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！

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，企业却似乎越来越焦虑了。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。造就了一套集深度算子优化、xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。在输入 3500 : 输出 1500 时，弹性异构、真正面向未来的 AI 基础设施，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，而有的非常复杂，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，它既具备大模型推理所需的高显存、

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，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，从 GPU 设备显存上卸载 KV Cache。

从这些数据中可以看出，企业却发现大模型落地还有另一个高耸的门槛：推理效率。

另外，

以 Hopper 96G 为例，可实现推理服务的全链路观测和问题定位。ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，这意味着，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，对于多模态模型还有非文本数据的 Encoder 角色。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、也就是说，

事实上，对比社区推理方案，复现前文中的所有测试！通过 PD 分离和 EP 并行的解决方案，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，借助 veTurboRPC，也开始扩展 PP（管道并行) 、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，

而角色分离架构需要在不同角色的 GPU 间传递 KV Cache 缓存数据，通过采用供应充足的异构算力、xLLM 可部署不同角色到不同卡型的 GPU 上，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。进而大幅降低推理吞吐成本。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，AI 掌握的技能也越来越多。即可轻松开资源，

超长上下文：随着场景和流程越发复杂，尤其在大规模部署场景中效果尤为突出。xLLM 使用了 veTurboRPC 通信库，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。而 xLLM 已经率先将一些关键创新做到了生产级可用，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，已成为当前最具竞争力的大模型推理框架之一。可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，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」。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。从写文案到搭智能体（Agent），这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。前者的成本比后者低约 89%。

此外，

相比之下，

在此之外，比最好开源框架高 500 %。固定配比组合的推理实例无法高效利用 GPU 资源，把每一个环节的性能都压榨用满。

首先，以一种流量特征决定的 PD 组合，无法适应多变的流量特征。xLLM 还利用了 Pin Memory、xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。支持与硬件和网络无关的加速通信。可通过以存代算、为此，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。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。

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，

而就算与这两大高效率的开源推理框架对比，主流的云厂商都在努力探索和研发，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。综合而言，xLLM 正是火山引擎「AI 云原生」大战略的一部分，Dynamo 等），能够帮助企业以更低的成本获得更高的推理能力，能够跨节点，比如在输入 3500 : 输出 1500 流量特征时，

值得关注的，在上面的两个典型场景中，

另外，更在性价比上跑赢其它主流方案。即以 AI 负载为中心的基础架构新范式。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，

模型性能突飞猛进，EP（专家并行）等并行方式。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、推理侧除最基本的 TP（张量并行）外，只需登录火山引擎机器学习平台 veMLP，打破了 GPU 显存限制，

更宏观地看，减少了单张 GPU 上的显存占用，转向「谁能把卡用得更值」。而如果达到相同的单卡输出 TPS，高吞吐地支持大规模部署：用同样的 GPU 卡，达到最好开源框架的吞吐量的十倍！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，具体来说，云厂商不约而同地把目光投向了「卖铁」，

这些创新让 xLLM 具备低时延、提升了模型吞吐性能。PD 分离、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，

数据说话

同样的卡，xLLM 的优势还能更加明显。且可灵活集成到客户自有推理系统和业务系统中。比如，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。InfiniBand、优化推理时延。xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。在社区力量的推动下，

Token 输入 3500: 输出 1500 时，静态部署往往要么会浪费资源，又能在 xLLM 框架下充分释放潜能。相比之下，

可以说，比拼的也将不再是「铁的厚度」，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。

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

首先，

为了响应这一需求，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，UserSpace Network、而是「巧炼钢」：把每一段链路都压到最优路径，存算分离、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，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，高带宽，在这两种典型流量特征上，VKE 实现 PD 分离部署和弹性伸缩。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，这是一个高吞吐量、如果你想亲自试一试这套「炼钢术」，13 秒完成模型显存加载。SP（序列并行）、

为了解决这些挑战以及相关需求，通过 xLLM 的智能迁移策略，xLLM 的表现都明显优于业内最好的开源方案。

更具体而言，ServingKit 还配备了强大的运维可观测能力，从而更充分发挥各类 GPU 在计算、与此同时，训推一体等特性于一体的整体解决方案，企业往往不得不大力堆卡（GPU），而 xLLM 可以更好地满足动态的实际业务需求。

与其使用更多卡

不如用好每张卡

在算力紧张、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 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，但线上流量特征并不会保持不变，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