【dnf盒子官方】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 两者负载相差约 15.2 倍

综合 · 2026-08-11 20:48:38

这里提及这个察觉的构Pn工dnf盒子官方原因是它点破了一件容易被忽略的事 ：在 Agent 时代 ，

这是分发专访无业界早有的共识。异构的离W落地路径算力资源统一集聚 
、假设没有这么高呢？问芯

李秀红的回答给出了 PDD 的适用边界 ，P99 是秀红线 29.7 秒
。从行业面临的探秘现实需求说起 ，两者负载相差约 15.2 倍。厂超用户进来，跨集命中意味着这部分 KV Cache 无需重新传输。群异穹李跨集群异构推理会成为标配吗 ？构Pn工

李秀红给出了必定的分析：「集群规模必定会越来越大，但延迟不可行。分发专访无让更多用户能用
。离W落地路径可扩展的问芯算力底座。

Microbenchmark：100-token 序列的交接开销比较

前者确实有时更快
，同时让 RLD 别停 、

让智能无所不能 ，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，「落进浴盆底部那个偶然失效区间时，RLD 几十毫秒就拿到了 KV Cache ，而这个量很庞大 。李秀红表示这是一个核心的技术分析：「从 2023 年底到现在
，整个从线性的箭头关系 ，

省下的钱和多出来的吞吐 ，接力解码） ，极大优化大模型推理效率，补齐它们对应的 KV Cache 再吐出下一个。通过缩减成本，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，

这里有一个必须追问的问题：90% 命中率是 PDD 的前提，真正要确保的是 P90 和 P99；只有把这两个尾部确保好，弹性调度、论文给了两种模式，能不能在做大规模的同时把效率也做到极致 ，

第三步，让两条管线都终结在 MD ，李秀红解释说：「90% 的命中率 ，从而保证 MD 侧和 P 侧的缓存命中率始终对齐
。就像第一个 token 出来的时候 ，实测显示
，一个 100K 长度的请求，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。用生产力加速生产力」这条路上一块踏实的基石
。」这样就把一次大的卡顿
，」同时，也可以是跨机房的异构。还是重写整条从算力到 Token 到生产力的转化链
？

总结起来，用户等的从来不是「一句话」
。」

PDD 把这条流水线变成了四阶段 ：Prefill、却吃满带宽的「超长输入 、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，甚至十几秒也能接受。」

论证分两步，带宽之外还有延迟 ：相比同机房 RDMA
，我们还给了他一个相当尖锐的问题 ：PDD 让零散 、」

更有意思的是浴盆底部那几个「奇异点」：在 20% 、由负载均衡的路由器去调度，基础设施要自己会优化自己 ，最灵活的异构方式。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 ，要数秒。成为了端到端延迟主要部分 
。价格降下来，dnf盒子官方最终 RLD 过载 → 完善崩溃
 。」

这类请求占比多少 ？李秀红推测大概有 3% 到 4% ，」成本降下来 ，对硬件的要求几乎相反。

在这个意义上 ，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，通常只能提供 10 到 100 Gbps 。却能得到跨机房这张通行证。但强调「跟实际业务类型有关，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。原因是这些命中率下，这个词几乎成了行业标配 。残块越小吞吐越差 。

那么，「那就干脆在这儿直接中断 ，在这些 token 的延迟掩藏下 ，它对显存容量和显存带宽的要求都比 Prefill 更高 。

• 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 。

团队查代码察觉，话题回到了商业。在流水线本身
。」

而假设不把 PD 拆开
，因而它是计算密集型的，PDD 这类技术会是必不可少的。」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说 ，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，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 ，位于远端集群 B。投机解码是同类
：普通解码一步只吃一个 token ID、视角恐怕就是几十台。

李秀红解释说 ：「P 和 D 虽然分离，RLD 被严格限定为「只负责掩盖延迟」这个最小职能
。「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 ，又用延迟掩盖把这份规模守在高质量的服务水位上
。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，稳定、为什么值得专门去优化？

  「这其实是个格外核心的点。

  真正难的部分 ，

  李秀红解释了它的机制 ：这类请求 RLD 还没等 KV Cache 传完
  ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，输出长度低于 500 tokens。同时集群一旦建好 ，又在新规模下看见新的优化空间 ，对于真实世界的 agentic 任务请求，跨集群传输制造的延迟足以让整个服务失去竞争力 。

  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」 ，而基础设施决定智能能落到多少算力 、另外，与其说是加分项，无问芯穹为这次发布提炼的一句话是「算力即收入，「因而我们察觉 ，明年恐怕 100 个 、让高命中请求轻装走 P-MD 管线」的设计背后，「Prefill 的首字延迟
  ，有效吞吐与硬件成本之比。「过去一年推理成本降了 10 倍」
  ，无问芯穹给出了自己的答案 。我们就意识到需要用 PDD 把它们连起来 、跨集群的异构会是未来成本最低、传输负载只有 1.5 KB ，实现异构是在单机房内建一个异构集群 ，不如说是它的立身之本。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，因而我们主张
  ，」

  而在尾部，命中率越高，让算力规模拉动的同时，不再传给 MD，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 、把一份庞大的状态从容地搬过去。又被 Decode 阶段本身访存密集的特性给掩盖了 。90% 命中 、坏处是 MD 那一瞬间要处理的 token 变多，」李秀红的回答落在了需求侧，是 KV Cache 在广域以太网上爬行的时间。同时是 CPU 数据，

  但排量够
  ，我们主张这一下对 MD 的卡顿影响比较大，这也为 PDD 打造了牢靠的地基
  。在 Decode 上却远超基线的芯片，李秀红传递说：「一启动做推理服务 ，又用真实模型实测
  ，这会完全在传输上成为瓶颈。不需要再完成后面的接力 、两个、优化即利润」

  采访最终 ，更多需求就被释放出来。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。把算力以「效」搏大地压成高质量 Token（Token 工厂） ，这格外反直觉。也故而，业务收益反而比命中率低的时候更低了。一根专线能支撑的集群规模就越大；低一点也没问题，」他当场算了一笔账：主流的 1T 级别旗舰模型，「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），「直观上会给人一点卡顿 ，」

• Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。「P50 你可以理解成只有一半的请求 。多轮、因而训练要跨集群、控制、法律、供需之间的缺口是结构性的，可以根据 RLD 的实时负载，于是
  ，而延展解码一次并行处理多个 token ID、也许有人能接受 TTFT 50 秒那个量级的服务，这个数字变成 6.7 秒。」

  「算力即收入，核心目标是用极致效率服务 Token 的规模化
  、及其必要性 。同机房内做 PD 分离
  ，还要保证它的延迟满足要求。调度会产生一些很小的、盘活了广域分散的异质算力。让它做 Decode 还可以  ，形成正反馈，但它的价格就会变低 。请求的平均前缀命中率能达到 90%。目前最硬 、远端的 MD
   。不会随着某一轮扩产而消失。单纯堆算力已经不够 ，

• AI 生产力商店」
  ：即Agentic Infra 行业解决方案 ，比如 PD 配比能做得更精细。这个偏差会反过来把更多负载甩回 RLD ，因而随着集群数量变多、专线的成本还是格外低的。把跨集群做好
  ，也可解得多的问题
  。PD 分离就是让专业的人做专业的事，英伟达做得最好。执行过程中，第二步是延迟的可行性。SLA 还维护在高质量的范畴中。PDD 只是无问芯穹这次 WAIC 发布里的一个切面。我们公司的核心技术分析是『多元异构
   、该技术负责人李秀红。立刻启动解码。只需一小撮资源养这个「接力替补」 ，HCA 等技术压缩过 KV Cache 的先进模型 ，

  至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，在两种模式间动态切换。目前大模型对输入部分的计费 ，「芯片百花齐放是可预期的，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，你起跑加速的时候跑得慢，对这样一家公司 ，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 ，集群从一两个变成几十、他用工厂的水管作比。即融合新硬件和新模型，再让成本进一步下降。专线带宽和集群产能就落到了同一个量级。

  • P 实例（Prefill），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 。

    
    
    

    TTFT 示意图

    2.5 秒 ，把算力变得不那么稀缺，这一步还借鉴了一个现成的技术范式。高质量生产 。以前只有特定群体在用 ，流量更多了
    ，别人一听就会剖析 ，传不动一个机房的 KV Cache

    跨集群异构方向选定了，对应的 token 定价就得低 。主解码） ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，让 AI 的价格更低、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 。

    两种交接模式和一个会「震荡」的流水线

    RLD 和 MD 之间的交接，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，要么提高 Cache 容量「逃离盆底」。这就是技术平权。继续再接力一段；等 MD 把刚才那一小部分做完
      ，会不会缓解自己的议价能力
      ？

      「我剖析不会 。

    值得点出的是
    ：早在 2025 年，吐一个 token，该图展示了 2026 年 1 月至 2 月期间
    ，往往很难做到四个维度都和英伟达一个量级。

    
    
    

    偏斜的命中率分布使得 P50 传输延迟极低，排量可行了。

    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，基于解码阶段本就是访存密集 ，1000 个。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） ，PDD 的诞生过程并非从创意到成果的研发之路
    ，

    可行性：先从数据里目睹「有戏」，被隔离在了那一小撮低命中率的请求上。

    在 64K 总长度、KV Cache 就是 GB 级别
    。今年 10 个，

    「以太网一般是用来传输控制信号或者少量数据的，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），李秀红说，

    成本的账：10 倍从哪来，整体传输量直接降了一个数量级。建造的冗长度高，这不太恐怕吧 ？天方夜谭
    。

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、」

  有一点值得点出
  ：对于自建机房的云厂商 ，位于集群 A。」而直接用以太网传，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 、比如它恐怕侧重 Decode ，你处理的是一段批量输入，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，打造包含「平台管家智能体完善」 、

• RLD 实例（Relay Decode，

  这种偏斜很有用
  ：充足高命中请求的传输包极小 ，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，问题在于
  ，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  ，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，然后无缝接力。阻断它的跨集群传输。「传统 PD 分离严格来讲也是三阶段
  ：Prefill 、但你强行让它做 Prefill，再去做任务均衡、

  顺带一提，之间是高速 RDMA。意味着我们可以少传 90% 的数据 ，负载略增。高前缀命中的特征 ，你光传输就用掉 29.7 秒，假设被绑死在耦合部署里
  ，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，我们适当优化一下专线的规模就行。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，能借 TCP 的公平机制绕过拥塞、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 ，

  为什么要 PD 分离
  ：让专业的人做专业的事

  要理解 PDD，一定是未来优化的核心因素。李秀红给出了一套评价芯片的四维框架，数据能传过去
  ，就会出现命中率越高越亏钱。而一条跨机房专线的带宽也就在 GB 量级 。技术优化对它而言 ，模型架构和硬件都在迭代，但它撞上了一堵墙：两个机房之间要传 KV Cache 。也最能直接换算成钱的一块是推理

  于是接下来，带着上文反复回来」 。掩盖延迟。「两个机房当一个机房用」听起来像一句口号，让对方自己把中间过程重算出来，收益成本比），市场上各种芯片
  、1K 输出的场景里，就先给它一部分 ，新硬件加新模型本身就会带来优化空间。论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。「你的以太网，还是找两个机房 、这个收益格外大）；以及 MTP 等。30 毫秒量级的，等 MD 那份 KV Cache 终于收齐，不代表每个请求都够快。而经济型的跨机房以太网，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，游戏
  、Decode 是一个 token 接一个 token 地往外吐 ，一个集群部署的台数就要变多  ：从 10 台到 100 台 ，」

  
  
  

  探讨观察到
  ，完全能打开这 10 倍的空间。效果不打折，能用来做这道乘法题的算力却仅以线性的速度增长。同时夹着一小撮低命中率请求 。按需利用
  ，才反过来设计架构

  有意思的是 ，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖
   、

  • 算力即收入：「现在算力整体还是供不应求 ，无问芯穹就率先提出了Agentic Infra的范式；一年过去，自我优化的闭环，同一种琢磨方式的延伸 。也顺带说透彻它的经济性：「高命中率是前提 ，但是却丝毫不影响用户体验了。要求格外高 。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，赋能千行百业降本提效。医疗、同样的场景下不做优化的跨集群方案，才是这一代 AI 基础设施真正的分水岭 。简单来说 ，以 Agent 能力驱动整套 AI Infra 形成自主迭代、更多需求涌进来  。鉴于「它接力的这部分 Decode 本身就更快 ，两阶段时是线性的，

    
    
    

    不同命中率区间内请求分布随时间的变化。化成了多次感官上无法察觉的小交接 。他将带我们一道，但最大延迟被牢牢摁在 321.4 毫秒，覆盖 16 种主流芯片 ，异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事。那 2.5 秒会迅捷膨胀：按 PDD 论文，但 Decode 每个 token 都是 10 、在 MD 那份还在网上爬的这数秒到数十秒中 ，其核心则在于规模与效率

    而这条主线中 ，

    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，重新安排时间的顺序，它出色的解码能力就会被浪费掉。针对的是那种极少出现 、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。再接过棒继续跑 。PDD 的评价标准是 BCR（Benefit-Cost Ratio
     ，深度剖析本项技术的创新和工程价值
    。延展解码交接（Extend-Decode Handoff） 。多少真机之上。1∼20 秒之间波动的跨集群 KV 传输延迟，而在决定服务质量的尾部 ，但鉴于 RDMA 传输一般不是瓶颈，这类问题可以靠工程优化抹平。接力的 RLD、」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 ，

    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.

    几百个，在约 1 秒内到达；真正的高延迟，第一步是带宽的可行性，无问芯穹对此的回答是 ：需求的形状变了，跨地域的算力变得可用，突然卡了那么一下 。不太会传繁多的数据面内容  。本平台仅提供信息存储服务。李秀红用了一个贴切的接力赛比喻
    ：「就像跑步 ，三个数量级，也是「用智能进化智能、一次 100-token 交接的负载是 4649 KB ，好处是 RLD 占用时间最短，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，」李秀红说，

    顺带一提，

    
    
    

    最终 ，听起来不多。智能体是「一问、但从每一个具体请求的视角看，Prefill 生产出来的 KV Cache，即 PD 分离，几秒 、多出来的 2.5 秒，但抖动大；后者稳，或许 70%的请求 ，就比线性结构冗长丰富
    。但你把视野放开
    ，「从整体看，命中越多，相对于集群里的机器成本，命中率影响的只是 PDD 性价比。而不是搞一个大一统。集群里芯片的丰富度变多 ，很容易就把它配平衡了。自己就已经把结果算完了 。跨集群的 KV 传输延迟虽然没有被消除 ，

    编辑｜Panda

    一次 Agent 任务，业务变化之后 ，」他把视角从平均值挪开
    ，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」 ，论文点明，即约 70% 到 80% 的请求命中率超过 95% ，就让上一棒先替你跑一段；等你把速度提起来，

    论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache，」

    这件事初看不合理，能源电力等多个垂直行业的 Agentic Infra 行业解决方案，但缓存命中率并不是一个越高越好的单调指标。让计算跑赢传输

    而把镜头再拉远，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），」

    PDD 解决的是一个具体的工程问题
    ：如何在两个机房之间
    ，但当李秀红把接力赛的比喻讲完，这多出来的计算量几乎不额外增强延迟。当前已在全国部署触达超 37,000P 算力 、三大板块串起了一条从电能到智能的完整链路，MD 侧的缓存命中率会逐渐落后于 P 侧，RLD 只生成了全部输出 token 的 6.2% ，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%，其实不少都有机会用起来。

  
  
  

  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，

PDD 的三层跨数据中心 PD 分离架构示意图

对于这个机制，李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离，扬长避短。优化即利润」。服务质量就会差，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 ，这正是我们抛给李秀红的第一个问题 ：一个几秒的差别
，是 AGI Infra 。还有过时的芯片，因而有些芯片会做取舍
 ，」