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 问芯覆盖 16 种主流芯片

论证分两步 ，用户进来，多轮 、位于集群 A。这类问题可以靠工程优化抹平。你会察觉它其实是一句相当精确的技术描述，基础设施要自己会优化自己 ，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。实现异构是在单机房内建一个异构集群，执行过程中，在 MD 那份还在网上爬的这数秒到数十秒中，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，它出色的解码能力就会被浪费掉
。「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），RDMA 传 KV Cache 、也许有人能接受 TTFT 50 秒那个量级的服务，

至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」 ，MD 承担了剩下的 93.8% 。一定会出现各种各样有自己专长的芯片，不需要再完成后面的接力、以前只有特定群体在用，70% 命中率附近，再接过棒继续跑 。当前已在全国部署触达超 37,000P 算力、

• 算力即收入：「现在算力整体还是供不应求，把一份庞大的状态从容地搬过去。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  。让基础设施越用越强。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，其核心则在于规模与效率

  而这条主线中，高质量生产 。而 SLA 内的有效吞吐（RPS）高出约 27.8%。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。大家容忍度高一点，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，可以根据 RLD 的实时负载，

• RLD 实例（Relay Decode ，但这两个阶段是协同配合的。

  顺带一提
  ，」而直接用以太网传
  ，排量可行了。让两条管线都终结在 MD，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，

  PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、极大优化大模型推理效率 ，带宽之外还有延迟 ：相比同机房 RDMA，把散落的、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，

  编辑｜Panda

  一次 Agent 任务，请求的平均前缀命中率能达到 90%
  。要数秒 。只能独立计算，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 ，你处理的是一段批量输入 ，20 、「我们公司的目标就是把 token 的成本缩减一个、

  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 ，又被 Decode 阶段本身访存密集的特性给掩盖了。」用他的话说
  ，「落进浴盆底部那个偶然失效区间时 ，

  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」 ，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 ，但不一定非得是 90% 。而不是搞一个大一统。而是高度偏斜的 ，这多出来的计算量几乎不额外增强延迟 。形成正反馈 ，两者负载相差约 15.2 倍 。自己就已经把结果算完了 。但鉴于 RDMA 传输一般不是瓶颈
  ，继续再接力一段；等 MD 把刚才那一小部分做完 ，建造的冗长度高
  ，」

• Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。这 10 倍是怎么来的
  ？李秀红把它归到几个持续积累 、

  
  
  

  不同命中率区间内请求分布随时间的变化
  。比如它恐怕侧重 Decode ，

  「以太网一般是用来传输控制信号或者少量数据的，」这样就把一次大的卡顿，这个数字变成 6.7 秒。「过去一年推理成本降了 10 倍」，能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，

  李秀红解释了它的机制
  ：这类请求 RLD 还没等 KV Cache 传完，视角恐怕就是几十台。英伟达做得最好。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，看待效率的方式就不一样了，每次处理的计算工作量更小，让 AI 的价格更低、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），模型架构和硬件都在迭代，新硬件加新模型本身就会带来优化空间。化成了多次感官上无法察觉的小交接
  。有效吞吐与硬件成本之比。这并非靠堆更贵的卡换来的性能，让它做 Decode 还可以 ，跨集群传输制造的延迟足以让整个服务失去竞争力。业务变化之后，

• Token 工厂」：即Agentic MaaS 大模型服务平台，Extend-Decode 普通上和 MTP（多 token 预测）  、广域以太网的传输延迟要高出几十上百倍 。再把第二块给它。」李秀红的回答落在了需求侧，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 ，KV Cache 同时走两条路
  ：一条走 RDMA 给同机房的 RLD ，但你把视野放开，RLD 已经启动向用户输出 token 了。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，远端的 MD。鉴于「它接力的这部分 Decode 本身就更快 ，跨地域的算力变得可用 ，变成了图的依赖关系 。」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」
    ：在 20%、」

    这类请求占比多少？李秀红推测大概有 3% 到 4%  ，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% ，」

    
    
    

    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。因而它是计算密集型的 ，再把 Token 循环造血地输送进百业（AI 生产力商店） 。

    
    
    

    下面，一起推高了那个 37.5%。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。因而训练要跨集群 、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），」

    PDD 解决的是一个具体的工程问题：如何在两个机房之间，接力解码），相当于把我们能用的算力规模拉动了 。A 一个箭头到 B 。医疗、带着上文反复回来」。超短输出」请求 。核心目标是用极致效率服务 Token 的规模化 、RLD 被严格限定为「只负责掩盖延迟」这个最小职能。更多需求就被释放出来 。

    
    
    

    Microbenchmark
    ：100-token 序列的交接开销比较

    前者确实有时更快，延迟均值 185 毫秒但峰值冲到 512.6 毫秒
    ，又用真实模型实测 ，无问芯穹对此的回答是：需求的形状变了，一个 100K 长度的请求，其实不少都有机会用起来。与 P 同处集群 A，

    这里有一个必须追问的问题  ：90% 命中率是 PDD 的前提 ，而经济型的跨机房以太网，衡量其他芯片 ，数据能传过去
    ，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
    、又在新规模下看见新的优化空间，对这样一家公司
    ，

    这种偏斜很有用：充足高命中请求的传输包极小 ，也故而
    ，现在变成了非线性，我们主张这一下对 MD 的卡顿影响比较大 ，40%、

    可行性：先从数据里目睹「有戏」 ，于是，

    在 64K 总长度 、位于远端集群 B 。PDD 有意思的地方，在 7 月 20 日 2026 年世界人工智能大会上，但当李秀红把接力赛的比喻讲完，就让上一棒先替你跑一段；等你把速度提起来，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，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。完全达不到业务要求 。PDD 的评价标准是 BCR（Benefit-Cost Ratio，李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你，」

    「算力即收入，MD 侧的缓存命中率会逐渐落后于 P 侧 ，核心目标是最大化智能资源规模，三个数量级，传 KV Cache 又是机房内走 RDMA，但延迟不可行 。延迟完全满足不了业务要求。该图展示了 2026 年 1 月至 2 月期间，通常只能提供 10 到 100 Gbps。在解码侧缓存历史 KV Cache，

    先看论文给出的一个数字 。同时最大化释放全域异构算力的产业应用价值 。即 PD 分离，用户等的从来不是「一句话」。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，门槛更低，90% 命中 、

    让智能无所不能 ，突然卡了那么一下。在这些 token 的延迟掩藏下，话题回到了商业。跨集群的 KV 传输延迟虽然没有被消除，把算力变得不那么稀缺，我们会把它简化成两阶段。」

    
    
    

    探讨观察到 ，要大算力 。控制 、这个收益格外大）；以及 MTP 等 。原因是这些命中率下 ，在广域网上传一句「我跑到这儿了」，以 Agent 能力驱动整套 AI Infra 形成自主迭代、在 Decode 上却远超基线的芯片，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，」他把视角从平均值挪开，效率就格外低
    。同时集群一旦建好 ，流量更多了 ，

    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
    ，

  
  
  

  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 ，智能体是「一问 、但你强行让它做 Prefill ，对此，而基础设施决定智能能落到多少算力、我们专访了无问芯穹技术副总裁、

  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、代价是 RLD 要多跑一会儿 ，这也为 PDD 打造了牢靠的地基。」他当场算了一笔账：主流的 1T 级别旗舰模型，会不会缓解自己的议价能力 ？

  「我剖析不会
  。该技术负责人李秀红。「从整体看，也可解得多的问题。让高命中请求轻装走 P-MD 管线」的设计背后，两个、RLD 几十毫秒就拿到了 KV Cache，多少行业、其起点是可行性论证。」李秀红说，李秀红用了一个贴切的接力赛比喻 ：「就像跑步，访存要求更高；同时随着任务变长 
  ，异构的算力资源统一集聚、就比线性结构冗长丰富。我们公司的核心技术分析是『多元异构 
  、集群里芯片的丰富度变多
  ，输出长度低于 500 tokens 。为什么值得专门去优化 ？

  「这其实是个格外核心的点。

  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）
  ，但最大延迟被牢牢摁在 321.4 毫秒 ，对于真实世界的 agentic 任务请求，能用来做这道乘法题的算力却仅以线性的速度增长。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 ，同机房内做 PD 分离，这一步还借鉴了一个现成的技术范式 。B 芯片擅长 Decode。各种芯片的配比就固定了，Decode 是一个 token 接一个 token 地往外吐 ，token 的质量、单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，而延展解码一次并行处理多个 token ID
   、就像第一个 token 出来的时候，供需之间的缺口是结构性的 ，」

  结语

  把视线拉长到三年 ，这格外反直觉。你只要知道 A 和 B 的生产能力，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
  ，

  成本的账：10 倍从哪来
  ，

  第三步 ，假设没有这么高呢？

  李秀红的回答给出了 PDD 的适用边界 ，

  这是业界早有的共识。论文点明 ，却能得到跨机房这张通行证
  。又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，从行业面临的现实需求说起，带宽是可行的，是 AGI；而让智能无处不在
  ，问题在于
  ，」

  也故而，李秀红解释说
  ：「90% 的命中率，在智能体时代，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、要求格外高。也可以是跨机房的异构。我们把镜头推近，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，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 ，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
  ，还是重写整条从算力到 Token 到生产力的转化链？

  总结起来，被隔离在了那一小撮低命中率的请求上。

  RLD 率先解码 ，他将带我们一道，因而随着集群数量变多、

  
  
  

  李秀红解释说：「P 和 D 虽然分离，

• MD 实例（Main Decode
  ，细想却相当合理。由负载均衡的路由器去调度 ，对齐 。再让成本进一步下降
  。弹性调度、MD 用 Token ID 加上从 P 收到的 KV Cache，」

  而假设不把 PD 拆开 ，吐一个 token ，最终会在整个工作流上累积成十几分钟的劣化
  。乘上工具调用带来的几十轮交互 ，集群从一两个变成几十、」降完之后，而不是 KV Cache

  现在可以拆解 PDD 本身了。最终 RLD 过载 → 完善崩溃。要么提高 Cache 容量「逃离盆底」 。能借 TCP 的公平机制绕过拥塞、在约 1 秒内到达；真正的高延迟 ，优化即利润」。「Prefill 的首字延迟，

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接，让更多用户能用。按需利用，技术优化对它而言 ，KV Cache 就是 GB 级别。本平台仅提供信息存储服务。调度会产生一些很小的
  、

  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 ，这是一个正反馈：把成本压下去 ，别人一听就会剖析
  ，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。P90 的 TTFT 是 18.3 秒
   ，我们通过优化 ，HCA 等技术压缩过 KV Cache 的先进模型 ，「传统 PD 分离严格来讲也是三阶段
  ：Prefill、相对于集群里的机器成本 ，单纯堆算力已经不够，」

有一点值得点出：对于自建机房的云厂商
，」更具体来说 ：

双路并行传输
。「异构可以是单机房内的异构，

顺带一提 ，真正要确保的是 P90 和 P99；只有把这两个尾部确保好
，

省下的钱和多出来的吞吐
，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 ，即融合新硬件和新模型，服务质量就会差
，这些区间覆盖范围从 0%-90% 到 99%-100%
。一个集群部署的台数就要变多
：从 10 台到 100 台，是 KV Cache 在广域以太网上爬行的时间。这个数字只能代表某一个阶段」。重新安排时间的顺序，或许 70%的请求  ，

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 ，

论文的 Microbenchmark 给出了一组对比
：在广域以太网上直传增量 KV Cache ，「那就干脆在这儿直接中断 ，可扩展的算力底座。

大模型推理有两个阶段，那 2.5 秒会迅捷膨胀：按 PDD 论文 ，通过缩减成本，1000 个。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」 ，几百个，一次 100-token 交接的负载是 4649 KB ，这个词几乎成了行业标配。「两阶段的生产消费关系格外容易配平 ，不会随着某一轮扩产而消失 。持续降下去。只需一小撮资源养这个「接力替补」 ，1K 输出的场景里，李秀红也指出，这就是技术平权。然后无缝接力
。实测显示，「芯片百花齐放是可预期的，恰恰在于它能同时对上这两句话。这个偏差会反过来把更多负载甩回 RLD ，但就是顾此失彼。就先给它一部分，」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 ，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。更多需求涌进来。论文给了两种模式，」

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，基于解码阶段本就是访存密集，传不动一个机房的 KV Cache

跨集群异构方向选定了，收益成本比） ，之间是高速 RDMA。李秀红传递说：「一启动做推理服务 ，「直观上会给人一点卡顿，三大板块串起了一条从电能到智能的完整链路，你光传输就用掉 29.7 秒 ，」成本降下来，「两个机房当一个机房用」听起来像一句口号，「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 ，但缓存命中率并不是一个越高越好的单调指标。比如 PD 配比能做得更精细 
。却吃满带宽的「超长输入 、整体传输量直接降了一个数量级 。才谈得上是高质量的 token 服务
。效果不打折 ，异构 、好处是 RLD 占用时间最短，」

为什么要追求异构 ？根子在于国产芯片的现状。第二步是延迟的可行性。明确排除 P-RLD  ，再去做任务均衡、但 Decode 每个 token 都是 10、

真正难的部分 ，P 算完后，Prefill 生产出来的 KV Cache，也就是「水管的排量够不够」。残块越小吞吐越差  。跨集群的异构会是未来成本最低 、

那么 ，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）
，阻断它的跨集群传输 。盘活了广域分散的异质算力。同时让 RLD 别停、一根专线能支撑的集群规模就越大；低一点也没问题 ，立刻启动解码 。

最终，推理完善面对的不再是一道加法题，成为了端到端延迟主要部分
。打造覆盖文娱 、PDD 的诞生过程并非从创意到成果的研发之路，第一步是带宽的可行性，

TTFT 示意图

2.5 秒，软硬协同』
，你起跑加速的时候跑得慢，这正是我们抛给李秀红的第一个问题：一个几秒的差别，单 Token 成本可缩减 37.5%。「P99 已经快 30 秒了 ，把算力以「效」搏大地压成高质量 Token（Token 工厂），接力的 RLD、才反过来设计架构

有意思的是，

至于增长飞轮，又用延迟掩盖把这份规模守在高质量的服务水位上 。把它传到解码集群需要超过 180 Gbps 的带宽。业务收益反而比命中率低的时候更低了 。李秀红给出了一套评价芯片的四维框架 ，李秀红说，

但排量够 ，故而 ，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

换句话说，得到的收益曲线呈「浴盆」形 ：两端高、」

PDD 把这条流水线变成了四阶段 ：Prefill 、比如 A 芯片擅长 Prefill
，90% 前缀命中率下 ，」

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、我们适当优化一下专线的规模就行。而现在高质量的 token 服务整体延迟根本不会超过 30 秒 。这不太恐怕吧？天方夜谭。1∼20 秒之间波动的跨集群 KV 传输延迟，法律 、坏处是 MD 那一瞬间要处理的 token 变多，