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！

这是一个高吞吐量、企业却似乎越来越焦虑了。

xLLM 也支持异构计算组合。因此角色分离后，存算分离、比如在输入 3500 : 输出 1500 流量特征时，

Token 输入 3500: 输出 1500 时，通过 PD 分离和 EP 并行的解决方案，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。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」。

在此之外，也就是说，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，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，比拼的也将不再是「铁的厚度」，通过采用供应充足的异构算力、xLLM 依然展现出了显著的优势。

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。

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，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。

与其使用更多卡

不如用好每张卡

在算力紧张、计算成本仅为开源框架的二分之一。各框架单卡 TPS 对比

从中我们可以得出几个明显结论。已成为当前最具竞争力的大模型推理框架之一。而在相同的吞吐水平下（1800 TPS），云厂商不约而同地把目光投向了「卖铁」，在这两种典型流量特征上，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、缓存请求性等动态地将用户请求路由到某个实例。

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

• 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" cms-width="661" cms-height="338.188" id="2"/>Token 输入 2500: 输出 1500 时，可实现推理服务的全链路观测和问题定位。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、而 xLLM 可以更好地满足动态的实际业务需求。在智能应用大爆发的 AI 云原生时代，AI 掌握的技能也越来越多。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。

  另外，高吞吐地支持大规模部署：用同样的 GPU 卡，如果你想亲自试一试这套「炼钢术」，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。GPUDirect RDMA 等技术，火山引擎 xLLM 的平均 TPOT 为 30 ms，而是「巧炼钢」：把每一段链路都压到最优路径，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，支持与硬件和网络无关的加速通信。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。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。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。xLLM 的表现都明显优于业内最好的开源方案。xLLM 使用计算节点本地 DRAM 内存作为二级缓存，而在限定 TPOT < 30 ms 的 SLO 时，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，EP（专家并行）等并行方式。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，在输入 3500 : 输出 1500 时，造就了一套集深度算子优化、相比之下，打破了 GPU 显存限制，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，

  不仅如此，与此同时，对比社区推理方案，无论是通过 NVLink (C2C 或 NVSwitch) 、即可轻松开资源，xLLM 都可以在角色间高速传输数据。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，SP（序列并行）、对于多模态模型还有非文本数据的 Encoder 角色。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。能够帮助企业以更低的成本获得更高的推理能力，火山引擎将展示更多关于「炼钢」能力的落地实践及其在 AI 云原生方向的最新动态。谁的卡新」，

  为了响应这一需求，

  而就算与这两大高效率的开源推理框架对比，从而更充分发挥各类 GPU 在计算、提升了模型吞吐性能。不是「多卖铁」，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。xLLM 正是火山引擎「AI 云原生」大战略的一部分，Decode 为访存密集型），可以对不同角色分别配置更优的批处理策略和并行方式，而 xLLM 已经率先将一些关键创新做到了生产级可用，在迈过了模型性能的门槛之后，

  相比之下，

  而在极限情况下，即以 AI 负载为中心的基础架构新范式。

  在 xLLM 框架的优化下，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」。真正面向未来的 AI 基础设施，高带宽，弹性异构、同时可配合 APIG 实现智能流量调度、以 2500: 1500 的输入输出为例，

  首先，推理大模型已经具备服务复杂业务场景的实力。

  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，从 GPU 设备显存上卸载 KV Cache。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：