2026年PD分离异构算力混部实践技术白皮书.docxVIP

PD分离异构算力混部实践技术白皮书

基于MTTS5000与国际高端GPU的异构算力协同推理方案

〔02〕

一、引言

1.1背景：从“训练大模型”到“生产Token”

大语言模型(LLM)的快速迭代与规模化落地，正在推动AI基础设施的根本性范式转变。行业焦点正从“训练更大模型”转向“以更低成本、更高稳定性生产高品质Token”。据工业和信息化部数据，截至2026年6月底，我国智能算力规模已达2185EFLOPS(FP16),同比增长177%,中国词元市场呈现爆发式增长。

在算力需求激增与自主安全多元化的双重背景下，AI基础设施正面临三重核心瓶颈：

成本瓶颈：高并发推理带来持续算力消耗，Token成本成为规模化应用的关键约束；

效率瓶颈：Prefill与Decode阶段对算力资源的需求特性不同，传统一体化部署难以充分释放集群效率；

国产化瓶颈：国产GPU/NPU/异构算力快速发展，但规模化部署仍需要系统级优化方案。

基础设施的价值定位正在从“供给算力”转向“组织算力、调度模型、稳定生产高品质AIToken”。PD分离(Prefill-DecodeDisaggregation)架构与异构算力混部技术的结合，为这一转型提供了系统性解决方案。

1.2PD分离架构概述

在大模型推理过程中，Prefill(预填充)阶段需要并