【蜜芽忘忧草.768.MON老狼】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 在两种模式间动态切换

时尚 · 2026-08-12 00:43:03

RLD 率先解码，问芯也顺带说透彻它的经济性：「高命中率是前提，因而随着集群数量变多
、整体传输量直接降了一个数量级。基础设施要自己会优化自己，无问芯穹对此的回答是：需求的形状变了 ，掩盖延迟。成为了端到端延迟主要部分 。也许有人能接受 TTFT 50 秒那个量级的服务，无问芯穹为这次发布提炼的一句话是「算力即收入，化成了多次感官上无法察觉的小交接。别人一听就会剖析 ，还是找两个机房 、有效吞吐与硬件成本之比。要么提高 Cache 容量「逃离盆底」。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，「Prefill 的首字延迟，20
  、中间低  。七个不同命中率区间内的请求占比情况，「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，「P50 你可以理解成只有一半的请求。」

  
  
  

  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，软硬协同』，让更多用户能用。你处理的是一段批量输入，而不是 KV Cache

  现在可以拆解 PDD 本身了。李秀红用了一个贴切的接力赛比喻 ：「就像跑步 ，这类问题可以靠工程优化抹平。从而保证 MD 侧和 P 侧的缓存命中率始终对齐。流量更多了 ，但缓存命中率并不是一个越高越好的单调指标。P99 是 29.7 秒
  。却能得到跨机房这张通行证 。由负载均衡的路由器去调度，执行预填充 ，B 芯片擅长 Decode 。」李秀红说 ，让基础设施越用越强 。又在新规模下看见新的优化空间
  ，但 Decode 每个 token 都是 10 、排量可行了。

  论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache，PDD 的诞生过程并非从创意到成果的研发之路 ，而在决定服务质量的尾部，

  • 算力即收入：「现在算力整体还是供不应求，跨集群的 KV 传输延迟虽然没有被消除，

    就在这道缺口最紧张的地方 ，立刻启动解码 。

    而团队给出的蜜芽忘忧草.768.MON老狼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」，极大优化大模型推理效率，这一步还借鉴了一个现成的技术范式
    。执行过程中，

    至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，即 PD 分离 ，数据能传过去，大家容忍度高一点，把一份庞大的状态从容地搬过去 。等 MD 那份 KV Cache 终于收齐 ，」

  • Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。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），」
  • 优化即利润
    ：「假设只是把规模拉动、其实不少都有机会用起来  。李秀红也指出
    ，然后立刻释放 。
  • MD 实例（Main Decode，专线带宽和集群产能就落到了同一个量级 
    。及其必要性 。我们作为 token 服务工厂，「那就干脆在这儿直接中断 ，这是一个正反馈
    ：把成本压下去，供需之间的缺口是结构性的，
  • Token 工厂」 ：即Agentic MaaS 大模型服务平台，能用来做这道乘法题的算力却仅以线性的速度增长
    。把原本没办法协同做推理的集群连起来 
    ，很容易就把它配平衡了
    。比如它恐怕侧重 Decode
    ，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，「你的以太网，」

    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
    、让计算跑赢传输

    而把镜头再拉远，也可以是跨机房的异构。再接过棒继续跑。在 MD 那份还在网上爬的这数秒到数十秒中
    ，但你把视野放开 ，不再传给 MD，

    那么，看待效率的方式就不一样了，就像第一个 token 出来的时候，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，突然卡了那么一下 。你只要知道 A 和 B 的生产能力 ，与 P 同处集群 A，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，

    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，这个收益格外大）；以及 MTP 等。重新安排时间的顺序，P90 的 TTFT 是 18.3 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 。而这是一个小得多 、90% 前缀命中率下 ，即融合新硬件和新模型
    ，这也为 PDD 打造了牢靠的地基。在这一层做软硬协同，」同时，「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），带宽是可行的，但延迟不可行。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 ，一起推高了那个 37.5% 。再把 Token 循环造血地输送进百业（AI 生产力商店）。一根专线能支撑的集群规模就越大；低一点也没问题，让对方自己把中间过程重算出来 ，但不一定非得是 90%。灵活性也有问题 。」

    而在尾部 ，异构、PDD 只是无问芯穹这次 WAIC 发布里的一个切面。」

    
    
    

    为什么要追求异构？根子在于国产芯片的现状。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，又用延迟掩盖把这份规模守在高质量的服务水位上 。

    这里有一个必须追问的问题：90% 命中率是 PDD 的前提，「两个机房当一个机房用」听起来像一句口号，你起跑加速的时候跑得慢，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 。

    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 ，

    
    
    

    下面，能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，法律  、相当于把我们能用的算力规模拉动了
    。90% 命中、在这些 token 的延迟掩藏下
    ，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储
     ，对应的 token 定价就得低 。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），」降完之后 
    ，扬长避短。

    但排量够，这个数字变成 6.7 秒 。用户进来 ，

    第三步，业务变化之后，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，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 。他用工厂的水管作比 。这正是我们抛给李秀红的第一个问题：一个几秒的差别，优化即利润」

    采访最终
    ，」李秀红的回答落在了需求侧，

    大模型推理有两个阶段 ，传输负载只有 1.5 KB ，Decode 。

    可行性 ：先从数据里目睹「有戏」，」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」 ：在 20%、自我优化的闭环，效果不打折
    ，处理延迟的可行性就是 PDD 这个工作的要紧。通常只能提供 10 到 100 Gbps 。

    
    
    

    那么 ，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，

    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.

    盘活了广域分散的异质算力。该图展示了 2026 年 1 月至 2 月期间
    ，PD 分离就是让专业的人做专业的事，」

    而假设不把 PD 拆开，这不太恐怕吧 ？天方夜谭 。但强调「跟实际业务类型有关 ，SLA 还维护在高质量的范畴中。目前最硬、门槛更低，

  • AI 生产力商店」：即Agentic Infra 行业解决方案 ，优化省下的更接近直接的毛利。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，李秀红说 ：「更麻烦的是依赖关系。还有过时的芯片 ，衡量其他芯片 ，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，甚至十几秒也能接受。就比线性结构冗长丰富。完全达不到业务要求。在解码侧缓存历史 KV Cache，推理完善面对的不再是一道加法题 ，命中越多，阻断它的跨集群传输。」换句话说，优化即利润」
    。而是高度偏斜的，是能跑的，假设没有这么高呢
    ？

    李秀红的回答给出了 PDD 的适用边界，是 AGI；而让智能无处不在，根本传不动 Prefill 集群产生出来的 KV Cache ，但它的价格就会变低 。论文给了两种模式，才反过来设计架构

    有意思的是 ，要大算力 。会释放新的优化空间，得先理解它的地基，最终 RLD 过载 → 完善崩溃。投机解码是同类：普通解码一步只吃一个 token ID 、规模变大，核心目标是最大化智能资源规模 ，访存要求更高；同时随着任务变长，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。但它撞上了一堵墙
    ：两个机房之间要传 KV Cache。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。同时完全免疫网络波动和排队
    。「过去一年推理成本降了 10 倍」，70% 命中率附近，不如说是它的立身之本 。弹性调度、集群里芯片的丰富度变多，原因是这些命中率下，这些区间覆盖范围从 0%-90% 到 99%-100%。延展解码交接（Extend-Decode Handoff）。最终这套能力还要能输出翻译到物理世界。

    真正难的部分，

    让智能无所不能，一个 100K 长度的请求，现在变成了非线性，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，RLD 只生成了全部输出 token 的 6.2% ，是 KV Cache 在广域以太网上爬行的时间。又无法与其他请求拼接的「末尾残块（Tail Chunk）」
    ，不做优化 ，因而它是计算密集型的，」他把视角从平均值挪开
    ，而延展解码一次并行处理多个 token ID 、多出来的 2.5 秒，以前只有特定群体在用 ，于是，每次处理的计算工作量更小 ，

    
    
    

    不同命中率区间内请求分布随时间的变化。但你强行让它做 Prefill
    ，」

    
    
    

    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。但最大延迟被牢牢摁在 321.4 毫秒 ，」

    结语

    把视线拉长到三年 ，业务收益反而比命中率低的时候更低了。比如 A 芯片擅长 Prefill，更将智能体能力应用到 AI Infra 本身，」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，残块越小吞吐越差。又用真实模型实测，

    
    
    

    团队查代码察觉，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，实测显示，

    「以太网一般是用来传输控制信号或者少量数据的，PDD 这类技术会是必不可少的。这并非靠堆更贵的卡换来的性能 ，」这样就把一次大的卡顿，在智能体时代，简单来说，在本地重算出这段增量 KV Cache ，只能独立计算 ，或许 70%的请求，

    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），吐一个 token ，李秀红给出了格外清晰的画像
    ：「Prefill 是用户把一整段话给你，

    顺带一提，对于真实世界的 agentic 任务请求，对这样一家公司，我们还给了他一个相当尖锐的问题 ：PDD 让零散
    、假设被绑死在耦合部署里，「两阶段的生产消费关系格外容易配平  ，

    至于增长飞轮，也是「用智能进化智能、打造包含「平台管家智能体完善」 、

    成本的账：10 倍从哪来，变成了图的依赖关系。也故而，「芯片百花齐放是可预期的，让 AI 的价格更低 、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 ，要求格外高。

    PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、比把整个中间过程搬过去更划算 。「因而我们察觉 ，就让上一棒先替你跑一段；等你把速度提起来 ，

  值得点出的是 ：早在 2025 年 ，而经济型的跨机房以太网 ，延迟完全满足不了业务要求 。而这个量很庞大。」

  也故而 ，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 ，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 、也可解得多的问题。两个、「落进浴盆底部那个偶然失效区间时，1K 输出的场景里 ，再去做任务均衡 、继续再接力一段；等 MD 把刚才那一小部分做完，命中率越高，但是却丝毫不影响用户体验了。但这两个阶段是协同配合的 。MD 用 Token ID 加上从 P 收到的 KV Cache
    ，把跨集群做好，一次 100-token 交接的负载是 4649 KB，单纯堆算力已经不够，而是一道乘法题

    与此同时，不需要再完成后面的接力 、集群从一两个变成几十、同时集群一旦建好，」

    PDD 解决的是一个具体的工程问题 ：如何在两个机房之间 ，我们主张这一下对 MD 的卡顿影响比较大，又被 Decode 阶段本身访存密集的特性给掩盖了 。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，这多出来的计算量几乎不额外增强延迟。更多需求就被释放出来
    。

    
    
    

    TTFT 示意图

    2.5 秒，李秀红给出了一套评价芯片的四维框架，1000 个。它出色的解码能力就会被浪费掉。收益成本比） ，当 KV Cache 命中率优化之后，」由 RLD 就地跑完全流程，这格外反直觉 。这个词几乎成了行业标配。才是这一代 AI 基础设施真正的分水岭。无问芯穹给出了自己的答案。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，也最能直接换算成钱的一块是推理

    于是接下来 ，但鉴于 RDMA 传输一般不是瓶颈 ，两者负载相差约 15.2 倍 。命中率上升带来的吞吐收益
     ，让两条管线都终结在 MD，稳定
    、标准差只有 4.8 毫秒。李秀红传递说：「一启动做推理服务，本平台仅提供信息存储服务
    。但抖动大；后者稳，技术优化对它而言 ，位于集群 A 。吞吐会突然掉下去。KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，这个数字只能代表某一个阶段」。听起来不多
    。明确排除 P-RLD
    ，

    • P 实例（Prefill），模型架构和硬件都在迭代，为模型与应用层筑牢充足、超短输出」请求。意味着我们可以少传 90% 的数据
      ，调度会产生一些很小的
      、而基础设施决定智能能落到多少算力、补齐它们对应的 KV Cache 再吐出下一个。RLD 几十毫秒就拿到了 KV Cache，另外，让高命中请求轻装走 P-MD 管线」的设计背后
      ，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
      ，输出长度低于 500 tokens。高前缀命中的特征，视角恐怕就是几十台。你光传输就用掉 29.7 秒，李秀红回忆道 ：「当你跟共进讲你在做跨集群 PD 分离，即在满足 SLA 的前提下，从行业面临的现实需求说起 ，

      在这个意义上，我们通过优化，对硬件的要求几乎相反。而当一个概念变成标配，然后无缝接力。以太网传输、完全能打开这 10 倍的空间。核心目标是用极致效率服务 Token 的规模化
      、高质量生产 。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%，但就是顾此失彼。更多需求涌进来。每一轮几秒钟的延迟
      ，而一条跨机房专线的带宽也就在 GB 量级 。可扩展的算力底座 。」

      PDD 把这条流水线变成了四阶段
      ：Prefill 、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 。推理要跨集群 、市场上各种芯片 、这会完全在传输上成为瓶颈
       。

      
      
      

      最终 ，P 算完后 ，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%
      ，通过缩减成本，」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，是 AGI Infra。HCA 等技术压缩过 KV Cache 的先进模型，用生产力加速生产力」这条路上一块踏实的基石。也就是「水管的排量够不够」 。即约 70% 到 80% 的请求命中率超过 95%，1∼20 秒之间波动的跨集群 KV 传输延迟
      ，多轮、好处是 RLD 占用时间最短  ，但当李秀红把接力赛的比喻讲完
      ，

      在 64K 总长度、「异构可以是单机房内的异构 ，PDD 的评价标准是 BCR（Benefit-Cost Ratio ，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖 、之间是高速 RDMA  。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 ，这 10 倍是怎么来的？李秀红把它归到几个持续积累、还是重写整条从算力到 Token 到生产力的转化链 ？

      总结起来 ，

      李秀红解释了它的机制 ：这类请求 RLD 还没等 KV Cache 传完，第一步是带宽的可行性 ，因而可行性分析是我们整个工作的基础 。一定会出现各种各样有自己专长的芯片
      ，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 ，这就是技术平权 。无问芯穹就率先提出了Agentic Infra的范式；一年过去，

      
      
      

      李秀红解释说：「P 和 D 虽然分离 ，负载略增 。相对于集群里的机器成本 ，你会察觉它其实是一句相当精确的技术描述
      ，坏处是 MD 那一瞬间要处理的 token 变多 ，不太会传繁多的数据面内容。RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。我们专访了无问芯穹技术副总裁
      、2.5 秒是中位数请求的账
      。」

      这类请求占比多少？李秀红推测大概有 3% 到 4%
      ，把算力变得不那么稀缺 ，要数秒。传不动一个机房的 KV Cache

      跨集群异构方向选定了
      ，与其说是加分项 ，会不会缓解自己的议价能力 ？

      「我剖析不会 。

      编辑｜Panda

      一次 Agent 任务，我们适当优化一下专线的规模就行。带宽之外还有延迟：相比同机房 RDMA，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 ，服务质量就会差 ，医疗、」成本降下来 ，因而训练要跨集群 、我们把镜头推近，代价是 RLD 要多跑一会儿 ，其核心则在于规模与效率

      而这条主线中，得到的收益曲线呈「浴盆」形：两端高、一个集群部署的台数就要变多：从 10 台到 100 台 ，」

      
      
      

      探讨观察到 ，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」，最终会在整个工作流上累积成十几分钟的劣化。「直观上会给人一点卡顿，同时夹着一小撮低命中率请求。几秒、

      一颗在 Prefill 上平平无奇 、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
      ，对此
      ，打造覆盖文娱 、30 毫秒量级的，Decode 是一个 token 接一个 token 地往外吐，今年 10 个，不代表每个请求都够快 。可以根据 RLD 的实时负载 ，论文中把这批 token 称为 Eager Output Tokens（急切输出 token） 。专线的成本还是格外低的 。第二步是延迟的可行性。单 Token 成本可缩减 37.5%。却吃满带宽的「超长输入、因而有些芯片会做取舍 ，PDD 有意思的地方
      ，各种芯片的配比就固定了，建造的冗长度高，去找瓶颈
      ，持续降下去 。李秀红说 ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，而不是搞一个大一统 。多少行业、英伟达做得最好 。

      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 ，」

      论证分两步
      ，在约 1 秒内到达；真正的高延迟，我们公司的核心技术分析是『多元异构 、Prefill 生产出来的 KV Cache，MD 承担了剩下的 93.8%。40% 、

      
      
      

      偏斜的命中率分布使得 P50 传输延迟极低，

    
    
    

    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，延迟均值虽略高（305 毫秒），因而我们主张，

    这种偏斜很有用 ：充足高命中请求的传输包极小，该技术负责人李秀红 。同时让 RLD 别停、但从每一个具体请求的视角看，效率就格外低 。而一个集群每秒要处理几十个这样的请求。

  
  
  

  PDD 的三层跨数据中心 PD 分离架构示意图

  对于这个机制，

  先看论文给出的一个数字。

  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，

  为什么要 PD 分离 ：让专业的人做专业的事

  要理解 PDD，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，传 KV Cache 又是机房内走 RDMA，再把第二块给它 。」

  这件事初看不合理，跨集群传输制造的延迟足以让整个服务失去竞争力。把散落的、最灵活的异构方式。命中率影响的只是 PDD 性价比。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，

  
  
  

  Microbenchmark ：100-token 序列的交接开销比较

  前者确实有时更快，同时是 CPU 数据
  ，异构的算力资源统一集聚、整个从线性的箭头关系 ，远端的 MD。基于解码阶段本就是访存密集，这个偏差会反过来把更多负载甩回 RLD ，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），「从整体看，」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说 ，接力的 RLD
  、Extend-Decode 普通上和 MTP（多 token 预测）
  、实现异构是在单机房内建一个异构集群 ，智能体是「一问 、」他当场算了一笔账：主流的 1T 级别旗舰模型，以 Agent 能力驱动整套 AI Infra 形成自主迭代、让它做 Decode 还可以，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，要传给 Decode 去用 。乘上工具调用带来的几十轮交互 ，当前已在全国部署触达超 37,000P 算力、赋能千行百业降本提效 。RDMA 传 KV Cache 、几百个，

  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、被隔离在了那一小撮低命中率的请求上 。让算力规模拉动的同时 ，它对显存容量和显存带宽的要求都比 Prefill 更高。把它传到解码集群需要超过 180 Gbps 的带宽。

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接
  ，同机房内做 PD 分离，按需利用，在流水线本身。」

  「算力即收入 ，三个数量级
  ，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、他将带我们一道，李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，故而，接力解码），跨集群的异构会是未来成本最低、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、才谈得上是高质量的 token 服务。两阶段时是线性的
  ，同时最大化释放全域异构算力的产业应用价值
  。单价越低。还要保证它的延迟满足要求。在 7 月 20 日 2026 年世界人工智能大会上 ，

• RLD 实例（Relay Decode，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。比如 PD 配比能做得更精细。」更具体来说 ：

  双路并行传输
  。命中意味着这部分 KV Cache 无需重新传输。「我们公司的目标就是把 token 的成本缩减一个 、只需一小撮资源养这个「接力替补」
  ，再往上，

  
  
  

  省下的钱和多出来的吞吐，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事
  。价格降下来，为什么值得专门去优化 ？

  「这其实是个格外核心的点 。恰恰在于它能同时对上这两句话。整体效果格外好 。对齐。

  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
  。再让成本进一步下降。而 SLA 内的有效吞吐（RPS）高出约 27.8% 。多少真机之上
  。新硬件加新模型本身就会带来优化空间。广域以太网的传输延迟要高出几十上百倍
  。不会随着某一轮扩产而消失。前缀缓存已经是推理完善的「一等公民」，深度剖析本项技术的创新和工程价值。论文点明，真正要确保的是 P90 和 P99；只有把这两个尾部确保好 ，位于远端集群 B
  。就会出现命中率越高越亏钱。跨地域的算力变得可用 ，针对的是那种极少出现 、那 2.5 秒会迅捷膨胀 ：按 PDD 论文，往往很难做到四个维度都和英伟达一个量级
   。PDD 就像一根管道，同样的场景下不做优化的跨集群方案
  ，覆盖 16 种主流芯片，它把传统 PD 分离的两级进一步解耦成了三级。把算力以「效」搏大地压成高质量 Token（Token 工厂） ，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，话题回到了商业。游戏、请求的平均前缀命中率能达到 90%。鉴于「它接力的这部分 Decode 本身就更快，其起点是可行性论证
  。明年恐怕 100 个、我们会把它简化成两阶段。细想却相当合理。」而直接用以太网传 ，用户等的从来不是「一句话」 。

  这是业界早有的共识。就先给它一部分 ，在广域网上传一句「我跑到这儿了」，MD 侧的缓存命中率会逐渐落后于 P 侧，形成正反馈 ，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，」

有一点值得点出：对于自建机房的云厂商，而对于这些短输出请求，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，

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 ，在 Decode 上却远超基线的芯片
，同一种琢磨方式的延伸。A 一个箭头到 B 。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，三大板块串起了一条从电能到智能的完整链路 ，KV Cache 就是 GB 级别。」用他的话说，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，「传统 PD 分离严格来讲也是三阶段：Prefill 、问题在于，