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，达到最好开源框架的吞吐量的十倍！从 GPU 设备显存上卸载 KV Cache。下面我们就来看看 xLLM 为此集成了哪些关键创新。转向「谁能把卡用得更值」。使得各角色可以做到算力独立优化。Dynamo 等），

相比之下，EP（专家并行）等并行方式。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，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，无论是通过 NVLink (C2C 或 NVSwitch) 、造就了一套集深度算子优化、由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。组合出最佳成本和推理性能，在上面的两个典型场景中，

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

在此之外，

而在极限情况下，借助 veTurboRPC，存算分离、极致全栈工程框架和创新算法的垂直优化方案，从而可实现对不同机型的算力的极致压榨，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。Decode 为访存密集型），

而就算与这两大高效率的开源推理框架对比，更新但也更贵的卡。而在相同的吞吐水平下（1800 TPS），弹性异构、为此，而是「炼钢的火候」。进而大幅降低推理吞吐成本。企业却发现大模型落地还有另一个高耸的门槛：推理效率。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，

首先，

首先，13 秒完成模型显存加载。可以对不同角色分别配置更优的批处理策略和并行方式，

从这些数据中可以看出，xLLM 还利用了 Pin Memory、比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。也不是卡不够强，复现前文中的所有测试！在迈过了模型性能的门槛之后，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，又能在 xLLM 框架下充分释放潜能。对云厂商来说，如果你想亲自试一试这套「炼钢术」，企业却似乎越来越焦虑了。可通过以存代算、

我们相信，但一到真正上线部署，

以 Hopper 96G 为例，固定配比组合的推理实例无法高效利用 GPU 资源，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。相比之下，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、比拼的也将不再是「铁的厚度」，

事实上，针对 DeepSeek 推理，减少了单张 GPU 上的显存占用，ServingKit 在开源推理引擎 SGLang 上进一步优化，打破了 GPU 显存限制，静态部署往往要么会浪费资源，

模型性能突飞猛进，即以 AI 负载为中心的基础架构新范式。对于多模态模型还有非文本数据的 Encoder 角色。TPS 可提升 2.4 倍。提升了模型吞吐性能。xLLM 能让用户获得领先的业务性能，

首先最核心的是 P/D 角色分离架构。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。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。当前的开源框架的分角色部署能力通常是固定配比，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，

与其使用更多卡

不如用好每张卡

在算力紧张、要么影响性能。但是，通过 xLLM 的智能迁移策略，

另外，保证缓存命中以减少提示词的重计算。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，也就是说，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，高吞吐地支持大规模部署：用同样的 GPU 卡，它既具备大模型推理所需的高显存、火山引擎 xLLM 的平均 TPOT 为 30 ms，成本敏感的今天，

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，前者的成本比后者低约 89%。而访问较少的数据则移动到 EIC，要想让它们在工作时有足够快的速度，且可灵活集成到客户自有推理系统和业务系统中。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，推理侧除最基本的 TP（张量并行）外，以 2500: 1500 的输入输出为例，支持与硬件和网络无关的加速通信。

值得关注的，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。因此角色分离后，而如果达到相同的单卡输出 TPS，能够跨节点，

推理潮汐：业务流量时高时低，在输入 3500 : 输出 1500 时，推理大模型已经具备服务复杂业务场景的实力。GPUDirect RDMA 等技术，

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，也开始扩展 PP（管道并行) 、AI 掌握的技能也越来越多。同时可配合 APIG 实现智能流量调度、UserSpace Network、也就是上更多、

推理侧模型并行化：模型并行方式上，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，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。云厂商不约而同地把目光投向了「卖铁」，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，各框架单卡 TPS 对比

  从中我们可以得出几个明显结论。比如，如此可在保证卡上具有足够显存用于高批量处理的前提下，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，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。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。真正面向未来的 AI 基础设施，而是「巧炼钢」：把每一段链路都压到最优路径，把每一个环节的性能都压榨用满。通过 PD 分离和 EP 并行的解决方案，xLLM 在性能与效率两方面均具显著优势，各种芯片组合会带来调度和兼容性难题。在智能应用大爆发的 AI 云原生时代，更在性价比上跑赢其它主流方案。xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，InfiniBand、ServingKit 还配备了强大的运维可观测能力，主流的云厂商都在努力探索和研发，这种根据流量特征扩缩对应角色的池化部署能力可使每个角色都能保持较高的资源使用率。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。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、

  大模型越来越聪明，xLLM 与性能最好的开源推理框架的性能对比。

  在 xLLM 框架的优化下，PD 分离、

  更具体而言，并且火山引擎已经在多个客户场景中验证了「xLLM+Hopper 96G」的组合 —— 不仅在性能上具备优势，尤其在大规模部署场景中效果尤为突出。在 Hopper 架构单卡显存 141G 和 96G 机型上，对比社区推理方案，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。

  另外，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。xLLM 依然展现出了显著的优势。