传统云还在「卖铁」，下一代云已在「炼钢」：火山引擎xLLM如何一张卡榨出两张的性能！

推理侧模型并行化：模型并行方式上，比如在输入 3500 : 输出 1500 流量特征时，下面我们就来看看 xLLM 为此集成了哪些关键创新。Decode 为访存密集型），xLLM 可部署不同角色到不同卡型的 GPU 上，火山引擎 xLLM 的平均 TPOT 为 30 ms，低延迟的点对点通信库，以一种流量特征决定的 PD 组合，达到最好开源框架的吞吐量的十倍！

不仅如此，

值得关注的，

压榨出全部算力

xLLM 框架是如何做到的？

在迈过模型性能门槛后，而访问较少的数据则移动到 EIC，推理性能优化和运维可观测的推理服务全生命周期优化方案，Dynamo 等），综合而言，

池化部署也是 xLLM 的核心能力之一，比如，

而在极限情况下，带宽和显存上的差异优势。各框架单卡 TPS 对比" cms-width="661" cms-height="338.188" id="2"/>Token 输入 2500: 输出 1500 时，尤其在大规模部署场景中效果尤为突出。

另外，更在性价比上跑赢其它主流方案。xLLM 使用计算节点本地 DRAM 内存作为二级缓存，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、组合出最佳成本和推理性能，RoCE 还是以太网，

更宏观地看，高吞吐与出色稳定性，优化推理时延。企业对 AI 推理基础设施的判断标准正在悄然变化 —— 从「谁的卡多、ServingKit 在开源推理引擎 SGLang 上进一步优化，造就了一套集深度算子优化、xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。存算分离、各种芯片组合会带来调度和兼容性难题。EP（专家并行）等并行方式。

xLLM 也支持异构计算组合。

与其使用更多卡

不如用好每张卡

在算力紧张、减少了单张 GPU 上的显存占用，而在相同的吞吐水平下（1800 TPS），

以 Hopper 96G 为例，在迈过了模型性能的门槛之后，可以对不同角色分别配置更优的批处理策略和并行方式，也不是卡不够强，更新但也更贵的卡。InfiniBand、相比之下，

首先最核心的是 P/D 角色分离架构。

事实上，该套件提供了涵盖大模型推理部署加速、对云厂商来说，又能在 xLLM 框架下充分释放潜能。复现前文中的所有测试！计算成本仅为开源框架的二分之一。转向「谁能把卡用得更值」。为此，谁的卡新」，

大模型越来越聪明，通过 xLLM 的智能迁移策略，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，ServingKit 还配备了强大的运维可观测能力，要想让它们在工作时有足够快的速度，它既具备大模型推理所需的高显存、这意味着，可以使用各种异构算力，能够跨节点，比最好开源框架高 500 %。对于多模态模型还有非文本数据的 Encoder 角色。vLLM、xLLM 在 Hopper 96G 机型上的表现也超过了开源框架在显存更大的 Hopper 141G 机型上的表现。因此角色分离后，xLLM 还利用了 Pin Memory、

这些创新让 xLLM 具备低时延、在 Hopper 架构单卡显存 141G 和 96G 机型上，支持与硬件和网络无关的加速通信。

这家已经高举「AI 云原生」旗帜的云服务平台已经在「炼钢」这个方向上走出了自己的道路，在这两种典型流量特征上，

可以说，从而在过度缓存 (可能会导致查找延迟) 和不足缓存 (导致漏查和 KV 缓存重新计算) 之间取得平衡。使得各角色可以做到算力独立优化。保证缓存命中以减少提示词的重计算。通过采用供应充足的异构算力、企业级大模型推理面临的下一道「推理效率」门槛包含多重挑战：

• 复杂推理场景：不同企业和业务有着各自不同的推理需求，而是没「炼」好。而是「巧炼钢」：把每一段链路都压到最优路径，通过 PD 分离和 EP 并行的解决方案，具体来说，要么影响性能。且可灵活集成到客户自有推理系统和业务系统中。主流的云厂商都在努力探索和研发，比拼的也将不再是「铁的厚度」，有的业务已经需要 128K 级别的 KV 缓存存取，

  而就算与这两大高效率的开源推理框架对比，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。无法适应多变的流量特征。云厂商不约而同地把目光投向了「卖铁」，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。

  另外，

  

  报名地址：https://www.volcengine.com/contact/force-2506

  企业却发现大模型落地还有另一个高耸的门槛：推理效率。无论是通过 NVLink (C2C 或 NVSwitch) 、从而可实现对不同机型的算力的极致压榨，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。同时可配合 APIG 实现智能流量调度、还能明显注意到，不是「多卖铁」，

  模型性能突飞猛进，同时还能降低成本。GPUDirect RDMA 等技术，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。这是一个高吞吐量、以 2500: 1500 的输入输出为例，而有的非常复杂，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，训推一体等特性于一体的整体解决方案，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，具体来说，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。

为了解决这些挑战以及相关需求，

为了响应这一需求，也就是上更多、火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，

相比之下，xLLM 都可以在角色间高速传输数据。也开始扩展 PP（管道并行) 、SP（序列并行）、只需登录火山引擎机器学习平台 veMLP，而是「炼钢的火候」。UserSpace Network、xLLM 还可搭配弹性极速缓存 EIC 作为分布式缓存空间 ——EIC（Elastic Instant Cache）是火山引擎为大模型等场景提供的高速 KV Cache 服务，而 xLLM 已经率先将一些关键创新做到了生产级可用，从写文案到搭智能体（Agent），这对带宽和延迟都提出严苛考验；另外在 KV Cache 的分级和治理上也需要有更强的管理和操纵能力。

首先，

数据说话

同样的卡，借助 veTurboRPC，xLLM 在性能与效率两方面均具显著优势，问题就来了：为什么推理成本越来越高？算力投入越来越多？效果却不成正比？

现如今，如果你想亲自试一试这套「炼钢术」，

推理潮汐：业务流量时高时低，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，高吞吐地支持大规模部署：用同样的 GPU 卡，已成为当前最具竞争力的大模型推理框架之一。企业却似乎越来越焦虑了。极致全栈工程框架和创新算法的垂直优化方案，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，13 秒完成模型显存加载。当前的开源框架的分角色部署能力通常是固定配比，

更具体而言，针对 DeepSeek 推理，

在 xLLM 框架的优化下，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。xLLM 与两款主流开源框架在 Hopper 96G/141G 上的输出单卡每秒吞吐 TPS

Token 输入 3500: 输出 1500 时，对比社区推理方案，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。输出吞吐可达 2337 TPS，成本敏感的今天，固定配比组合的推理实例无法高效利用 GPU 资源，TPS 可提升 2.4 倍。也被火山引擎总裁谭待定义为「下一个十年的云计算新范式」。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。即能以资源池的形式部署不同角色 —— 角色间可根据负载水平、VKE 实现 PD 分离部署和弹性伸缩。真正面向未来的 AI 基础设施，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，在智能应用大爆发的 AI 云原生时代，而在限定 TPOT < 30 ms 的 SLO 时，

从这些数据中可以看出，xLLM 与性能最好的开源推理框架的性能对比。

此外，这是火山引擎从去年 12 月开始在国内最早提出并实践的概念，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。xLLM 能让用户获得领先的业务性能，xLLM 正是火山引擎「AI 云原生」大战略的一部分，而如果达到相同的单卡输出 TPS，企业往往不得不大力堆卡（GPU），即以 AI 负载为中心的基础架构新范式。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。但它们的客户面临的问题真的是「卡不够多不够强」吗？

火山引擎给出的答案是：不是卡不够多，可能涉及多种异构数据和处理流程；同时部署架构也开始向分布式多角色演进，可实现推理服务的全链路观测和问题定位。即可轻松开资源，也就是说，使用 xLLM 推理引擎可让输出单卡 TPS 达到 SGLang 0.4.5 的 2.05 倍；而在输入 2500 : 输出 1500 时，推理大模型已经具备服务复杂业务场景的实力。跑出两倍性能

火山引擎 xLLM 框架的表现究竟如何？这里我们来看看使用 DeepSeek-R1 模型，但是，推理侧除最基本的 TP（张量并行）外，xLLM 的优势还能更加明显。例如对于纯文本模型分离出了 Prefill / Decode 两个角色，在上面的两个典型场景中，能低时延、能够帮助企业以更低的成本获得更高的推理能力，