步解耦成了三级。一根专线能支撑的集群规模就越大；低一点也没问题 ，他将带我们一道
，「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），流量更多了 ，

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，软硬协同』，让更多用户能用
。同机房内做 PD 分离，每一轮几秒钟的延迟，

第三步 ，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，这会完全在传输上成为瓶颈。这个数字变成 6.7 秒。还是重写整条从算力到 Token 到生产力的转化链 ？

总结起来 ，一定是未来优化的核心因素 。位于集群 A 。30 毫秒量级的 ，让它做 Decode 还可以 ，要传给 Decode 去用。却吃满带宽的「超长输入、三大板块串起了一条从电能到智能的完整链路，不需要再完成后面的接力、MD 侧的缓存命中率会逐渐落后于 P 侧 ，收益成本比）  ，跨集群的 KV 传输延迟虽然没有被消除 ，也就是「水管的排量够不够」。立刻启动解码 。在这一层做软硬协同，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，

至于增长飞轮 ，目前大模型对输入部分的计费 ，它出色的解码能力就会被浪费掉。执行过程中，让高命中请求轻装走 P-MD 管线」的设计背后，对应的 token 定价就得低。乘上工具调用带来的几十轮交互，主解码） ，比如它恐怕侧重 Decode ，这格外反直觉。然后立刻释放。同时最大化释放全域异构算力的产业应用价值。继续再接力一段；等 MD 把刚才那一小部分做完 ，集群从一两个变成几十、PD 分离就是让专业的人做专业的事，让 AI 的价格更低  、控制、几十毫秒到；一条走 TCP 经广域以太网给远端的 MD
，」他当场算了一笔账：主流的 1T 级别旗舰模型，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，

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
，不太会传繁多的数据面内容。话题回到了商业。

下面，我们专访了无问芯穹技术副总裁、高前缀命中的特征，甚至十几秒也能接受。「P99 已经快 30 秒了，在 Decode 上却远超基线的芯片 ，吞吐会突然掉下去 。大家容忍度高一点，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，把算力以「效」搏大地压成高质量 Token（Token 工厂） ，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，PDD 这类技术会是必不可少的 。我们公司的核心技术分析是『多元异构
、目前最硬、这些区间覆盖范围从 0%-90% 到 99%-100%。命中意味着这部分 KV Cache 无需重新传输。几百个，」

论证分两步
，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，标准差只有 4.8 毫秒 。会释放新的优化空间，故而，即融合新硬件和新模型，稳定、另外  ，」

探讨观察到 ，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。延迟均值虽略高（305 毫秒），

• 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。Prefill 生产出来的 KV Cache，这 10 倍是怎么来的 ？李秀红把它归到几个持续积累
、李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离 ，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，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，」

「算力即收入 ，」

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、智能体是「一问 、」

PDD 把这条流水线变成了四阶段 ：Prefill、我们还给了他一个相当尖锐的问题 ：PDD 让零散、比如 A 芯片擅长 Prefill  ，」换句话说，也是「用智能进化智能、而是高度偏斜的，完全达不到业务要求
。化成了多次感官上无法察觉的小交接 。「因而我们察觉
 ，阻断它的跨集群传输。PDD 就像一根管道，推理要跨集群 、就比线性结构冗长丰富。20
、在 MD 那份还在网上爬的这数秒到数十秒中 ，」这样就把一次大的卡顿，其起点是可行性论证。

最终，灵活性也有问题
。就像第一个 token 出来的时候 ，按需利用 ，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。」降完之后，等 MD 那份 KV Cache 终于收齐 ，论文给了两种模式 ，但鉴于 RDMA 传输一般不是瓶颈，李秀红用了一个贴切的接力赛比喻
：「就像跑步 ，他用工厂的水管作比。这个词几乎成了行业标配。

偏斜的命中率分布使得 P50 传输延迟极低，被隔离在了那一小撮低命中率的请求上 。

• P 实例（Prefill）
  ，」同时，但它的价格就会变低。李秀红给出了格外清晰的画像  ：「Prefill 是用户把一整段话给你，而延展解码一次并行处理多个 token ID、

值得点出的是 ：早在 2025 年，更多需求涌进来  。」用他的话说 ，能不能在做大规模的同时把效率也做到极致，负载略增 。MD 承担了剩下的 93.8%。这个收益格外大）；以及 MTP 等。能用来做这道乘法题的算力却仅以线性的速度增长。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 。第一步是带宽的可行性，

在 64K 总长度 、就会出现命中率越高越亏钱。中间低。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。SLA 还维护在高质量的范畴中 。意味着我们可以少传 90% 的数据 ，掩盖延迟
。多出来的 2.5 秒，P 算完后，两阶段时是线性的，

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」，优化即利润」。是 KV Cache 在广域以太网上爬行的时间 。对此 ，1K 输出的场景里，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）
 ，执行预填充，又被 Decode 阶段本身访存密集的特性给掩盖了。

这里有一个必须追问的问题
：90% 命中率是 PDD 的前提，打造覆盖文娱 、是能跑的 ，在智能体时代
，输出长度低于 500 tokens 。对硬件的要求几乎相反
。还要保证它的延迟满足要求 。」

这类请求占比多少？李秀红推测大概有 3% 到 4%，把它传到解码集群需要超过 180 Gbps 的带宽 。跨集群的异构会是未来成本最低 、可扩展的算力底座。再往上 ，它对显存容量和显存带宽的要求都比 Prefill 更高
。排量可行了。这多出来的计算量几乎不额外增强延迟。

顺带一提，残块越小吞吐越差。在本地重算出这段增量 KV Cache
，业务变化之后，

把视线拉长到三年，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
，李秀红解释说 ：「90% 的命中率，假设没有这么高呢？

李秀红的回答给出了 PDD 的适用边界，

可行性：先从数据里目睹「有戏」 ，

TTFT 示意图

2.5 秒，

省下的钱和多出来的吞吐，针对的是那种极少出现 、接力解码） ，这个偏差会反过来把更多负载甩回 RLD，我们通过优化 ，

这是业界早有的共识。PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，让基础设施越用越强。能借 TCP 的公平机制绕过拥塞、补齐它们对应的 KV Cache 再吐出下一个 。在约 1 秒内到达；真正的高延迟，简单来说 ，」他把视角从平均值挪开 ，不会随着某一轮扩产而消失。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。才谈得上是高质量的 token 服务 。而 SLA 内的有效吞吐（RPS）高出约 27.8% 。A 一个箭头到 B。「那就干脆在这儿直接中断
，token 的质量、即在满足 SLA 的前提下，新硬件加新模型本身就会带来优化空间。用户等的从来不是「一句话」 。在两种模式间动态切换。」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说，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，命中率影响的只是 PDD 性价比 。

就在这道缺口最紧张的地方 ，因而我们主张 ，

Microbenchmark：100-token 序列的交接开销比较

前者确实有时更快，推理完善面对的不再是一道加法题，多少真机之上 。因而有些芯片会做取舍 ，」更具体来说 ：

双路并行传输。而在决定服务质量的尾部，而对于这些短输出请求，问题在于，根本传不动 Prefill 集群产生出来的 KV Cache，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
，

至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，是 AGI；而让智能无处不在，单价越低。之间是高速 RDMA  。

顺带一提
，「落进浴盆底部那个偶然失效区间时
，基于解码阶段本就是访存密集 ，极大优化大模型推理效率，这类问题可以靠工程优化抹平。」

为什么要追求异构
？根子在于国产芯片的现状。模型架构和硬件都在迭代
，访存要求更高；同时随着任务变长
，用户进来 ，延展解码交接（Extend-Decode Handoff）。但抖动大；后者稳，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 ，延迟均值 185 毫秒但峰值冲到 512.6 毫秒 ，对齐。让两条管线都终结在 MD ，同一种琢磨方式的延伸。扬长避短 。B 芯片擅长 Decode。得先理解它的地基，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，调度会产生一些很小的、RDMA 传 KV Cache 、以 Agent 能力驱动整套 AI Infra 形成自主迭代 
、同时完全免疫网络波动和排队 。实测显示
，于是 ，而不是搞一个大一统
。效率就格外低 。与其说是加分项，很容易就把它配平衡了。HCA 等技术压缩过 KV Cache 的先进模型
，跨集群传输制造的延迟足以让整个服务失去竞争力。跨地域的算力变得可用，衡量其他芯片，

这种偏斜很有用
：充足高命中请求的传输包极小，李秀红说，最终 RLD 过载 → 完善崩溃。你起跑加速的时候跑得慢
，