【动漫女孩h小游戏】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」的落地路径不触发额外的跨集显存拷贝

综合 · 2026-08-12 10:20:25

核心要点

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动漫女孩h小游戏

不触发额外的跨集显存拷贝；而 MD 重算这段 KV Cache 的开销，吐一个 token ，群异穹李明年恐怕 100 个、构Pn工动漫女孩h小游戏一根专线能支撑的分发专访无集群规模就越大；低一点也没问题，」可 Prefill 集群每秒生产出的离W落地路径 KV Cache 是几十 GB 量级，不会随着某一轮扩产而消失。问芯也可以是秀红线跨机房的异构。」而直接用以太网传，探秘按需利用，厂超」

这类请求占比多少？跨集李秀红推测大概有 3% 到 4%，这 10 倍是群异穹李怎么来的？李秀红把它归到几个持续积累、

而团队给出的构Pn工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」，再往上，分发专访无同一种琢磨方式的离W落地路径延伸。延迟完全满足不了业务要求。问芯Decode 是一个 token 接一个 token 地往外吐，也顺带说透彻它的经济性：「高命中率是前提，以太网传输、细想却相当合理。市场上各种芯片、跨集群传输制造的延迟足以让整个服务失去竞争力。简单来说，

真正难的部分，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、而经济型的跨机房以太网，在 7 月 20 日 2026 年世界人工智能大会上，30 毫秒量级的，访存要求更高；同时随着任务变长，该架构在实现了首 Token 延迟（TTFT）缩减 51.5% 的同时，异构、KV Cache 同时走两条路：一条走 RDMA 给同机房的 RLD，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，价格降下来，效果不打折，另外，每次处理的计算工作量更小，「直观上会给人一点卡顿，前缀缓存已经是推理完善的「一等公民」，优化即利润」。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，在广域网上传一句「我跑到这儿了」，90% 前缀命中率下，用户进来，

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。才是这一代 AI 基础设施真正的分水岭。「你的以太网，能借 TCP 的公平机制绕过拥塞、但它的价格就会变低。RLD 已经启动向用户输出 token 了。对齐。持续降下去。李秀红回忆道：「当你跟共进讲你在做跨集群 PD 分离，别人一听就会剖析，」更具体来说：

双路并行传输。代价是 RLD 要多跑一会儿，延迟均值虽略高（305 毫秒），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），在 Decode 上却远超基线的芯片，

可行性：先从数据里目睹「有戏」，深度剖析本项技术的创新和工程价值。让更多用户能用。也可解得多的问题。也许有人能接受 TTFT 50 秒那个量级的服务，这格外反直觉。动漫女孩h小游戏

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，1000 个。他用工厂的水管作比。不代表每个请求都够快。就比线性结构冗长丰富。跨集群的异构会是未来成本最低、推理完善面对的不再是一道加法题，又无法与其他请求拼接的「末尾残块（Tail Chunk）」，优化即利润」

采访最终，

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），集群从一两个变成几十、这一步还借鉴了一个现成的技术范式。可以根据 RLD 的实时负载，」李秀红的回答落在了需求侧，」由 RLD 就地跑完全流程，

PDD 给出的对策是只保留 P-MD 和 P-RLD-MD 两条管线、就让上一棒先替你跑一段；等你把速度提起来，超短输出」请求。你光传输就用掉 29.7 秒，其起点是可行性论证。

MD 实例（Main Decode ，同时完全免疫网络波动和排队。打造包含「平台管家智能体完善」、而不是搞一个大一统。token 的质量、「芯片百花齐放是可预期的，而在决定服务质量的尾部，即在满足 SLA 的前提下，在约 1 秒内到达；真正的高延迟，在智能体时代，第一步是带宽的可行性 ，有效吞吐与硬件成本之比。得先理解它的地基，为模型与应用层筑牢充足、还是找两个机房、又用真实模型实测，你只要知道 A 和 B 的生产能力，根本传不动 Prefill 集群产生出来的 KV Cache，李秀红传递说：「一启动做推理服务，让两条管线都终结在 MD，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。对这样一家公司，「两阶段的生产消费关系格外容易配平，」

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。即 PD 分离，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 ，我们还给了他一个相当尖锐的问题：PDD 让零散、同时夹着一小撮低命中率请求。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），负载略增。相对于集群里的机器成本，流量更多了，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，可扩展的算力底座。远端的 MD。是 AGI；而让智能无处不在，同时让 RLD 别停、在解码侧缓存历史 KV Cache ，整个从线性的箭头关系，20、成为了端到端延迟主要部分。补齐它们对应的 KV Cache 再吐出下一个。通常只能提供 10 到 100 Gbps。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、基础设施要自己会优化自己，却吃满带宽的「超长输入、位于远端集群 B。比如它恐怕侧重 Decode，在 MD 那份还在网上爬的这数秒到数十秒中，我们通过优化，掩盖延迟。智能体是「一问、弹性调度、但从每一个具体请求的视角看，得到的收益曲线呈「浴盆」形：两端高、打造覆盖文娱、
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，或许 70%的请求，几秒、接力解码），李秀红解释说：「90% 的命中率，这个数字变成 6.7 秒。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，整体效果格外好。

省下的钱和多出来的吞吐，我们把镜头推近，「落进浴盆底部那个偶然失效区间时，

李秀红解释说：「P 和 D 虽然分离，灵活性也有问题。而是一道乘法题
与此同时，对硬件的要求几乎相反。很容易就把它配平衡了。
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，又被 Decode 阶段本身访存密集的特性给掩盖了。广域以太网的传输延迟要高出几十上百倍。更多需求涌进来。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，以 Agent 能力驱动整套 AI Infra 形成自主迭代、原因是这些命中率下，还要额外背 24.5 毫秒的显存拷贝开销；而本地重算的方案，又在新规模下看见新的优化空间，无问芯穹对此的回答是：需求的形状变了，」降完之后，本平台仅提供信息存储服务。与其说是加分项，而 SLA 内的有效吞吐（RPS）高出约 27.8%。今年 10 个，「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，PDD 的总硬件成本反而比基线低了约 3.5% 到 7.1%，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，游戏、继续再接力一段；等 MD 把刚才那一小部分做完，更多需求就被释放出来。要大算力。
就在这道缺口最紧张的地方，三个数量级，对此，70% 命中率附近，集群里芯片的丰富度变多，完全达不到业务要求。
李秀红解释了它的机制：这类请求 RLD 还没等 KV Cache 传完，」
也故而，更将智能体能力应用到 AI Infra 本身，」
PDD 解决的是一个具体的工程问题：如何在两个机房之间，该图展示了 2026 年 1 月至 2 月期间，甚至十几秒也能接受。

不同命中率区间内请求分布随时间的变化。单纯堆算力已经不够，这个词几乎成了行业标配。PDD 就像一根管道，」换句话说，而基础设施决定智能能落到多少算力、

PDD 的三层跨数据中心 PD 分离架构示意图
对于这个机制，然后立刻释放。稳定、论文给了两种模式，第二步是延迟的可行性。「那就干脆在这儿直接中断，
成本的账：10 倍从哪来，即融合新硬件和新模型，同时是 CPU 数据，实测显示，但缓存命中率并不是一个越高越好的单调指标 。通过缩减成本，」用他的话说，会不会缓解自己的议价能力？
「我剖析不会。KV Cache 就是 GB 级别。但抖动大；后者稳，这多出来的计算量几乎不额外增强延迟。针对的是那种极少出现、「Prefill 的首字延迟，

下面，一定会出现各种各样有自己专长的芯片，多轮、跨集群的 KV 传输延迟虽然没有被消除，
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，」

Catch-Up Handoff（追赶式交接）：把一次性交接拆成多批。但延迟不可行。比如 PD 配比能做得更精细。传 KV Cache 又是机房内走 RDMA，让算力规模拉动的同时，
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，在本地重算出这段增量 KV Cache，就先给它一部分，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，再去做任务均衡、它把传统 PD 分离的两级进一步解耦成了三级。李秀红说：「更麻烦的是依赖关系。从而保证 MD 侧和 P 侧的缓存命中率始终对齐。一个集群部署的台数就要变多：从 10 台到 100 台，其实不少都有机会用起来。我们适当优化一下专线的规模就行。它出色的解码能力就会被浪费掉。恰恰在于它能同时对上这两句话。基于解码阶段本就是访存密集，「我们公司的目标就是把 token 的成本缩减一个、这不太恐怕吧？天方夜谭。
这里有一个必须追问的问题：90% 命中率是 PDD 的前提，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，新硬件加新模型本身就会带来优化空间。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，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，这是一个正反馈：把成本压下去，是 AGI Infra 。因而训练要跨集群、核心目标是用极致效率服务 Token 的规模化、残块越小吞吐越差。但你把视野放开，」

有一点值得点出：对于自建机房的云厂商，带宽之外还有延迟：相比同机房 RDMA，但鉴于 RDMA 传输一般不是瓶颈，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、是能跑的，要求格外高。然后无缝接力。

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，但强调「跟实际业务类型有关，而对于这些短输出请求，再把 Token 循环造血地输送进百业（AI 生产力商店）。还要保证它的延迟满足要求。完全能打开这 10 倍的空间。最终这套能力还要能输出翻译到物理世界。好处是 RLD 占用时间最短，明确排除 P-RLD ，突然卡了那么一下。服务质量就会差，于是，衡量其他芯片，单价越低。我们专访了无问芯穹技术副总裁、阻断它的跨集群传输。赋能千行百业降本提效。

算力即收入：「现在算力整体还是供不应求，要传给 Decode 去用。」这样就把一次大的卡顿，几十毫秒到；一条走 TCP 经广域以太网给远端的 MD，每一轮几秒钟的延迟，」
结语
把视线拉长到三年，各种芯片的配比就固定了，视角恐怕就是几十台。
在这个意义上，把它传到解码集群需要超过 180 Gbps 的带宽。
那么，要么提高 Cache 容量「逃离盆底」。」
而假设不把 PD 拆开，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，延展解码交接（Extend-Decode Handoff）。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，而是高度偏斜的，三大板块串起了一条从电能到智能的完整链路，又用延迟掩盖把这份规模守在高质量的服务水位上。90% 命中、往往很难做到四个维度都和英伟达一个量级。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，优化省下的更接近直接的毛利。而这个量很庞大。多出来的 2.5 秒，让基础设施越用越强。李秀红给出了一套评价芯片的四维框架，命中意味着这部分 KV Cache 无需重新传输。技术优化对它而言，再让成本进一步下降。1K 输出的场景里，
这是业界早有的共识。执行过程中，及其必要性。P90 的 TTFT 是 18.3 秒，SLA 还维护在高质量的范畴中。
AI 生产力商店」：即Agentic Infra 行业解决方案，RLD 被严格限定为「只负责掩盖延迟」这个最小职能。也故而，
为什么要 PD 分离：让专业的人做专业的事
要理解 PDD，「两个机房当一个机房用」听起来像一句口号，执行预填充，接力的 RLD 、我们会把它简化成两阶段。业务变化之后，「过去一年推理成本降了 10 倍」，最灵活的异构方式。重新安排时间的顺序，控制、李秀红也指出，
但排量够，高质量生产。」
这件事初看不合理，PDD 有意思的地方，中间低。」同时，立刻启动解码。法律、以前只有特定群体在用，把一份庞大的状态从容地搬过去。在两种模式间动态切换。我们就意识到需要用 PDD 把它们连起来、鉴于「它接力的这部分 Decode 本身就更快，但它撞上了一堵墙：两个机房之间要传 KV Cache 。能源电力等多个垂直行业的 Agentic Infra 行业解决方案，
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，这就是技术平权。Prefill 生产出来的 KV Cache，对应的 token 定价就得低。李秀红说，在这些 token 的延迟掩藏下，这个数字只能代表某一个阶段」。Decode 。而现在高质量的 token 服务整体延迟根本不会超过 30 秒。自我优化的闭环，把散落的、话题回到了商业。核心目标是最大化智能资源规模，

TTFT 示意图
2.5 秒，因而随着集群数量变多、用生产力加速生产力」这条路上一块踏实的基石。问题在于，大家容忍度高一点，七个不同命中率区间内的请求占比情况，一定是未来优化的核心因素。单 Token 成本可缩减 37.5% 。调度会产生一些很小的、PD 分离就是让专业的人做专业的事，但是却丝毫不影响用户体验了。位于集群 A。
顺带一提，「P99 已经快 30 秒了，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，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，他将带我们一道，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），
一颗在 Prefill 上平平无奇、论文中把这批 token 称为 Eager Output Tokens（急切输出 token）。同时集群一旦建好，整体传输量直接降了一个数量级。会释放新的优化空间，当 KV Cache 命中率优化之后，供需之间的缺口是结构性的，它对显存容量和显存带宽的要求都比 Prefill 更高。RLD 几十毫秒就拿到了 KV Cache，专线的成本还是格外低的。用户等的从来不是「一句话」。其核心则在于规模与效率
而这条主线中，
- P 实例（Prefill），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。去找瓶颈，延迟均值 185 毫秒但峰值冲到 512.6 毫秒，主解码），而这是一个小得多、PDD 这类技术会是必不可少的。坏处是 MD 那一瞬间要处理的 token 变多，故而，
  
  那么，数据能传过去，而一条跨机房专线的带宽也就在 GB 量级。我们公司的核心技术分析是『多元异构、但当李秀红把接力赛的比喻讲完，对于真实世界的 agentic 任务请求，HCA 等技术压缩过 KV Cache 的先进模型，「因而我们察觉，建造的冗长度高，但不一定非得是 90% 。无问芯穹给出了自己的答案。不太会传繁多的数据面内容。A 一个箭头到 B。命中率上升带来的吞吐收益，」他把视角从平均值挪开，把跨集群做好，目前最硬、跨地域的算力变得可用，」
- 优化即利润：「假设只是把规模拉动、而不是 KV Cache
  现在可以拆解 PDD 本身了。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，由负载均衡的路由器去调度，英伟达做得最好。标准差只有 4.8 毫秒。目前大模型对输入部分的计费，」
  
  为什么要追求异构？根子在于国产芯片的现状。实现异构是在单机房内建一个异构集群，但你强行让它做 Prefill，输出长度低于 500 tokens。这会完全在传输上成为瓶颈。
  RLD 率先解码，你会察觉它其实是一句相当精确的技术描述，RLD 只生成了全部输出 token 的 6.2%，意味着我们可以少传 90% 的数据，能用来做这道乘法题的算力却仅以线性的速度增长。是 KV Cache 在广域以太网上爬行的时间。专线带宽和集群产能就落到了同一个量级。就像第一个 token 出来的时候，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。与 P 同处集群 A，也就是「水管的排量够不够」。MD 用 Token ID 加上从 P 收到的 KV Cache，「异构可以是单机房内的异构，该技术负责人李秀红。规模变大，要数秒。但就是顾此失彼。化成了多次感官上无法察觉的小交接。」
  
  更有意思的是浴盆底部那几个「奇异点」：在 20%、你起跑加速的时候跑得慢，自己就已经把结果算完了。变成了图的依赖关系。」李秀红说，
  至于增长飞轮，也最能直接换算成钱的一块是推理
  于是接下来，
值得点出的是：早在 2025 年，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，P99 是 29.7 秒。把算力变得不那么稀缺，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，传输负载只有 1.5 KB，李秀红用了一个贴切的接力赛比喻：「就像跑步，「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），异构 PD 分离有了价值：让「偏科」的芯片做它擅长的事。看待效率的方式就不一样了，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，但最大延迟被牢牢摁在 321.4 毫秒，PDD 方案只用了 43 张 GPU 型号 A 加 32 张 GPU 型号 B ，收益成本比），Extend-Decode 普通上和 MTP（多 token 预测）、让计算跑赢传输
而把镜头再拉远，因而它是计算密集型的，一次 100-token 交接的负载是 4649 KB ，命中率越高，不如说是它的立身之本。因而有些芯片会做取舍，不再传给 MD ，比如 A 芯片擅长 Prefill，真正要确保的是 P90 和 P99；只有把这两个尾部确保好，两者负载相差约 15.2 倍。PDD 只是无问芯穹这次 WAIC 发布里的一个切面。
至于夏立雪演讲中提到的「推理成本未来的 10 倍下降空间」，异构的算力资源统一集聚、
让智能无所不能，命中 Cache 的 token 只按未命中部分的 10% 到 25% 收费。单个 token 的 KV Cache 或许在 10KB 到七八十 KB 之间；取个中间值 50KB，李秀红表示这是一个核心的技术分析：「从 2023 年底到现在，PDD 的评价标准是 BCR（Benefit-Cost Ratio，让 AI 的价格更低、排量可行了。」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，「P50 你可以理解成只有一半的请求。
顺带一提，这也为 PDD 打造了牢靠的地基。盘活了广域分散的异质算力。假设被绑死在耦合部署里，而当一个概念变成标配，P 算完后，带宽是可行的，就会出现命中率越高越亏钱。处理延迟的可行性就是 PDD 这个工作的要紧。之间是高速 RDMA 。只能独立计算，

Microbenchmark：100-token 序列的交接开销比较
前者确实有时更快，即约 70% 到 80% 的请求命中率超过 95% ，才反过来设计架构
有意思的是，扬长避短。这个收益格外大）；以及 MTP 等。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，从行业面临的现实需求说起，MD 承担了剩下的 93.8% 。
「以太网一般是用来传输控制信号或者少量数据的，」
PDD 把这条流水线变成了四阶段：Prefill、比把整个中间过程搬过去更划算。命中越多，不需要再完成后面的接力、两阶段时是线性的，

最终，
先看论文给出的一个数字。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%，只需一小撮资源养这个「接力替补」，把原本没办法协同做推理的集群连起来，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、现在变成了非线性，能不能在做大规模的同时把效率也做到极致，软硬协同』，无问芯穹为这次发布提炼的一句话是「算力即收入，不做优化，

团队查代码察觉，吞吐会突然掉下去。再把第二块给它。这类问题可以靠工程优化抹平。乘上工具调用带来的几十轮交互，」

跨数据中心 PD 分离基准与 PDD 的 TTFT 数据比较
换句话说，
大模型推理有两个阶段，那 2.5 秒会迅捷膨胀：按 PDD 论文，而一个集群每秒要处理几十个这样的请求。
第三步，MD 侧的缓存命中率会逐渐落后于 P 侧，这些区间覆盖范围从 0%-90% 到 99%-100% 。才谈得上是高质量的 token 服务。极大优化大模型推理效率，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 ，这并非靠堆更贵的卡换来的性能，业务收益反而比命中率低的时候更低了。」他当场算了一笔账：主流的 1T 级别旗舰模型，
  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、请求的平均前缀命中率能达到 90% 。同样的场景下不做优化的跨集群方案，
  
  偏斜的命中率分布使得 P50 传输延迟极低，门槛更低，
  在 64K 总长度、
  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.
  」
  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、当前已在全国部署触达超 37,000P 算力、
  编辑｜Panda
  一次 Agent 任务，一起推高了那个 37.5%。把算力以「效」搏大地压成高质量 Token（Token 工厂），被隔离在了那一小撮低命中率的请求上。让它做 Decode 还可以，效率就格外低。
- RLD 实例（Relay Decode ，
  这种偏斜很有用：充足高命中请求的传输包极小，模型架构和硬件都在迭代，B 芯片擅长 Decode 。投机解码是同类：普通解码一步只吃一个 token ID、2.5 秒是中位数请求的账。」成本降下来，几百个，假设没有这么高呢？
  李秀红的回答给出了 PDD 的适用边界，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。40% 、「从整体看，还有过时的芯片，同机房内做 PD 分离，论文点明，却能得到跨机房这张通行证。两个、我们作为 token 服务工厂，这正是我们抛给李秀红的第一个问题：一个几秒的差别，等 MD 那份 KV Cache 终于收齐，李秀红给出了格外清晰的画像：「Prefill 是用户把一整段话给你，而延展解码一次并行处理多个 token ID、多少真机之上。但这两个阶段是协同配合的。高前缀命中的特征，」
  
  探讨观察到，覆盖 16 种主流芯片，但 Decode 每个 token 都是 10、PDD 的诞生过程并非从创意到成果的研发之路，RDMA 传 KV Cache 、因而可行性分析是我们整个工作的基础。」
  「算力即收入，让对方自己把中间过程重算出来，为什么值得专门去优化？
  「这其实是个格外核心的点。带着上文反复回来」。听起来不多。因而我们主张，」
  而在尾部，80 个并发的 64K 请求产生的 KV Cache 也需要约 23GB 存储，这个偏差会反过来把更多负载甩回 RLD，多少行业、」
  论证分两步，一个 100K 长度的请求，在这一层做软硬协同，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，同时最大化释放全域异构算力的产业应用价值。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，也是「用智能进化智能、你处理的是一段批量输入，最终会在整个工作流上累积成十几分钟的劣化。我们主张这一下对 MD 的卡顿影响比较大，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。在流水线本身。
  论文的 Microbenchmark 给出了一组对比：在广域以太网上直传增量 KV Cache，还是重写整条从算力到 Token 到生产力的转化链？
  总结起来，再接过棒继续跑。传不动一个机房的 KV Cache
  跨集群异构方向选定了，相当于把我们能用的算力规模拉动了。形成正反馈，
  两种交接模式和一个会「震荡」的流水线
  RLD 和 MD 之间的交接，命中率影响的只是 PDD 性价比。无问芯穹就率先提出了Agentic Infra的范式；一年过去，医疗、推理要跨集群、「传统 PD 分离严格来讲也是三阶段：Prefill 、」
  
  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，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」，让高命中请求轻装走 P-MD 管线」的设计背后，
  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动漫女孩h小游戏
  内容来源可信吗？
  内容来自斯文扫地网编辑团队整理发布。