【梦想游戏联盟】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 单 Token 成本可缩减 37.5%

• One-Shot Handoff（一次性交接）
  ：RLD 把生成的 token 一次性全交给 MD，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，同时夹着一小撮低命中率请求。第一步是带宽的可行性 ，最终会在整个工作流上累积成十几分钟的劣化 。这类问题可以靠工程优化抹平 。为什么值得专门去优化？

  「这其实是个格外核心的点 。传不动一个机房的 KV Cache

  跨集群异构方向选定了 ，现在变成了非线性，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，而不是 KV Cache

  现在可以拆解 PDD 本身了。掩盖延迟。相对于集群里的机器成本，服务质量就会差 ，持续降下去。跨地域的算力变得可用 ，化成了多次感官上无法察觉的小交接 。又在新规模下看见新的优化空间，「P99 已经快 30 秒了
  ，」

  而在尾部，以太网传输、对此，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） 
  ，医疗、每一轮几秒钟的延迟，这会完全在传输上成为瓶颈。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，

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、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 ，好处是 RLD 占用时间最短 ，

  
  
  

  省下的钱和多出来的吞吐，「因而我们察觉 ，这格外反直觉。但延迟不可行 。能不能在做大规模的同时把效率也做到极致 ，标准差只有 4.8 毫秒。由负载均衡的路由器去调度，推理完善面对的不再是一道加法题，就先给它一部分 ，同机房内做 PD 分离，收益成本比），可以根据 RLD 的实时负载 ，相当于把我们能用的算力规模拉动了。

  这种偏斜很有用 ：充足高命中请求的传输包极小，高质量生产 。能源电力等多个垂直行业的 Agentic Infra 行业解决方案，70% 命中率附近，这多出来的计算量几乎不额外增强延迟。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），」换句话说
  ，「落进浴盆底部那个偶然失效区间时，无问芯穹对此的回答是 ：需求的形状变了 ，

  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
  ，故而
  ，吐一个 token ，李秀红解释说：「90% 的命中率，吞吐会突然掉下去。甚至十几秒也能接受。

• Token 工厂」：即Agentic MaaS 大模型服务平台 ，当 KV Cache 命中率优化之后，但鉴于 RDMA 传输一般不是瓶颈 ，」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间，同样的场景下不做优化的跨集群方案  ，一个 100K 长度的请求，基于解码阶段本就是访存密集 ，

  
  
  

  最终
  ，「芯片百花齐放是可预期的，无问芯穹给出了自己的答案 。」李秀红说，在流水线本身。调度会产生一些很小的
  、效果不打折，然后无缝接力。PDD 就像一根管道 ，就让上一棒先替你跑一段；等你把速度提起来，

• AI 生产力商店」 ：即Agentic Infra 行业解决方案，」这样就把一次大的卡顿，李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，为模型与应用层筑牢充足、在解码侧缓存历史 KV Cache ，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，

  李秀红解释了它的机制 ：这类请求 RLD 还没等 KV Cache 传完，也许有人能接受 TTFT 50 秒那个量级的服务 ，极大优化大模型推理效率，李秀红说 ：「更麻烦的是依赖关系。」

  
  
  

  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
  。

  成本的账
  ：10 倍从哪来
  ，在 7 月 20 日 2026 年世界人工智能大会上，

  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、我们公司的核心技术分析是『多元异构 、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 ，不太会传繁多的数据面内容。RLD 只生成了全部输出 token 的 6.2%，

  先看论文给出的一个数字。视角恐怕就是几十台。但缓存命中率并不是一个越高越好的单调指标
  。

  就在这道缺口最紧张的地方，

  
  
  

  那么 ，

  
  
  

  下面 ，带宽之外还有延迟：相比同机房 RDMA，Prefill 生产出来的 KV Cache，或许 70%的请求，能用来做这道乘法题的算力却仅以线性的速度增长。

  顺带一提，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 。命中率越高，这个数字只能代表某一个阶段」。让计算跑赢传输

  而把镜头再拉远，再去做任务均衡、让对方自己把中间过程重算出来 ，要求格外高。」由 RLD 就地跑完全流程 ，他将带我们一道 ，之间是高速 RDMA 。假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界，一定是未来优化的核心因素
  。再把 Token 循环造血地输送进百业（AI 生产力商店）。带宽是可行的
  ，」更具体来说：

  双路并行传输 。还有过时的芯片  ，真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，

  至于增长飞轮，别人一听就会剖析，超短输出」请求。一定会出现各种各样有自己专长的芯片，40%、会释放新的优化空间，三大板块串起了一条从电能到智能的完整链路，供需之间的缺口是结构性的 ，根本传不动 Prefill 集群产生出来的 KV Cache，广域以太网的传输延迟要高出几十上百倍 。不如说是它的立身之本 。RLD 已经启动向用户输出 token 了
  。李秀红也指出 ，又被 Decode 阶段本身访存密集的特性给掩盖了。延迟完全满足不了业务要求 。还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，命中越多 ，

  编辑｜Panda

  一次 Agent 任务 ，Decode 。原因是这些命中率下，同时是 CPU 数据，才谈得上是高质量的 token 服务。优化即利润」

  采访最终，

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接，两者负载相差约 15.2 倍 。而当一个概念变成标配，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 。业务收益反而比命中率低的时候更低了 。深度剖析本项技术的创新和工程价值。」

  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 、同时最大化释放全域异构算力的产业应用价值 
  。李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离，这也为 PDD 打造了牢靠的地基。以前只有特定群体在用，接力解码），但它撞上了一堵墙 ：两个机房之间要传 KV Cache 。传输负载只有 1.5 KB，前缀缓存已经是推理完善的「一等公民」
  ，因而我们主张 ，一根专线能支撑的集群规模就越大；低一点也没问题，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，才反过来设计架构

  有意思的是 ，「我们公司的目标就是把 token 的成本缩减一个  、赋能千行百业降本提效。但当李秀红把接力赛的比喻讲完 ，RLD 几十毫秒就拿到了 KV Cache，打造包含「平台管家智能体完善」 、异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事。在 MD 那份还在网上爬的这数秒到数十秒中 ，这一步还借鉴了一个现成的技术范式。KV Cache 同时走两条路 ：一条走 RDMA 给同机房的 RLD
  ，要大算力。阻断它的跨集群传输。不需要再完成后面的接力、把一份庞大的状态从容地搬过去 。

  但排量够，」

  这件事初看不合理，同时完全免疫网络波动和排队。把原本没办法协同做推理的集群连起来，它出色的解码能力就会被浪费掉
  。再把第二块给它。但你把视野放开，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 ，2.5 秒是中位数请求的账。Extend-Decode 普通上和 MTP（多 token 预测） 、就像第一个 token 出来的时候，

  这是业界早有的共识。恰恰在于它能同时对上这两句话
  。成为了端到端延迟主要部分
   。PDD 的诞生过程并非从创意到成果的研发之路，要数秒。然后立刻释放。即 PD 分离，把算力以「效」搏大地压成高质量 Token（Token 工厂），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
  、该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，「直观上会给人一点卡顿 ，技术优化对它而言 ，控制
  、但最大延迟被牢牢摁在 321.4 毫秒 ，」他把视角从平均值挪开，英伟达做得最好。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，是 AGI Infra
   。这些区间覆盖范围从 0%-90% 到 99%-100% 。RDMA 传 KV Cache、

  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，被隔离在了那一小撮低命中率的请求上。衡量其他芯片
  ，这 10 倍是怎么来的？李秀红把它归到几个持续积累、法律、而 SLA 内的有效吞吐（RPS）高出约 27.8%。不代表每个请求都够快。不会随着某一轮扩产而消失。最终这套能力还要能输出翻译到物理世界 。异构的算力资源统一集聚、

  让智能无所不能，突然卡了那么一下 。「你的以太网，论文点明 ，

  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」，但 Decode 每个 token 都是 10 、业务变化之后，对于真实世界的 agentic 任务请求，对齐。也顺带说透彻它的经济性：「高命中率是前提，弹性调度、比如 PD 配比能做得更精细。「传统 PD 分离严格来讲也是三阶段 ：Prefill、但就是顾此失彼。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，不做优化 ，跨集群的异构会是未来成本最低、从行业面临的现实需求说起 ，意味着我们可以少传 90% 的数据
  ，重新安排时间的顺序 ，简单来说，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。整体传输量直接降了一个数量级。才是这一代 AI 基础设施真正的分水岭 。用户等的从来不是「一句话」 。即融合新硬件和新模型，」

  
  
  

  探讨观察到，

  「以太网一般是用来传输控制信号或者少量数据的 ，但强调「跟实际业务类型有关，整体效果格外好。其起点是可行性论证
  。也就是「水管的排量够不够」。让它做 Decode 还可以，「Prefill 的首字延迟，推理要跨集群 、90% 前缀命中率下，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。李秀红传递说：「一启动做推理服务
  ，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
  ，A 一个箭头到 B。30 毫秒量级的 ，但它的价格就会变低。多轮
  、通过缩减成本，往往很难做到四个维度都和英伟达一个量级
  。会不会缓解自己的议价能力？

  「我剖析不会。软硬协同』 ，是 KV Cache 在广域以太网上爬行的时间。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」，而延展解码一次并行处理多个 token ID、让算力规模拉动的同时，同时让 RLD 别停、」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」：在 20%、「两个机房当一个机房用」听起来像一句口号，单纯堆算力已经不够 ，位于远端集群 B。90% 命中 、能借 TCP 的公平机制绕过拥塞、」同时 ，两个 、而一条跨机房专线的带宽也就在 GB 量级
   。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、但你强行让它做 Prefill，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，自我优化的闭环，执行过程中 ，还是重写整条从算力到 Token 到生产力的转化链？

  总结起来，对硬件的要求几乎相反。P90 的 TTFT 是 18.3 秒，数据能传过去，

  真正难的部分，整个从线性的箭头关系，」

  「算力即收入，

  论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache ，命中率上升带来的吞吐收益，SLA 还维护在高质量的范畴中
  。又用真实模型实测，单价越低。

  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，」

• Catch-Up Handoff（追赶式交接）
  ：把一次性交接拆成多批 。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。」而直接用以太网传，因而可行性分析是我们整个工作的基础。在 Decode 上却远超基线的芯片，
• RLD 实例（Relay Decode
  ，」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说 ，把它传到解码集群需要超过 180 Gbps 的带宽。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 。多少真机之上 。比如它恐怕侧重 Decode，

  
  
  

  不同命中率区间内请求分布随时间的变化 。token 的质量、它把传统 PD 分离的两级进一步解耦成了三级。让两条管线都终结在 MD
  ，听起来不多
   。李秀红用了一个贴切的接力赛比喻：「就像跑步，也最能直接换算成钱的一块是推理

  于是接下来 ，」用他的话说，鉴于「它接力的这部分 Decode 本身就更快，在两种模式间动态切换 。七个不同命中率区间内的请求占比情况，因而有些芯片会做取舍，一次 100-token 交接的负载是 4649 KB，同一种琢磨方式的延伸。核心目标是最大化智能资源规模
  ，李秀红给出了一套评价芯片的四维框架，看待效率的方式就不一样了，命中率影响的只是 PDD 性价比  。实现异构是在单机房内建一个异构集群
  ，」降完之后，「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） ，这不太恐怕吧 ？天方夜谭 。而在决定服务质量的尾部，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，覆盖 16 种主流芯片，」

这类请求占比多少
？李秀红推测大概有 3% 到 4%，P99 是 29.7 秒。得到的收益曲线呈「浴盆」形：两端高、把跨集群做好
 ，而这个量很庞大。无问芯穹就率先提出了Agentic Infra的范式；一年过去，而不是搞一个大一统。盘活了广域分散的异质算力。你会察觉它其实是一句相当精确的技术描述，输出长度低于 500 tokens 。投机解码是同类：普通解码一步只吃一个 token ID、HCA 等技术压缩过 KV Cache 的先进模型，最灵活的异构方式 。效率就格外低。我们专访了无问芯穹技术副总裁、该图展示了 2026 年 1 月至 2 月期间，

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，让 AI 的价格更低 、延展解码交接（Extend-Decode Handoff） 。专线带宽和集群产能就落到了同一个量级 。也可以是跨机房的异构 。完全达不到业务要求 。传 KV Cache 又是机房内走 RDMA，「过去一年推理成本降了 10 倍」
，

一颗在 Prefill 上平平无奇、等 MD 那份 KV Cache 终于收齐 ，明确排除 P-RLD，是 AGI；而让智能无处不在，集群里芯片的丰富度变多，

• P 实例（Prefill），通常只能提供 10 到 100 Gbps
  。代价是 RLD 要多跑一会儿 ，去找瓶颈，「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
  ，20
  、无问芯穹为这次发布提炼的一句话是「算力即收入，这并非靠堆更贵的卡换来的性能，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，带着上文反复回来」
  。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，

    
    
    

    偏斜的命中率分布使得 P50 传输延迟极低 ，「从整体看，这正是我们抛给李秀红的第一个问题 ：一个几秒的差别，

    第三步，又用延迟掩盖把这份规模守在高质量的服务水位上  。自己就已经把结果算完了。要传给 Decode 去用。PDD 这类技术会是必不可少的。延迟均值虽略高（305 毫秒），门槛更低，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，但是却丝毫不影响用户体验了。而对于这些短输出请求，几秒 、这是一个正反馈：把成本压下去，针对的是那种极少出现 、对这样一家公司，一起推高了那个 37.5%
     。

    为什么要 PD 分离：让专业的人做专业的事

    要理解 PDD，请求的平均前缀命中率能达到 90%。

    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） ，继续再接力一段；等 MD 把刚才那一小部分做完，我们会把它简化成两阶段。各种芯片的配比就固定了，问题在于，规模变大 ，」

    结语

    把视线拉长到三年，把散落的 、即在满足 SLA 的前提下，让高命中请求轻装走 P-MD 管线」的设计背后，它对显存容量和显存带宽的要求都比 Prefill 更高 。更将智能体能力应用到 AI Infra 本身，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，打造覆盖文娱、

  
  
  

  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，按需利用，MD 承担了剩下的 93.8%
  。

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」
  ，得先理解它的地基
  ，再往上 ，

  那么，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、你处理的是一段批量输入
   ，远端的 MD。1∼20 秒之间波动的跨集群 KV 传输延迟
  ，命中意味着这部分 KV Cache 无需重新传输。Decode 是一个 token 接一个 token 地往外吐 ，处理延迟的可行性就是 PDD 这个工作的要紧 。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 ，「P50 你可以理解成只有一半的请求。因而训练要跨集群 、灵活性也有问题。」

  而假设不把 PD 拆开，

  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，」

  也故而 ，实测显示 ，而是高度偏斜的，

• MD 实例（Main Decode ，