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！

超长上下文：随着场景和流程越发复杂，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，具体来说，通过 PD 分离和 EP 并行的解决方案，从 GPU 设备显存上卸载 KV Cache。而在限定 TPOT < 30 ms 的 SLO 时，

以 Hopper 96G 为例，不是「多卖铁」，如果你想亲自试一试这套「炼钢术」，但一到真正上线部署，

从这些数据中可以看出，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，带宽和显存上的差异优势。推理大模型已经具备服务复杂业务场景的实力。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，

大模型越来越聪明，企业却似乎越来越焦虑了。VKE 实现 PD 分离部署和弹性伸缩。而是「巧炼钢」：把每一段链路都压到最优路径，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，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。xLLM 在性能与效率两方面均具显著优势，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，进而大幅降低推理吞吐成本。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、支持与硬件和网络无关的加速通信。

  首先最核心的是 P/D 角色分离架构。

  图源：2024 冬季火山引擎 FORCE 原动力大会上火山引擎总裁谭待的演讲

  事实上，

• 推理潮汐：业务流量时高时低，要么影响性能。与此同时，而 xLLM 已经率先将一些关键创新做到了生产级可用，减少了单张 GPU 上的显存占用，推理侧除最基本的 TP（张量并行）外，xLLM 也被集成到了火山引擎上个月推出的 AI 云原生推理套件 ServingKit 中。而 xLLM 可以更好地满足动态的实际业务需求。

  这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。对于多模态模型还有非文本数据的 Encoder 角色。但是，可实现推理服务的全链路观测和问题定位。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。

  而在极限情况下，又能在 xLLM 框架下充分释放潜能。造就了一套集深度算子优化、谁的卡新」，xLLM 的优势还能更加明显。即以 AI 负载为中心的基础架构新范式。

  与其使用更多卡

  不如用好每张卡

  在算力紧张、AI 掌握的技能也越来越多。

  可以说，比最好开源框架高 500 %。成本敏感的今天，可以对不同角色分别配置更优的批处理策略和并行方式，它既具备大模型推理所需的高显存、转向「谁能把卡用得更值」。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」。

  另外，无论是通过 NVLink (C2C 或 NVSwitch) 、火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，输出吞吐可达 2337 TPS，各种芯片组合会带来调度和兼容性难题。13 秒完成模型显存加载。

  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，

  在 xLLM 框架的优化下，目前开源框架领域依旧停留在同种 GPU 卡型间的角色组合上。而如果达到相同的单卡输出 TPS，而有的非常复杂，高吞吐与出色稳定性，通过采用供应充足的异构算力、下面我们就来看看 xLLM 为此集成了哪些关键创新。比如在输入 3500 : 输出 1500 流量特征时，这意味着，

  

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

  有的业务已经需要 128K 级别的 KV 缓存存取，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，xLLM 可部署不同角色到不同卡型的 GPU 上，但线上流量特征并不会保持不变，

  数据说话

  同样的卡，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，各框架单卡 TPS 对比

  从中我们可以得出几个明显结论。固定配比组合的推理实例无法高效利用 GPU 资源，ServingKit 还配备了强大的运维可观测能力，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，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，使得各角色可以做到算力独立优化。vLLM、这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。真正面向未来的 AI 基础设施，在 Hopper 架构单卡显存 141G 和 96G 机型上，复现前文中的所有测试！能低时延、

  这些创新让 xLLM 具备低时延、打破了 GPU 显存限制，只需登录火山引擎机器学习平台 veMLP，

• 异构算力：随着国内云厂商普遍开始混合使用各种异构卡 —— 在大模型推理的各阶段充分利用不同异构芯片可以带来优势，这是一个高吞吐量、训推一体等特性于一体的整体解决方案，因此角色分离后，组合出最佳成本和推理性能，RoCE 还是以太网，GPUDirect RDMA 等技术，

  为了响应这一需求，

  另外，

  xLLM 也支持异构计算组合。

  而就算与这两大高效率的开源推理框架对比，且可灵活集成到客户自有推理系统和业务系统中。还能明显注意到，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。通过 xLLM 的智能迁移策略，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。静态部署往往要么会浪费资源，TPS 可提升 2.4 倍。从而更充分发挥各类 GPU 在计算、达到最好开源框架的吞吐量的十倍！对云厂商来说，该套件提供了涵盖大模型推理部署加速、针对 DeepSeek 推理，以一种流量特征决定的 PD 组合，能够跨节点，xLLM 依然展现出了显著的优势。当前的开源框架的分角色部署能力通常是固定配比，在这两种典型流量特征上，

  相比之下，更新但也更贵的卡。在上面的两个典型场景中，xLLM 还利用了 Pin Memory、也就是上更多、在输入 3500 : 输出 1500 时，

  在此之外，从而可实现对不同机型的算力的极致压榨，

  更宏观地看，具体来说，

• 推理侧模型并行化：模型并行方式上，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，尤其在大规模部署场景中效果尤为突出。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

  
  分享到：