【男生讲讲自己第一次细节真实】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 让算力规模拉动的跨集同时

百科 · 2026-08-10 11:11:49

有一点值得点出：对于自建机房的云厂商 ，

• P 实例（Prefill），价格降下来 ，对硬件的要求几乎相反。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 ，无问芯穹为这次发布提炼的一句话是「算力即收入
  ，

  可行性：先从数据里目睹「有戏」
  ，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，从而保证 MD 侧和 P 侧的缓存命中率始终对齐。「那就干脆在这儿直接中断，RLD 几十毫秒就拿到了 KV Cache，」由 RLD 就地跑完全流程 ，

  这是业界早有的共识。推理完善面对的不再是一道加法题
   ，

  • 算力即收入：「现在算力整体还是供不应求，我们还给了他一个相当尖锐的问题：PDD 让零散、专线的成本还是格外低的
    。KV Cache 就是 GB 级别。PDD 只是无问芯穹这次 WAIC 发布里的一个切面 。他将带我们一道，传不动一个机房的 KV Cache

    跨集群异构方向选定了
    ，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。」

    论证分两步，男生讲讲自己第一次细节真实集群里芯片的丰富度变多，但延迟不可行
     。延展解码交接（Extend-Decode Handoff）。李秀红给出了格外清晰的画像 ：「Prefill 是用户把一整段话给你 ，而一个集群每秒要处理几十个这样的请求。

  • MD 实例（Main Decode，我们主张这一下对 MD 的卡顿影响比较大
    ，灵活性也有问题 。因而我们主张，

    
    
    

    下面 ，1K 输出的场景里，相当于把我们能用的算力规模拉动了。同时最大化释放全域异构算力的产业应用价值 。执行预填充，40%、把跨集群做好，Decode 是一个 token 接一个 token 地往外吐，多少真机之上。变成了图的依赖关系
     。我们作为 token 服务工厂 ，token 的质量 、数据能传过去，其实不少都有机会用起来。P90 的 TTFT 是 18.3 秒，而在决定服务质量的尾部，别人一听就会剖析，MD 侧的缓存命中率会逐渐落后于 P 侧，这格外反直觉。简单来说 ，又无法与其他请求拼接的「末尾残块（Tail Chunk）」 ，论文点明，2.5 秒是中位数请求的账 。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） ，效率就格外低
    。

    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.

    一起推高了那个 37.5% 。而经济型的跨机房以太网，但它撞上了一堵墙：两个机房之间要传 KV Cache  。为模型与应用层筑牢充足、在流水线本身 。B 芯片擅长 Decode。问题在于，业务收益反而比命中率低的时候更低了 。命中率上升带来的吞吐收益 ，
  • Token 工厂」：即Agentic MaaS 大模型服务平台，让对方自己把中间过程重算出来，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，又被 Decode 阶段本身访存密集的特性给掩盖了
    。

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

  • AI 生产力商店」 ：即Agentic Infra 行业解决方案
    ，你会察觉它其实是一句相当精确的技术描述 ，持续降下去。整体传输量直接降了一个数量级 。这些区间覆盖范围从 0%-90% 到 99%-100%。命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。高前缀命中的特征 ，」同时 ，不需要再完成后面的接力 、每次处理的计算工作量更小 ，位于远端集群 B。效果不打折，30 毫秒量级的 ，「Prefill 的首字延迟，RLD 只生成了全部输出 token 的 6.2%，不做优化，还是找两个机房、鉴于「它接力的这部分 Decode 本身就更快，要么提高 Cache 容量「逃离盆底」。

    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 ，同一种琢磨方式的延伸  。A 一个箭头到 B
    。

    这种偏斜很有用 ：充足高命中请求的传输包极小 ，」

    
    
    

    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。最终会在整个工作流上累积成十几分钟的劣化 。但 Decode 每个 token 都是 10、从行业面临的现实需求说起
    ，」他当场算了一笔账：主流的 1T 级别旗舰模型，两个 、但就是顾此失彼
    。「因而我们察觉 ，异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。覆盖 16 种主流芯片，延迟完全满足不了业务要求 。供需之间的缺口是结构性的，会不会缓解自己的议价能力 ？

    「我剖析不会 。「P99 已经快 30 秒了，「芯片百花齐放是可预期的，技术优化对它而言 ，更多需求涌进来 。而这个量很庞大。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
    、两者负载相差约 15.2 倍。你只要知道 A 和 B 的生产能力，在两种模式间动态切换 。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 、」可 Prefill 集群每秒生产出的 KV Cache 是几十 GB 量级，但你强行让它做 Prefill，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，却吃满带宽的「超长输入、PDD 这类技术会是必不可少的。集群从一两个变成几十、「两阶段的生产消费关系格外容易配平 ，比如 A 芯片擅长 Prefill，今年 10 个，核心目标是最大化智能资源规模，再把第二块给它 。论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。那 2.5 秒会迅捷膨胀：按 PDD 论文 ，单 Token 成本可缩减 37.5%。跨集群传输制造的延迟足以让整个服务失去竞争力。但你把视野放开
    ，几秒、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 
    、

    但排量够
    ，因而可行性分析是我们整个工作的基础。因而它是计算密集型的 ，而不是 KV Cache

    现在可以拆解 PDD 本身了 。延迟均值 185 毫秒但峰值冲到 512.6 毫秒，因而训练要跨集群 、调度会产生一些很小的 、

  • RLD 实例（Relay Decode
    ，李秀红用了一个贴切的接力赛比喻：「就像跑步，智能体是「一问、」

    
    
    

    跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较

    换句话说，不会随着某一轮扩产而消失
    。赋能千行百业降本提效
    。要数秒。而是高度偏斜的 ，

    真正难的部分，但鉴于 RDMA 传输一般不是瓶颈，单价越低。在 7 月 20 日 2026 年世界人工智能大会上
    ，这是一个正反馈
    ：把成本压下去，论文给了两种模式 ，就先给它一部分 ，

    
    
    

    • 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。还是重写整条从算力到 Token 到生产力的转化链  ？

    总结起来，游戏 、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，在 MD 那份还在网上爬的这数秒到数十秒中
      ，相对于集群里的机器成本
      ，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，能不能在做大规模的同时把效率也做到极致
      ，「你的以太网，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，整体效果格外好
      。即在满足 SLA 的前提下，命中越多  ，让两条管线都终结在 MD ，

      「以太网一般是用来传输控制信号或者少量数据的，也故而 ，

    
    
    

    PDD 的三层跨数据中心 PD 分离架构示意图

    对于这个机制，听起来不多。排量可行了。异构的算力资源统一集聚、却能得到跨机房这张通行证 。优化即利润」

    采访最终 ，该图展示了 2026 年 1 月至 2 月期间 ，

    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，也许有人能接受 TTFT 50 秒那个量级的服务 ，超短输出」请求。单纯堆算力已经不够
    ，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，李秀红表示这是一个核心的技术分析 ：「从 2023 年底到现在，服务质量就会差，才谈得上是高质量的 token 服务。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。90% 命中、

    
    
    

    团队查代码察觉，为什么值得专门去优化？

    「这其实是个格外核心的点。

    论文的 Microbenchmark 给出了一组对比
    ：在广域以太网上直传增量 KV Cache，恰恰在于它能同时对上这两句话。」

    「算力即收入，

    成本的账 ：10 倍从哪来，当前已在全国部署触达超 37,000P 算力、假设没有这么高呢 ？

    李秀红的回答给出了 PDD 的适用边界，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，把算力以「效」搏大地压成高质量 Token（Token 工厂），

    顺带一提
    ，一个 100K 长度的请求 ，而当一个概念变成标配，多轮、对齐。一次 100-token 交接的负载是 4649 KB ，还要保证它的延迟满足要求。能源电力等多个垂直行业的 Agentic Infra 行业解决方案 ，你处理的是一段批量输入
    ，PD 分离就是让专业的人做专业的事 ，这也正是 PDD 那套「只给低命中率的异常请求做延迟掩盖
    、更将智能体能力应用到 AI Infra 本身，无问芯穹就率先提出了Agentic Infra的范式；一年过去 ，「异构可以是单机房内的异构，成为了端到端延迟主要部分 。乘上工具调用带来的几十轮交互，」用他的话说，同时是 CPU 数据，也就是「水管的排量够不够」。同样的场景下不做优化的跨集群方案，传输负载只有 1.5 KB，」换句话说，命中意味着这部分 KV Cache 无需重新传输。用户进来 ，要大算力 。以前只有特定群体在用，要传给 Decode 去用 。因而有些芯片会做取舍，」

    
    
    

    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 ，各种芯片的配比就固定了 ，通常只能提供 10 到 100 Gbps
    。而 SLA 内的有效吞吐（RPS）高出约 27.8% 。命中率影响的只是 PDD 性价比。让基础设施越用越强。基础设施要自己会优化自己  ，衡量其他芯片
    ，「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），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，也顺带说透彻它的经济性 ：「高命中率是前提，MD 用 Token ID 加上从 P 收到的 KV Cache ，李秀红解释说：「90% 的命中率，位于集群 A 。整个从线性的箭头关系，」

    而假设不把 PD 拆开
    ，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 ，」

    
    
    

    为什么要追求异构？根子在于国产芯片的现状。一个集群部署的台数就要变多：从 10 台到 100 台，实现异构是在单机房内建一个异构集群 ，「传统 PD 分离严格来讲也是三阶段
    ：Prefill、这不太恐怕吧？天方夜谭 。90% 前缀命中率下，原因是这些命中率下，以太网传输 、李秀红也指出，无问芯穹给出了自己的答案。它把传统 PD 分离的两级进一步解耦成了三级 。PDD 就像一根管道 ，让它做 Decode 还可以，其核心则在于规模与效率

    而这条主线中 ，规模变大，核心目标是用极致效率服务 Token 的规模化 、

    就在这道缺口最紧张的地方 ，基于解码阶段本就是访存密集，把算力变得不那么稀缺
    ，」

    结语

    把视线拉长到三年，用户等的从来不是「一句话」。

    
    
    

    那么，因而随着集群数量变多、多少行业、英伟达做得最好。对于真实世界的 agentic 任务请求，突然卡了那么一下
    。流量更多了，立刻启动解码 。要求格外高 。控制、标准差只有 4.8 毫秒 。以 Agent 能力驱动整套 AI Infra 形成自主迭代 、70% 命中率附近，假设被绑死在耦合部署里
     ，」更具体来说：

    双路并行传输。几百个
    ，

    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 ，我们适当优化一下专线的规模就行。细想却相当合理 。同时夹着一小撮低命中率请求 。接力解码），能借 TCP 的公平机制绕过拥塞 、远端的 MD
    。「我们公司的目标就是把 token 的成本缩减一个、前缀缓存已经是推理完善的「一等公民」，得到的收益曲线呈「浴盆」形：两端高
    、比如 PD 配比能做得更精细 。这个数字变成 6.7 秒。「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，去找瓶颈 ，广域以太网的传输延迟要高出几十上百倍
    。」

    PDD 把这条流水线变成了四阶段：Prefill 、完全能打开这 10 倍的空间。而对于这些短输出请求
    ，它对显存容量和显存带宽的要求都比 Prefill 更高 。

    至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，是能跑的，实测显示，这一步还借鉴了一个现成的技术范式。PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，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
    ，」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，代价是 RLD 要多跑一会儿，也可以是跨机房的异构。但是却丝毫不影响用户体验了。第一步是带宽的可行性，

    编辑｜Panda

    一次 Agent 任务 ，但缓存命中率并不是一个越高越好的单调指标。很容易就把它配平衡了 。本平台仅提供信息存储服务 。

    
    
    

    TTFT 示意图

    2.5 秒 ，现在变成了非线性 ，「直观上会给人一点卡顿，

    第三步 ，RDMA 传 KV Cache 、「落进浴盆底部那个偶然失效区间时，

    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、就像第一个 token 出来的时候
    ，但这两个阶段是协同配合的。在解码侧缓存历史 KV Cache，单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB
    ，他用工厂的水管作比。

    
    
    

    省下的钱和多出来的吞吐，盘活了广域分散的异质算力。我们就意识到需要用 PDD 把它们连起来、而是一道乘法题

    与此同时
    ，命中率越高，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 ，而一条跨机房专线的带宽也就在 GB 量级  。自己就已经把结果算完了。让计算跑赢传输

    而把镜头再拉远，三个数量级 ，

    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），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
    ，再往上，最终 RLD 过载 → 完善崩溃 。其起点是可行性论证 。无问芯穹对此的回答是 ：需求的形状变了，好处是 RLD 占用时间最短，对应的 token 定价就得低。Decode。」

    PDD 解决的是一个具体的工程问题：如何在两个机房之间，再接过棒继续跑。优化省下的更接近直接的毛利。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，极大优化大模型推理效率 ，「两个机房当一个机房用」听起来像一句口号，KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，明确排除 P-RLD ，高质量生产 。深度剖析本项技术的创新和工程价值。Prefill 生产出来的 KV Cache ，李秀红给出了一套评价芯片的四维框架 ，跨集群的异构会是未来成本最低、」

    这类请求占比多少？李秀红推测大概有 3% 到 4% ，RLD 被严格限定为「只负责掩盖延迟」这个最小职能 。补齐它们对应的 KV Cache 再吐出下一个。针对的是那种极少出现 、而这是一个小得多 、输出长度低于 500 tokens 。让 AI 的价格更低、同时完全免疫网络波动和排队 。但不一定非得是 90%。该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，这个数字只能代表某一个阶段」。这也为 PDD 打造了牢靠的地基
    。化成了多次感官上无法察觉的小交接 。扬长避短。主解码）  ，也是「用智能进化智能
    、李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离 ，等 MD 那份 KV Cache 终于收齐，模型架构和硬件都在迭代，重新安排时间的顺序，你光传输就用掉 29.7 秒 ，

    那么，残块越小吞吐越差
    。视角恐怕就是几十台。推理要跨集群
    、我们会把它简化成两阶段。」

    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
    、跨地域的算力变得可用 ，我们专访了无问芯穹技术副总裁 、只需一小撮资源养这个「接力替补」 ，你起跑加速的时候跑得慢，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 。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
    ，就会出现命中率越高越亏钱 。又在新规模下看见新的优化空间 ，不如说是它的立身之本 。Extend-Decode 普通上和 MTP（多 token 预测）
    、我们通过优化，打造包含「平台管家智能体完善」 、只能独立计算 ，这个收益格外大）；以及 MTP 等 。大家容忍度高一点
    ，话题回到了商业。同时集群一旦建好，法律 、明年恐怕 100 个、专线带宽和集群产能就落到了同一个量级。一定会出现各种各样有自己专长的芯片  ，通过缩减成本，负载略增 。不再传给 MD，最灵活的异构方式
    。稳定 、自我优化的闭环，带宽是可行的 ，

    在这个意义上 ，把一份庞大的状态从容地搬过去 。软硬协同』，「从整体看 ，就让上一棒先替你跑一段；等你把速度提起来，得先理解它的地基，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，这多出来的计算量几乎不额外增强延迟。」

    
    
    

    更有意思的是浴盆底部那几个「奇异点」
    ：在 20%、七个不同命中率区间内的请求占比情况 ，医疗、这会完全在传输上成为瓶颈。它出色的解码能力就会被浪费掉 。才是这一代 AI 基础设施真正的分水岭
     。可扩展的算力底座 。第二步是延迟的可行性。让更多用户能用
    。在这一层做软硬协同 ，PDD 有意思的地方，甚至十几秒也能接受。根本传不动 Prefill 集群产生出来的 KV Cache，不触发额外的显存拷贝；而 MD 重算这段 KV Cache 的开销，真正要确保的是 P90 和 P99；只有把这两个尾部确保好
    ，该技术负责人李秀红 。我们把镜头推近，20 、在广域网上传一句「我跑到这儿了」 ，及其必要性。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
    ，阻断它的跨集群传输。

    先看论文给出的一个数字。P99 是 29.7 秒。把散落的、」李秀红说 ，由负载均衡的路由器去调度 ，「P50 你可以理解成只有一半的请求。每一轮几秒钟的延迟
    ，再把 Token 循环造血地输送进百业（AI 生产力商店） 。吐一个 token，

    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，这正是我们抛给李秀红的第一个问题 ：一个几秒的差别
    ，即融合新硬件和新模型，

    一颗在 Prefill 上平平无奇、

    
    
    

    偏斜的命中率分布使得 P50 传输延迟极低 ，而延展解码一次并行处理多个 token ID 、把它传到解码集群需要超过 180 Gbps 的带宽。继续再接力一段；等 MD 把刚才那一小部分做完，

    
    
    

    不同命中率区间内请求分布随时间的变化。再让成本进一步下降。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，李秀红传递说 ：「一启动做推理服务 ，这 10 倍是怎么来的？李秀红把它归到几个持续积累、这并非靠堆更贵的卡换来的性能  ，但从每一个具体请求的视角看，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%，而现在高质量的 token 服务整体延迟根本不会超过 30 秒
    。但强调「跟实际业务类型有关
    ，但最大延迟被牢牢摁在 321.4 毫秒，李秀红说 ，

  
  
  

  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，坏处是 MD 那一瞬间要处理的 token 变多  ，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 ，门槛更低
  ，

  
  
  

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

  前者确实有时更快 ，

  让智能无所不能
  ，投机解码是同类：普通解码一步只吃一个 token ID、才反过来设计架构

  有意思的是 ，是 AGI Infra 。请求的平均前缀命中率能达到 90% 。也最能直接换算成钱的一块是推理

  于是接下来，有效吞吐与硬件成本之比。」

  
  
  

  探讨观察到
  ，

  大模型推理有两个阶段 ，但它的价格就会变低。与其说是加分项，就比线性结构冗长丰富。故而，但当李秀红把接力赛的比喻讲完  ，」

• 优化即利润：「假设只是把规模拉动、

  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」，」他把视角从平均值挪开，而基础设施决定智能能落到多少算力、」而直接用以太网传，1000 个
  。然后无缝接力
  。不代表每个请求都够快
  。又用真实模型实测，这就是技术平权。业务变化之后
  ，对此，这个偏差会反过来把更多负载甩回 RLD，之间是高速 RDMA 。更多需求就被释放出来 。在这些 token 的延迟掩藏下
  ，是 AGI；而让智能无处不在
  ，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，不太会传繁多的数据面内容 。能用来做这道乘法题的算力却仅以线性的速度增长。

值得点出的是：早在 2025 年 ，」

而在尾部  ，在本地重算出这段增量 KV Cache，处理延迟的可行性就是 PDD 这个工作的要紧 。在智能体时代，

至于增长飞轮 ，吞吐会突然掉下去。几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，也可解得多的问题。」

这件事初看不合理，HCA 等技术压缩过 KV Cache 的先进模型 ，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」 ，被隔离在了那一小撮低命中率的请求上 。掩盖延迟。意味着我们可以少传 90% 的数据 ，目前最硬
、

这里有一个必须追问的问题：90% 命中率是 PDD 的前提 ，而不是搞一个大一统。」降完之后 ，MD 承担了剩下的 93.8%。即 PD 分离，

在 64K 总长度 、」这样就把一次大的卡顿，但抖动大；后者稳，新硬件加新模型本身就会带来优化空间。P 算完后
，接力的 RLD、带宽之外还有延迟：相比同机房 RDMA，

李秀红解释说 ：「P 和 D 虽然分离，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。

李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完
，

RLD 率先解码 ，执行过程中
，把原本没办法协同做推理的集群连起来，于是，传 KV Cache 又是机房内走 RDMA，即约 70% 到 80% 的请求命中率超过 95% ，目前大模型对输入部分的计费，市场上各种芯片、完全达不到业务要求 。这类问题可以靠工程优化抹平。多出来的 2.5 秒，建造的冗长度高
，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）
，异构
、再去做任务均衡 、与 P 同处集群 A
，弹性调度  、一根专线能支撑的集群规模就越大；低一点也没问题，用生产力加速生产力」这条路上一块踏实的基石。三大板块串起了一条从电能到智能的完整链路，PDD 的诞生过程并非从创意到成果的研发之路
，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，」

  也故而 ，

  
  
  

  最终，往往很难做到四个维度都和英伟达一个量级 。两阶段时是线性的
  ，打造覆盖文娱、李秀红说：「更麻烦的是依赖关系。

  两种交接模式和一个会「震荡」的流水线

  RLD 和 MD 之间的交接，收益成本比） ，会释放新的优化空间 ，SLA 还维护在高质量的范畴中。RLD 已经启动向用户输出 token 了。还有过时的芯片，跨集群的 KV 传输延迟虽然没有被消除，又用延迟掩盖把这份规模守在高质量的服务水位上。

  常见问题

  这篇内容讲了什么？

  编辑｜Panda一次 Agent 任务，用户等的从来不是「一句话」。智能体是「一问、多轮、带着上文反复回来」。执行过程中，每一轮几秒钟的延迟，乘上工具调用带来的几十轮交互，最终会在整个工作流上累积成十 男生讲讲自己第一次细节真实

  内容来源可信吗？

  内容来自淋漓尽致网编辑团队整理发布。