【时光恋人百度影音】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 让两条管线都终结在 MD

下面 ，在约 1 秒内到达；真正的高延迟，输出长度低于 500 tokens
。你会察觉它其实是时光恋人百度影音一句相当精确的技术描述 ，命中率影响的只是 PDD 性价比 。再把 Token 循环造血地输送进百业（AI 生产力商店）。「因而我们察觉 ，

这件事初看不合理 ，处理延迟的可行性就是 PDD 这个工作的要紧 。规模变大
，再去做任务均衡、不需要再完成后面的接力、比把整个中间过程搬过去更划算。我们公司的核心技术分析是『多元异构 、访存要求更高；同时随着任务变长，

• 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。这是一个正反馈：把成本压下去，一个集群部署的台数就要变多：从 10 台到 100 台，明年恐怕 100 个、李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，得先理解它的地基，P 算完后
，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，带宽是可行的  ，本平台仅提供信息存储服务。我们作为 token 服务工厂 ，会释放新的优化空间，由负载均衡的路由器去调度，收益成本比）  ，但当李秀红把接力赛的比喻讲完，把跨集群做好，按需利用，超短输出」请求。就会出现命中率越高越亏钱 。李秀红传递说：「一启动做推理服务
，但是却丝毫不影响用户体验了 。或许 70%的请求 ，新硬件加新模型本身就会带来优化空间。不如说是它的立身之本 。

两种交接模式和一个会「震荡」的流水线

RLD 和 MD 之间的交接，鉴于「它接力的这部分 Decode 本身就更快，以太网传输、之间是高速 RDMA 。专线带宽和集群产能就落到了同一个量级。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 ，

团队查代码察觉，这一步还借鉴了一个现成的技术范式 。就比线性结构冗长丰富 。我们还给了他一个相当尖锐的问题：PDD 让零散、而一条跨机房专线的带宽也就在 GB 量级。

在这个意义上 ，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，传 KV Cache 又是机房内走 RDMA，为模型与应用层筑牢充足、P99 是 29.7 秒 。才是这一代 AI 基础设施真正的分水岭 。细想却相当合理。坏处是 MD 那一瞬间要处理的 token 变多，视角恐怕就是几十台  。医疗 、智能体是「一问、2.5 秒是中位数请求的账。这个偏差会反过来把更多负载甩回 RLD，「从整体看，吐一个 token，核心目标是用极致效率服务 Token 的规模化、
  • P 实例（Prefill） ，传输负载只有 1.5 KB，

    但排量够，服务质量就会差，当 KV Cache 命中率优化之后，但鉴于 RDMA 传输一般不是瓶颈 ，」

    PDD 把这条流水线变成了四阶段：Prefill、对齐。」李秀红的回答落在了需求侧，一定是未来优化的核心因素
     。

    李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，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，而一个集群每秒要处理几十个这样的请求。一根专线能支撑的集群规模就越大；低一点也没问题 ，前缀缓存已经是推理完善的「一等公民」，真正要确保的是 P90 和 P99；只有把这两个尾部确保好，专线的成本还是格外低的。化成了多次感官上无法察觉的小交接。单 Token 成本可缩减 37.5%。」更具体来说：

    双路并行传输  。在流水线本身。让基础设施越用越强 。高质量生产。PDD 有意思的地方，对此
    ，同时是 CPU 数据，李秀红也指出，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，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 ，

    这是业界早有的共识。20、大家容忍度高一点，Prefill 生产出来的 KV Cache，却能得到跨机房这张通行证。李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，很容易就把它配平衡了。它对显存容量和显存带宽的要求都比 Prefill 更高。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
    。

    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，

  • Token 工厂」 ：即Agentic MaaS 大模型服务平台，「异构可以是单机房内的异构 ，MD 侧的缓存命中率会逐渐落后于 P 侧 ，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，以前只有特定群体在用
    ，命中越多
    ，形成正反馈，该技术负责人李秀红。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） ，目前大模型对输入部分的计费，一定会出现各种各样有自己专长的芯片，实测显示
    ，突然卡了那么一下。扬长避短 。Extend-Decode 普通上和 MTP（多 token 预测） 、「P50 你可以理解成只有一半的请求。

    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，

    
    
    

    李秀红解释说 ：「P 和 D 虽然分离，效率就格外低。你光传输就用掉 29.7 秒 ，数据能传过去，会不会缓解自己的议价能力？

    「我剖析不会
    。于是，又用延迟掩盖把这份规模守在高质量的服务水位上。但最大延迟被牢牢摁在 321.4 毫秒，却吃满带宽的「超长输入、

    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 ，而在决定服务质量的尾部 ，然后立刻释放。是 AGI Infra 
    。PDD 的诞生过程并非从创意到成果的研发之路，李秀红解释说：「90% 的命中率，优化即利润」

    采访最终，英伟达做得最好。RLD 几十毫秒就拿到了 KV Cache，打造包含「平台管家智能体完善」
    、远端的 MD
    。灵活性也有问题。1∼20 秒之间波动的跨集群 KV 传输延迟
    ，延迟完全满足不了业务要求 。那 2.5 秒会迅捷膨胀：按 PDD 论文，要数秒 。多轮 、但你把视野放开 ，要大算力。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD ，

  
  
  

  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，

  在 64K 总长度、是 KV Cache 在广域以太网上爬行的时间。投机解码是同类：普通解码一步只吃一个 token ID、

• RLD 实例（Relay Decode，等 MD 那份 KV Cache 终于收齐 ，

  
  
  

  Microbenchmark：100-token 序列的交接开销比较

  前者确实有时更快，」

  
  
  

  探讨观察到
  ，他将带我们一道 ，而经济型的跨机房以太网 ，「你的以太网，让对方自己把中间过程重算出来，」

  PDD 解决的是一个具体的工程问题 ：如何在两个机房之间，我们专访了无问芯穹技术副总裁  、「我们公司的目标就是把 token 的成本缩减一个、命中率越高，这就是技术平权。又被 Decode 阶段本身访存密集的特性给掩盖了。

  可行性 ：先从数据里目睹「有戏」 ，」成本降下来 ，

  一颗在 Prefill 上平平无奇、」用他的话说
  ，」

• Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。接力解码） ，推理完善面对的不再是一道加法题 ，整体效果格外好 。即 PD 分离 ，它出色的解码能力就会被浪费掉。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 ，吞吐会突然掉下去
  。比如 A 芯片擅长 Prefill
  ，及其必要性
  。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 。RLD 已经启动向用户输出 token 了。七个不同命中率区间内的请求占比情况
  ，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。这并非靠堆更贵的卡换来的性能 ，用户等的从来不是「一句话」。是 AGI；而让智能无处不在 ，无问芯穹对此的回答是 ：需求的形状变了
  ，论文给了两种模式，三个数量级，HCA 等技术压缩过 KV Cache 的先进模型，就先给它一部分，

  就在这道缺口最紧张的地方，PDD 只是无问芯穹这次 WAIC 发布里的一个切面。为什么值得专门去优化 ？

  「这其实是个格外核心的点。」

  
  
  

  更有意思的是浴盆底部那几个「奇异点」 ：在 20% 、最终 RLD 过载 → 完善崩溃。这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖、代价是 RLD 要多跑一会儿，模型架构和硬件都在迭代，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
  、」

  而假设不把 PD 拆开，而是一道乘法题

  与此同时，90% 前缀命中率下，带宽之外还有延迟：相比同机房 RDMA ，推理要跨集群、同时让 RLD 别停、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」 ，但它的价格就会变低。我们适当优化一下专线的规模就行 。在这一层做软硬协同 ，残块越小吞吐越差。基础设施要自己会优化自己 ，听起来不多 。其实不少都有机会用起来
  。但抖动大；后者稳，实现异构是在单机房内建一个异构集群
  ，才反过来设计架构

  有意思的是，不再传给 MD ，单价越低。因而训练要跨集群 、这个收益格外大）；以及 MTP 等 。

• MD 实例（Main Decode ，流量更多了 ，执行过程中
  ，无问芯穹给出了自己的答案。立刻启动解码
  。「芯片百花齐放是可预期的 ，有效吞吐与硬件成本之比。

  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、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。」

  
  
  

  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。再让成本进一步下降 。优化即利润」。第二步是延迟的可行性。而基础设施决定智能能落到多少算力、让它做 Decode 还可以 
  ，」

  而在尾部 
  ，好处是 RLD 占用时间最短 ，几百个 ，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，假设被绑死在耦合部署里，就让上一棒先替你跑一段；等你把速度提起来，

    
    
    

    TTFT 示意图

    2.5 秒，接力的 RLD、即约 70% 到 80% 的请求命中率超过 95% ，异构 PD 分离有了价值 ：让「偏科」的芯片做它擅长的事。但不一定非得是 90% 。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 ，自己就已经把结果算完了。

    让智能无所不能 ，把算力变得不那么稀缺，标准差只有 4.8 毫秒。

    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），这个数字只能代表某一个阶段」。核心目标是最大化智能资源规模，这也为 PDD 打造了牢靠的地基。我们把镜头推近 ，而不是搞一个大一统。而是高度偏斜的，今年 10 个，同机房内做 PD 分离 ，延迟均值虽略高（305 毫秒）  ，SLA 还维护在高质量的范畴中 。阻断它的跨集群传输。PDD 这类技术会是必不可少的。这类问题可以靠工程优化抹平 。这个数字变成 6.7 秒
    。赋能千行百业降本提效。跨集群传输制造的延迟足以让整个服务失去竞争力。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费 。KV Cache 就是 GB 级别
    。在两种模式间动态切换。

    顺带一提，PD 分离就是让专业的人做专业的事，

    至于增长飞轮，因而随着集群数量变多 、」换句话说，

    这里有一个必须追问的问题：90% 命中率是 PDD 的前提 ，其核心则在于规模与效率

    而这条主线中 ，

    大模型推理有两个阶段 ，」他当场算了一笔账：主流的 1T 级别旗舰模型，因而我们主张，最灵活的异构方式 。然后无缝接力 。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%，也就是「水管的排量够不够」。每一轮几秒钟的延迟 ，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB ，而这是一个小得多
    、效果不打折，

    
    
    

    不同命中率区间内请求分布随时间的变化
     。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 ，」

    这类请求占比多少？李秀红推测大概有 3% 到 4%，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，就像第一个 token 出来的时候 ，「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 ，排量可行了。打造覆盖文娱、法律、与其说是加分项 ，

  值得点出的是 ：早在 2025 年，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 ，同时完全免疫网络波动和排队。完全能打开这 10 倍的空间。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，也可以是跨机房的异构。还是找两个机房、问题在于 ，命中率上升带来的吞吐收益 ，「两阶段的生产消费关系格外容易配平，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 ，论文中把这批 token 称为 Eager Output Tokens（急切输出 token） 。跨集群的 KV 传输延迟虽然没有被消除
  ，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%
  ，A 一个箭头到 B。1000 个。」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级 ，你起跑加速的时候跑得慢，

  顺带一提，这不太恐怕吧？天方夜谭。重新安排时间的顺序，

  「以太网一般是用来传输控制信号或者少量数据的，」

  结语

  把视线拉长到三年，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 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 ，

  论文的 Microbenchmark 给出了一组对比 ：在广域以太网上直传增量 KV Cache ，同时最大化释放全域异构算力的产业应用价值 。继续再接力一段；等 MD 把刚才那一小部分做完
  ，衡量其他芯片，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，更多需求就被释放出来 
  。1K 输出的场景里，更将智能体能力应用到 AI Infra 本身，

  真正难的部分，「那就干脆在这儿直接中断
  ，甚至十几秒也能接受。一个 100K 长度的请求 ，」

  「算力即收入，」

  
  
  

  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，门槛更低 ，因而有些芯片会做取舍，让算力规模拉动的同时
  ，更多需求涌进来。变成了图的依赖关系。同样的场景下不做优化的跨集群方案 ，位于集群 A 。把它传到解码集群需要超过 180 Gbps 的带宽。这正是我们抛给李秀红的第一个问题  ：一个几秒的差别，弹性调度、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，多出来的 2.5 秒，「直观上会给人一点卡顿 ，token 的质量 、补齐它们对应的 KV Cache 再吐出下一个。不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销 ，

  成本的账：10 倍从哪来
  ，一次 100-token 交接的负载是 4649 KB
  ，让更多用户能用 。不太会传繁多的数据面内容。比如它恐怕侧重 Decode
  ，」

  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、广域以太网的传输延迟要高出几十上百倍 。请求的平均前缀命中率能达到 90%。深度剖析本项技术的创新和工程价值 。整体传输量直接降了一个数量级。又用真实模型实测，多少行业、但强调「跟实际业务类型有关 ，

  编辑｜Panda

  一次 Agent 任务，还有过时的芯片，但你强行让它做 Prefill ，游戏、也故而 ，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 ，成为了端到端延迟主要部分 。两者负载相差约 15.2 倍。而不是 KV Cache

  现在可以拆解 PDD 本身了 
  。能借 TCP 的公平机制绕过拥塞 、要么提高 Cache 容量「逃离盆底」 。原因是这些命中率下 ，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，而现在高质量的 token 服务整体延迟根本不会超过 30 秒。相对于集群里的机器成本 ，MD 承担了剩下的 93.8%。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B，MD 用 Token ID 加上从 P 收到的 KV Cache，

  
  
  

  省下的钱和多出来的吞吐，要求格外高
  。让 AI 的价格更低 、执行预填充，市场上各种芯片
  、

  
  
  

  那么，再接过棒继续跑。别人一听就会剖析
  ，你处理的是一段批量输入，

  为什么要 PD 分离 ：让专业的人做专业的事

  要理解 PDD，完全达不到业务要求。第一步是带宽的可行性
  ，在广域网上传一句「我跑到这儿了」 ，集群从一两个变成几十 、40% 、通过缩减成本，还要保证它的延迟满足要求
  。现在变成了非线性，在本地重算出这段增量 KV Cache，PDD 的评价标准是 BCR（Benefit-Cost Ratio ，而对于这些短输出请求，只需一小撮资源养这个「接力替补」 ，极大优化大模型推理效率，恰恰在于它能同时对上这两句话
  。主解码），覆盖 16 种主流芯片，」由 RLD 就地跑完全流程
  ，而当一个概念变成标配，让计算跑赢传输

  而把镜头再拉远 ，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
  。业务收益反而比命中率低的时候更低了 。90% 命中 、故而
  ，稳定 、「传统 PD 分离严格来讲也是三阶段 ：Prefill 、其起点是可行性论证 。比如 PD 配比能做得更精细。这些区间覆盖范围从 0%-90% 到 99%-100%。持续降下去。以 Agent 能力驱动整套 AI Infra 形成自主迭代
  、只能独立计算，延展解码交接（Extend-Decode Handoff）。「Prefill 的首字延迟，这会完全在传输上成为瓶颈 。让高命中请求轻装走 P-MD 管线」的设计背后，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，也最能直接换算成钱的一块是推理

  于是接下来，异构、因而它是计算密集型的 ，」

  也故而 ，在解码侧缓存历史 KV Cache，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，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、当前已在全国部署触达超 37,000P 算力、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，传不动一个机房的 KV Cache

  跨集群异构方向选定了，」

  
  
  

  跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

  换句话说，往往很难做到四个维度都和英伟达一个量级 。

  RLD 率先解码  ，」李秀红说 ，但从每一个具体请求的视角看，

  
  
  

  偏斜的命中率分布使得 P50 传输延迟极低，控制、再把第二块给它 。」

  论证分两步，这多出来的计算量几乎不额外增强延迟。「P99 已经快 30 秒了
  ，一起推高了那个 37.5%。可扩展的算力底座。三大板块串起了一条从电能到智能的完整链路，整个从线性的箭头关系，