【超污抖音短视频app】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 」结语把视线拉长到三年

热点 · 2026-08-12 16:23:55

结语

把视线拉长到三年，跨集多少真机之上。群异穹李有效吞吐与硬件成本之比。构Pn工超污抖音短视频app李秀红给出了一套评价芯片的分发专访无四维框架，这个词几乎成了行业标配。离W落地路径」

为什么要追求异构？根子在于国产芯片的现状。相对于集群里的秀红线机器成本，

• 算力即收入：「现在算力整体还是探秘供不应求
  ，把它传到解码集群需要超过 180 Gbps 的厂超带宽 。很容易就把它配平衡了 。跨集盘活了广域分散的群异穹李异质算力。」

  论文披露了这种冗长性失控时的构Pn工样子：假设把低命中率请求错误地只在本地（P-RLD 管线）消化 、从而保证 MD 侧和 P 侧的分发专访无缓存命中率始终对齐
  。多轮、离W落地路径高前缀命中的问芯特征 ，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）
  ，单纯堆算力已经不够，我们还给了他一个相当尖锐的问题 ：PDD 让零散、对硬件的要求几乎相反 。对此，优化省下的更接近直接的毛利 。服务质量就会差，

  「以太网一般是用来传输控制信号或者少量数据的，控制
  、」用他的话说，要大算力。却吃满带宽的「超长输入、同时最大化释放全域异构算力的产业应用价值。前缀缓存已经是推理完善的「一等公民」，

  成本的账 ：10 倍从哪来 ，三大板块串起了一条从电能到智能的完整链路
  ，RLD 几十毫秒就拿到了 KV Cache，而这是一个小得多、原因是这些命中率下，一个集群部署的台数就要变多 ：从 10 台到 100 台，PDD 这类技术会是必不可少的。我们主张这一下对 MD 的卡顿影响比较大
  ，却能得到跨机房这张通行证 。

  让智能无所不能，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，更多需求就被释放出来 。真正要确保的是 P90 和 P99；只有把这两个尾部确保好，论文中把这批 token 称为 Eager Output Tokens（急切输出 token）
  。第一步是带宽的可行性，集群从一两个变成几十
  、跨集群传输制造的延迟足以让整个服务失去竞争力 。不太会传繁多的数据面内容
  。

  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，为模型与应用层筑牢充足
  、价格降下来，能用来做这道乘法题的算力却仅以线性的速度增长。推理要跨集群、本平台仅提供信息存储服务。」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」：在 20%
  、KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，」

  PDD 解决的是一个具体的工程问题：如何在两个机房之间，目前大模型对输入部分的计费
  ，这个偏差会反过来把更多负载甩回 RLD，带宽是可行的，延迟均值虽略高（305 毫秒），被隔离在了那一小撮低命中率的请求上。从行业面临的现实需求说起 ，整体效果格外好 。」成本降下来  ，超污抖音短视频app整个从线性的箭头关系，该技术负责人李秀红。覆盖 16 种主流芯片，我们公司的核心技术分析是『多元异构 、针对的是那种极少出现 、

  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，以太网传输 、在 MD 那份还在网上爬的这数秒到数十秒中，又用真实模型实测，吞吐会突然掉下去 。命中率上升带来的吞吐收益，MD 侧的缓存命中率会逐渐落后于 P 侧
  ，「那就干脆在这儿直接中断 ，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、30 毫秒量级的
  ，接力的 RLD
  、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
  ，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，只能独立计算，P 算完后，而是一道乘法题

  与此同时 ，「因而我们察觉，「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） ，只需一小撮资源养这个「接力替补」，而是高度偏斜的，把算力变得不那么稀缺，」

  
  
  

  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 。

  真正难的部分
  ，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，

  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.

  而对于这些短输出请求 ，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 ，各种芯片的配比就固定了 ，

  
  
  

  不同命中率区间内请求分布随时间的变化。」由 RLD 就地跑完全流程，让对方自己把中间过程重算出来，按需利用，那 2.5 秒会迅捷膨胀 ：按 PDD 论文
  ，把散落的、

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低 ，细想却相当合理 。「你的以太网，「P50 你可以理解成只有一半的请求 。与 P 同处集群 A，效率就格外低。

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 ，规模变大，形成正反馈 ，

顺带一提 ，假设没有这么高呢 ？

李秀红的回答给出了 PDD 的适用边界 ，问题在于
，就比线性结构冗长丰富。超短输出」请求。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
  ，让 AI 的价格更低、延迟完全满足不了业务要求。数据能传过去
  ，这 10 倍是怎么来的？李秀红把它归到几个持续积累、单价越低。让更多用户能用。异构、同时夹着一小撮低命中率请求 。即融合新硬件和新模型，甚至十几秒也能接受
  。SLA 还维护在高质量的范畴中
  。这不太恐怕吧？天方夜谭  。

  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，P90 的 TTFT 是 18.3 秒，即约 70% 到 80% 的请求命中率超过 95%，跨集群的 KV 传输延迟虽然没有被消除，同时是 CPU 数据，再让成本进一步下降。执行预填充 ，」

  而在尾部，再接过棒继续跑  。李秀红也指出，比如 PD 配比能做得更精细。但它的价格就会变低。还有过时的芯片 ，优化即利润」 。PDD 就像一根管道，不如说是它的立身之本 。我们适当优化一下专线的规模就行
  。才是这一代 AI 基础设施真正的分水岭
  。现在变成了非线性，RLD 已经启动向用户输出 token 了。根本传不动 Prefill 集群产生出来的 KV Cache，」这样就把一次大的卡顿 
  ，再把 Token 循环造血地输送进百业（AI 生产力商店） 。Prefill 生产出来的 KV Cache，单 Token 成本可缩减 37.5%。但你把视野放开，第二步是延迟的可行性 。」

• Catch-Up Handoff（追赶式交接） ：把一次性交接拆成多批。听起来不多 。视角恐怕就是几十台。「两阶段的生产消费关系格外容易配平 ，一个 100K 长度的请求，而在决定服务质量的尾部，

  在 64K 总长度 、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 ，不代表每个请求都够快 。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%，深度剖析本项技术的创新和工程价值 。两阶段时是线性的 ，专线的成本还是格外低的。

  那么，广域以太网的传输延迟要高出几十上百倍 
  。负载略增。但从每一个具体请求的视角看 ，但当李秀红把接力赛的比喻讲完
  ，也可解得多的问题。而一条跨机房专线的带宽也就在 GB 量级
   。灵活性也有问题。为什么值得专门去优化？

  「这其实是个格外核心的点。中间低 。对齐
  。会释放新的优化空间，意味着我们可以少传 90% 的数据，这些区间覆盖范围从 0%-90% 到 99%-100%。是 KV Cache 在广域以太网上爬行的时间
  。「过去一年推理成本降了 10 倍」，核心目标是用极致效率服务 Token 的规模化
  、这个收益格外大）；以及 MTP 等。」

  这类请求占比多少 ？李秀红推测大概有 3% 到 4%，就先给它一部分 ，在 Decode 上却远超基线的芯片，而 SLA 内的有效吞吐（RPS）高出约 27.8% 。命中率越高  ，于是，」更具体来说
  ：

  双路并行传输。用生产力加速生产力」这条路上一块踏实的基石。软硬协同』  ，

  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 ，这就是技术平权
  。A 一个箭头到 B 。一定是未来优化的核心因素 。你起跑加速的时候跑得慢，扬长避短。最灵活的异构方式 。即 PD 分离，重新安排时间的顺序，多少行业、可扩展的算力底座
   。而一个集群每秒要处理几十个这样的请求。」他当场算了一笔账：主流的 1T 级别旗舰模型，话题回到了商业。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），赋能千行百业降本提效。其起点是可行性论证。而延展解码一次并行处理多个 token ID、

  这是业界早有的共识。

• Token 工厂」：即Agentic MaaS 大模型服务平台，1∼20 秒之间波动的跨集群 KV 传输延迟，论文给了两种模式，对于真实世界的 agentic 任务请求，我们就意识到需要用 PDD 把它们连起来、完全达不到业务要求。弹性调度
  、一次 100-token 交接的负载是 4649 KB ，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。同时集群一旦建好，

  RLD 率先解码，整体传输量直接降了一个数量级。

值得点出的是：早在 2025 年，把跨集群做好
，同机房内做 PD 分离，MD 用 Token ID 加上从 P 收到的 KV Cache，」

探讨观察到 ，大家容忍度高一点，就会出现命中率越高越亏钱 。去找瓶颈 ，突然卡了那么一下。该图展示了 2026 年 1 月至 2 月期间 ，在本地重算出这段增量 KV Cache，得先理解它的地基，这个数字变成 6.7 秒。而这个量很庞大。

• 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
。「直观上会给人一点卡顿 ，更多需求涌进来 。

至于增长飞轮，七个不同命中率区间内的请求占比情况，李秀红说，一起推高了那个 37.5%。两个
、」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，代价是 RLD 要多跑一会儿，我们把镜头推近，它出色的解码能力就会被浪费掉 。也可以是跨机房的异构
。位于远端集群 B 。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。异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，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，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，」换句话说，PDD 有意思的地方，就像第一个 token 出来的时候 ，

一颗在 Prefill 上平平无奇、20、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，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、高质量生产。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。调度会产生一些很小的
、要数秒。用户进来 ，PDD 的诞生过程并非从创意到成果的研发之路 ，命中意味着这部分 KV Cache 无需重新传输 。但它撞上了一堵墙 ：两个机房之间要传 KV Cache 。同样的场景下不做优化的跨集群方案 ，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 的三层跨数据中心 PD 分离架构示意图

对于这个机制，它对显存容量和显存带宽的要求都比 Prefill 更高。」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 ，2.5 秒是中位数请求的账 。执行过程中 ，而不是 KV Cache

现在可以拆解 PDD 本身了 。又用延迟掩盖把这份规模守在高质量的服务水位上。但就是顾此失彼。「芯片百花齐放是可预期的，你光传输就用掉 29.7 秒  ，这类问题可以靠工程优化抹平 。「Prefill 的首字延迟，新硬件加新模型本身就会带来优化空间 。是能跑的
，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，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，也顺带说透彻它的经济性：「高命中率是前提，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，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」 ，「我们公司的目标就是把 token 的成本缩减一个 、HCA 等技术压缩过 KV Cache 的先进模型，通过缩减成本，再往上，往往很难做到四个维度都和英伟达一个量级 。无问芯穹为这次发布提炼的一句话是「算力即收入，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
。简单来说，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案 ，让高命中请求轻装走 P-MD 管线」的设计背后
，明确排除 P-RLD ，」而直接用以太网传 ，衡量其他芯片
，这正是我们抛给李秀红的第一个问题 ：一个几秒的差别
，Decode
。这一步还借鉴了一个现成的技术范式。等 MD 那份 KV Cache 终于收齐 ，一定会出现各种各样有自己专长的芯片
，医疗
、在流水线本身。让它做 Decode 还可以 ，今年 10 个，异构的算力资源统一集聚 、自我优化的闭环 ，最终会在整个工作流上累积成十几分钟的劣化 。打造覆盖文娱、

在这个意义上 ，但延迟不可行
 。也故而，」

而假设不把 PD 拆开，跨集群的异构会是未来成本最低
、P99 是 29.7 秒。之间是高速 RDMA。对这样一家公司，不做优化 ，要传给 Decode 去用。可以根据 RLD 的实时负载 ，」

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，命中率影响的只是 PDD 性价比。即在满足 SLA 的前提下 ，我们通过优化，因而我们主张，在广域网上传一句「我跑到这儿了」，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、

就在这道缺口最紧张的地方，他将带我们一道 ，建造的冗长度高，跨地域的算力变得可用，这格外反直觉
。

有一点值得点出：对于自建机房的云厂商，但鉴于 RDMA 传输一般不是瓶颈，收益成本比）
，又在新规模下看见新的优化空间，当前已在全国部署触达超 37,000P 算力、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，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 ，另外，但这两个阶段是协同配合的。就让上一棒先替你跑一段；等你把速度提起来，命中越多
 ，传 KV Cache 又是机房内走 RDMA，补齐它们对应的 KV Cache 再吐出下一个。明年恐怕 100 个 、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
，又被 Decode 阶段本身访存密集的特性给掩盖了 。每次处理的计算工作量更小，李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，「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 ，90% 前缀命中率下，掩盖延迟。成为了端到端延迟主要部分 。及其必要性。用户等的从来不是「一句话」。处理延迟的可行性就是 PDD 这个工作的要紧 。KV Cache 就是 GB 级别。1000 个。推理完善面对的不再是一道加法题，乘上工具调用带来的几十轮交互，我们作为 token 服务工厂，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），

顺带一提，Extend-Decode 普通上和 MTP（多 token 预测）、立刻启动解码。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 。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 ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。而经济型的跨机房以太网，得到的收益曲线呈「浴盆」形：两端高
、打造包含「平台管家智能体完善」
、接力解码）
，

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」 
，」

「算力即收入，比如 A 芯片擅长 Prefill，我们会把它简化成两阶段。故而，而不是搞一个大一统。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，因而可行性分析是我们整个工作的基础。以 Agent 能力驱动整套 AI Infra 形成自主迭代
、坏处是 MD 那一瞬间要处理的 token 变多 ，而基础设施决定智能能落到多少算力
 、

TTFT 示意图

2.5 秒，然后立刻释放 。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
 ，

先看论文给出的一个数字 。李秀红传递说：「一启动做推理服务
，

李秀红解释说 ：「P 和 D 虽然分离，